高校专区
弹性注意力核心用于可扩展的视觉变换器
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Hong Kong（香港大学） ； Columbia University（哥伦比亚大学）
AI总结 本文提出VECA架构，通过弹性核心-外围注意力机制实现线性复杂度，避免二次缩放，提升高分辨率视觉任务性能。
Comments Project repository here: https://github.com/alansong1322/VECA
当模拟欺骗时：一个仿真到现实的基准和领域随机化的强化学习配方用于工具使用智能体
机构 * Arizona State University（亚利桑那州立大学） ； University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Adobe Research（Adobe研究）
AI总结 本文研究了工具使用POMDP中的仿真到现实差距，提出了一种领域随机化的强化学习方法，通过扰动增强轨迹提升鲁棒性，缩小了工具使用智能体在现实部署中的性能差距。
Comments Dataset, code, and benchmark leaderboard are available at https://github.com/WillChow66/robustbench-tc-release.git and https://huggingface.co/spaces/willchow66/robustbench-tc-leaderboard
可证明的数据驱动多超参数调优与结构化损失函数
机构 * Université Grenoble Alpes, LJK, CNRS, Grenoble INP（格拉诺布尔大学，LJK，CNRS，格拉诺布尔INP） ； Carnegie Mellon University, Machine Learning Department（卡内基梅隆大学，机器学习系） ； Chinese University of Hong Kong, Department of Systems Engineering and Engineering Management（香港中文大学，系统工程与工程管理系）
AI总结 本文提出首个通用框架，为数据驱动环境下多维超参数调优提供泛化保证，结合实代数几何工具，改进了半代数函数类的泛化保证，并扩展至验证损失下的超参数调优，推导出更优的界。
Comments Accepted to ICML 2026
从观测到状态：潜在时间序列预测
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Northwestern University（西北大学）
AI总结 本文提出LatentTSF方法，通过将时间序列预测从观测回归转向潜在状态预测，解决潜在混沌问题，提升预测准确性和表示质量。
Comments Accepted at ICML 2026
社交人机具身对话（SHREC）数据集：评估基础模型的社会推理能力
机构 * Purdue University（普渡大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出SHREC数据集，包含400个真实人机交互视频和10000多个标注，用于评估基础模型在社会推理中的能力，揭示社会机器人在情绪理解、意图跟踪等方面的社会挑战。
Comments 23 pages, 11 figures
利用大语言模型从临床病例报告中重建脓毒症轨迹：脓毒症的文本时间序列语料库
机构 * Machine Learning Department and Heinz College Carnegie Mellon University（卡内基梅隆大学机器学习系和海恩兹学院） ； National Library of Medicine National Institutes of Health（美国国家医学图书馆）
AI总结 本文提出利用大语言模型构建脓毒症文本时间序列语料库，通过提取病例报告中的时间局部发现，验证了LLM在时间局部化方面的有效性，并指出多模态整合的改进方向。
Comments Conference on Health, Inference, and Learning (CHIL 2026)
多模态大语言模型的模态不一致持续学习
机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Carnegie Mellon University（卡内基梅隆大学） ； George Mason University（乔治·梅森大学）
AI总结 本文提出MICL，一种针对多模态大语言模型的持续学习场景，涉及不一致的模态和变化的任务类型。通过伪目标生成模块和基于指令的知识蒸馏，解决任务类型转移导致的遗忘问题，实验验证了方法的有效性。
Comments Accepted at Transactions on Machine Learning Research (TMLR), 2026
当推理痕迹成为行为性：基于步骤级的证据显示链式思维是不完美的疏忽通道
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Fujitsu Research of America Inc.（富士通美国研究公司）
AI总结 研究通过步骤级检测-分类-比较框架，发现链式思维痕迹与计算过程不一致，揭示其作为答案形成报告的不可靠性。
RIO：灵活的实时机器人输入输出用于跨躯体机器人学习
机构 * Carnegie Mellon University（卡内基梅隆大学） ； TU Delft（代尔夫特理工大学） ； Lavoro AI ； Bosch Center for AI（博世人工智能中心）
AI总结 RIO框架提供灵活的机器人控制和部署组件，支持多种硬件平台和形态，通过开放源代码加速真实机器人学习。
Comments 14 pages, 12 figures, 5 tables. Accepted to Robotics: Science and Systems (RSS) 2026
Decaf：通过自动反馈和搜索改进神经反编译
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 Decaf通过自动反馈和搜索显著提升神经反编译的语义正确性，将反编译率从26.0%提升至83.9%。
Comments 15 pages, 6 figures. Preprint; under review. Code and models available at https://github.com/AlexShypula/decaf
LDDR：基于线性DPP的动态分辨率帧采样用于视频MLLMs
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Individual Researcher（个人研究员） ； National University Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Duke University（杜克大学）
AI总结 本文提出LDDR框架，通过任务条件特征空间中查询感知的DPP帧选择，在有限视觉token预算下提升视频理解，实现3倍速度提升，并通过组DPP重要性度量动态分配分辨率，优于现有基线方法。
Comments 21 pages, 4 figures
重新思考LLM幻觉检测的评估：一种需求清单，一个新的基于RAG的基准，新的见解
机构 * Amazon（亚马逊公司） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种基于RAG的新型基准T RIVIA+，填补了现有基准在长上下文和噪声标签方面的空白，并通过实验揭示了当前检测器在RAG基准上的改进空间。
Comments ACL 2026 main conference
测量五九可靠性：在饱和基准上的样本高效LLM评估
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出通过交叉熵方法学习失败倾向输入分布，显著减少LLM评估所需推理次数，揭示模型在标准基准上表现相近但可靠性差异显著的问题。
Comments Project page: https://five-nines-reliability.notion.site/Measuring-Five-Nines-Reliability-Sample-Efficient-LLM-Evaluation-in-Saturated-Benchmarks-312b998d4f39802d88c0e9886db1b9cd
ASIP-Planner: 面向部分已知室内结构的自适应规划
机构 * Department of Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系）
AI总结 本文提出ASIP-Planner框架，通过全局覆盖规划与局部视角调整模块，提升无人机在部分已知室内环境中的表面检测效率与适应性。
顶点softmax：通过精确softmax优化实现严格的transformer验证
机构 * University of California, Irvine（加州大学尔湾分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出顶点softmax方法，通过精确优化softmax函数，实现transformer注意力的严格验证，提升了认证率并收紧了下界。
Pi-HOC：成对3D人体-物体接触估计
机构 * Carnegie Mellon University, Robotics Institute（卡内基梅隆大学机器人研究所） ； National Robotics Engineering Center（国家机器人工程中心）
AI总结 本文提出Pi-HOC，一种单次传递的实例感知框架，用于密集预测所有人体-物体对的3D语义接触。该方法通过实例检测、创建专用的人-物体令牌并利用交互形式进行细化，结合基于SAM的解码器预测接触，提升了准确性和效率。
DemaFormer: 带能量建模的阻尼指数移动平均变换器用于时序语言定位
机构 * National University of Singapore（国立新加坡大学） ； Nanyang Technological University（南洋理工大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出DemaFormer，通过阻尼指数移动平均机制改进时序语言定位任务中的注意力机制，有效分离目标视频片段与其余片段。
Comments Accepted at EMNLP 2023 (Findings). Code is available at https://github.com/nguyentthong/demaformer
基于列表式上下文模型的梯度提升决策树在多模态评论有用性预测中的应用
机构 * National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Carnegie Mellon University（卡内基梅隆大学） ； DAMO Academy（达摩院）
AI总结 本文提出列表式注意力网络和梯度提升决策树，用于多模态评论有用性预测，以提升模型泛化能力与排名准确性。
Comments Published in ACL 2023 (Findings). Code is available at https://github.com/nguyentthong/gbdt_listwise_mrhp
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈