高校专区
比较推理：让音频语言模型更擅长比较情感
机构 * Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） ； The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； NVIDIA（英伟达）
AI总结 提出一种推理引导的序数情感识别框架，通过配对语音输入和推理轨迹训练音频语言模型，实现可解释的比较情感判断，仅需传统方法5%的训练数据。
后验精炼：通过任意阶流映射实现快速语言生成
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出FMLM+框架，结合掩码噪声调度实现单步生成，并利用后验评分进行自适应精炼，在32倍更少NFE下达到离散基线性能，改善速度-质量权衡。
Comments 24 pages, 23 figures
高效标注的任务分解
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出将结构化标注任务分解为子任务以减少推理负担，基于中心理论建模推理负荷，并给出分配策略以在固定预算下最大化质量。
TACTFUL: 受限环境中的触觉驱动探索用于物体定位与识别
机构 * Amazon Fulfillment Technologies & Robotics（亚马逊履约技术与机器人） ； Siebel School of Computing and Data Science, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校西贝尔计算与数据科学学院） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
AI总结 提出无视觉触觉探索框架TACTFUL，使多指机器人通过动态奖励策略平衡全局探索与局部表面细化，实现物体自主发现与识别，平均重建误差0.015米，成功率77%。
Comments IROS 2026
MinInter：在模仿学习的数据增强中最小化轨迹插值
机构 * School of Automation and Intelligent Manufacturing, Southern University of Science and Technology（南方科技大学自动化与智能制造学院） ； Pengcheng Laboratory（鹏城实验室） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出MinInter方法，通过选择需要最少插值的源演示来生成高质量合成轨迹，在MimicGen基准的12个操作任务中显著提升数据生成成功率和策略成功率。
Comments Accepted by IEEE CASE 2026
面向规范学习：从偏好对进行推理时对齐
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出规范学习框架，利用少量用户指令和偏好判断生成自然语言规范，在推理时引导LLM行为，无需参数更新，在密集偏好信号领域优于DPO，且规范可解释。
智能体模型批判
机构 * Institute of Foundation Models, Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学基础模型研究所） ； School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）
AI总结 本文区分了自动化与智能体，提出真正智能体需内化目标、身份、决策、自我调节和学习等结构，并设计了GIC通用智能体架构。
神经符号驱动：基于规则忠实推理的驾驶VLA
机构 * Texas A&M University（德克萨斯农工大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Maryland（马里兰大学） ； University of California, Riverside（加利福尼亚大学河滨分校） ； University of Pittsburgh（匹兹堡大学）
AI总结 提出神经符号驱动框架，利用规则规划器的决策轨迹监督驾驶VLA，实现推理与运动生成的因果耦合，显著降低轨迹误差和碰撞率。
灾难性组合生成：为什么普通扩散模型无法外推
机构 * Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； Valence Labs ； Department of Computer Science, University of Manchester（曼彻斯特大学计算机科学系）
AI总结 本文论证普通条件扩散模型在组合生成任务中常不可行，通过理论泛化论证和实验表明，当目标分布超出源分布范围时，分数估计误差会导致灾难性性能下降。
FedSteer: 通过校正投影和缓存驯服联邦学习中的极端梯度陈旧性
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Avignon（阿维尼昂大学） ； Singapore University of Technology and Design（新加坡科技与设计大学） ； University of Washington（华盛顿大学）
AI总结 针对联邦学习中客户端参与不均导致的梯度陈旧问题，提出FedSteer方法，利用客户端梯度缓存构建子空间，通过投影和缓存策略校正陈旧梯度，显著提升训练稳定性与精度。
Comments UAI 2026
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