University of Washington（华盛顿大学）

ThetaEvolve: Test-time Learning on Open Problems

ThetaEvolve：开放问题的测试时间学习

Yiping Wang, Shao-Rong Su, Zhiyuan Zeng, Eva Xu, Liliang Ren, Xinyu Yang, Zeyi Huang, Xuehai He, Luyao Ma, Baolin Peng, Hao Cheng, Pengcheng He, Weizhu Chen, Shuohang Wang, Simon Shaolei Du, Yelong Shen

机构 * Microsoft（微软公司） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 ThetaEvolve通过测试时间强化学习提升开放问题求解能力，实现开源模型在数学优化问题上的新突破。

Comments 30 pages, link: https://github.com/ypwang61/ThetaEvolve

Reranking partisan animosity in algorithmic social media feeds alters affective polarization

算法社交媒体信息流中重新排序偏见影响情感极化

Tiziano Piccardi, Martin Saveski, Chenyan Jia, Jeffrey T. Hancock, Jeanne L. Tsai, Michael Bernstein

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Washington（华盛顿大学） ； Northeastern University（东北大学） ； Stanford University（斯坦福大学） 纠错

AI总结 通过实时重新排序信息流，研究暴露于反民主内容如何影响情感极化，提供因果证据并建立独立评估方法。

Journal ref Science; Volume 390 | Issue 6776; 27 November 2025

Convergence Dynamics of Over-Parameterized Score Matching for a Single Gaussian

过参数化分数匹配的收敛动力学：单个高斯分布

Yiran Zhang, Weihang Xu, Mo Zhou, Maryam Fazel, Simon Shaolei Du

机构 * Institute for Interdisciplinary Information Sciences（交叉信息科学研究所） ； Tsinghua University（清华大学） ； University of Washington（华盛顿大学） 纠错

AI总结 本文研究了过参数化分数匹配在学习单个高斯分布时的收敛动力学，证明了在特定初始化条件下梯度下降的收敛性，并建立了收敛率的下界。

Comments 43 pages

Machine Unlearning of Traffic State Estimation and Prediction

交通状态估计与预测的机器反学习

Xin Wang, R. Tyrrell Rockafellar, Xuegang, Ban

机构 * Department of Civil and Environmental Engineering, University of Washington（土木与环境工程系，华盛顿大学） ； Department of Mathematics, University of Washington（数学系，华盛顿大学） ； (Jeff) Ban（Ban） 纠错

AI总结 本研究提出一种机器反学习方法，用于交通状态估计与预测，使模型能够选择性遗忘敏感或过时的数据，以提升系统信任度和可靠性。

Identifying Stochastic Dynamics from Non-Sequential Data (DyNoSeD)

从非序列数据中识别随机动力学（DyNoSeD）

Zhixin Lu, Łukasz Kuśmierz, Stefan Mihalas

机构 * Allen Institute（艾伦研究所） ； University of Washington（华盛顿大学） 纠错

AI总结 DyNoSeD通过福克-普朗克残差最小化，从非序列数据中识别随机动力学参数，提供两种互补方法解决受限区域和全局采样数据的系统识别问题。

Linearly Constrained Diffusion Implicit Models

线性约束扩散隐式模型

Vivek Jayaram, Ira Kemelmacher-Shlizerman, Steven M. Seitz, John Thickstun

机构 * University of Washington（华盛顿大学） ； Cornell University（康奈尔大学） 纠错

AI总结 CDIM通过动态调整投影步骤减少数量，实现快速准确解决噪声线性逆问题，适用于多种图像处理任务。

Comments NeurIPS 2025