TMLR

GENERIC-FNO: Embedding Energy Conservation and Entropy Production into Fourier Neural Operators

GENERIC-FNO：将能量守恒和熵产生嵌入傅里叶神经算子

Jason Sulskis, Sathya Ravi

机构 * University of Illinois at Chicago（伊利诺伊大学芝加哥分校） ； Georgia Tech Research Institute（佐治亚理工学院研究所） 纠错

AI总结 提出GENERIC-FNO，首个在函数空间直接嵌入非平衡热力学完整GENERIC结构的神经算子，通过秩一投影精确满足退化条件，实现能量守恒与熵产生，在超分辨率下保持结构保证。

Comments Under review at TMLR

Toward Understanding the Transferability of Adversarial Suffixes in Large Language Models

面向大型语言模型中对抗性后缀的可迁移性理解

Sarah Ball, Niki Hasrati, Alexander Robey, Avi Schwarzschild, Frauke Kreuter, Zico Kolter, Andrej Risteski

机构 * Ludwig-Maximilians-Universität München（慕尼黑莱布尼茨-马克斯大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Maryland（马里兰大学） 纠错

AI总结 该研究针对大型语言模型的对抗性后缀可迁移性，分析出三个与迁移成功高度相关的统计属性，其成果可用于提升越狱攻击的实际效果。

Comments Accepted at TMLR 2026