高校专区
模拟人类视听搜索行为
机构 * Aalto University Helsinki Finland ； Carnegie Mellon University Pittsburgh PA USA ； Aalto University \& ELLIS Institute Helsinki Finland ； Yonsei University Seoul Republic of Korea ； Aalto University ； Carnegie Mellon University ； Aalto University \& ELLIS Institute ； Yonsei University
AI总结 Sensonaut模型通过资源理性决策模拟人类视听搜索行为，优化搜索效率与认知负荷。
Comments 17 pages, 10 figures, CHI 2026
分层实体导向强化学习与分因子子目标扩散
机构 * Brown University（布朗大学） ； UT Austin（得克萨斯大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Technion（技术学院）
AI总结 本文提出分层实体导向强化学习方法，通过分因子子目标生成模型提升多实体领域中长周期任务的性能。
Comments ICLR 2026
QuantLRM：通过微调信号对大推理模型进行量化
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Carnegie Mellon University Africa（卡内基梅隆大学非洲分校）
AI总结 QuantLRM通过微调信号对大推理模型进行量化，通过拟合二次函数保护两端，提升量化效果。
用于机器人控制的流匹配策略梯度
机构 * Amazon FAR（亚马逊Far） ； UC Berkeley（加州大学伯克利分校） ； Stanford（斯坦福大学） ； HKU（香港大学） ； CMU（卡内基梅隆大学）
AI总结 本文提出了一种基于流匹配的策略梯度方法，用于训练更复杂的机器人控制策略，实现了在四肢运动、人形运动跟踪和操作任务中的成功，并展示了在仿真到现实迁移中的鲁棒性。
Comments Project webpage: https://hongsukchoi.github.io/fpo-control
用于机器人运动规划的安全稳定神经网络动力学系统
机构 * Indian Institute of Technology Kharagpur（印度理工学院科拉格浦分校） ； Munich Institute of Robotics and Machine Intelligence, Technical University of Munich（慕尼黑机器人与智能机械研究所，慕尼黑技术大学） ； University of Brasilia（巴西大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Mechanical Engineering Program at New York University Abu Dhabi（纽约大学阿布扎克分校机械工程项目） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
AI总结 本文提出S$^2$-NNDS框架，通过神经网络学习复杂机器人运动，结合Lyapunov稳定性及屏障安全证书，提供概率保证，有效提升运动规划的安全性和稳定性。
Comments Accepted for publication in IEEE Robotics and Automation Letters (RA-L)
中期训练连接预训练和后训练分布
机构 * Language Technologies Institute, Carnegie Mellon University, USA（语言技术研究所，卡内基梅隆大学，美国）
AI总结 中期训练通过提供更好的初始化提升模型性能，尤其在与通用预训练数据距离较远的领域表现突出，且起始时间和混合权重的相互作用影响其效果。
CAARMA: 基于对抗混合正则化的类别增强
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 CAARMA通过在嵌入空间中生成合成类别并采用对抗性细化机制，提升说话人验证和零样本语音分析任务的性能。
Comments Accepted to EMNLP 2025 Findings
基于在线社会福利函数的资源分配
机构 * Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； Societal Systems Department, Carnegie Mellon University（卡内基梅隆大学社会系统系）
AI总结 本文提出基于社会福利函数的在线学习算法SWF-UCB，通过单调性性质实现最优福利界推断，适用于多种SWF家族，实现近最优的后悔界并支持推断应用。
通过LLM合成程序性编辑：SPELL
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Carnegie Mellon University USA（卡内基梅隆大学（美国）） ； INESC-ID / IST - Universidade de Lisboa（INESC-ID / IST - 莱里斯本大学）
AI总结 SPELL通过LLM提取迁移示例并泛化为可重用的转换脚本，实现自动化API迁移。
Comments pre-print
HumanStudy-Bench: 向参与者模拟的AI代理设计迈进
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Independent Researcher（独立研究者）
AI总结 HUMANSTUDY-BENCH通过代理设计问题重建人类受试者实验，评估代理行为与人类行为的一致性，涵盖个体认知、战略互动和社会心理学领域。
GPCR-Filter: 一种用于高效且精确发现GPCR调节剂的深度学习框架
机构 * The State Key Laboratory of Drug Research, Shanghai Institute of Materia Medica, Chinese Academy of Sciences, Shanghai, China（中国科学院上海药物研究所国家药物研究重点实验室） ； School of Computer Science, Carnegie Mellon University, Pittsburgh, PA 15213, USA（卡内基梅隆大学计算机科学学院） ； College of Computer Science and Electronic Engineering, Hunan University, Changsha, Hunan（湖南大学计算机科学与电子工程学院） ； Lingang Laboratory, Shanghai, China（上海灵冈实验室） ； Research Center for Medicinal Structural Biology, National Research Center for Translational Medicine at Shanghai, State Key Laboratory of Medical Genomics, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China（上海 translational 医学研究中心，国家医学基因组学重点实验室，瑞金医院，上海交通大学医学院，上海，中国） ； School of Pharmacy, Fudan University, Shanghai 201203, China（复旦大学药学院）
AI总结 GPCR-Filter通过深度学习框架高效精准发现GPCR调节剂，结合蛋白质语言模型和图神经网络，实现对受体-配体功能关系的学习，提升药物开发效率。
DistMLIP：一种用于机器学习互原子势的分布式推断平台
机构 * Carnegie Mellon University（卡内基梅隆大学） ； UC Berkeley（加州大学伯克利分校） ； LBNL（劳伦斯伯克利国家实验室）
AI总结 DistMLIP是一种基于图级并行化的分布式推断平台，可提升机器学习互原子势的模拟效率和规模。
Comments ICLR 2026
对CPU-GPU耦合架构上大语言模型推理工作负载进行表征与优化
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Samsung Semiconductor, Inc.（三星半导体公司）
AI总结 本文研究了CPU-GPU耦合架构上大语言模型推理工作负载的性能特性，揭示了GH200在大批次时的性能优势及CPU瓶颈，并提出通过内核融合优化低批次延迟的方法。
Comments Accepted for ISPASS 2025
智能推理提示：AI信息在复杂决策中的作用框架与案例研究
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Pomona College（普莫纳学院） ； University of Pittsburgh（匹兹堡大学）
AI总结 本文提出智能推理提示框架，通过临床决策案例研究，探讨AI信息在复杂决策中的作用及设计优化策略。
Comments Accepted at CHI 2026
Mirage2Matter: 从视频构建一个物理基础的高斯世界模型
机构 * MBZUAI ； AI$^2$Robotics（AI²Robotics） ； The University of Sydney（悉尼大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Melbourne（墨尔本大学）
AI总结 Mirage2Matter通过视频重建物理基础的世界模型，利用3D高斯点云和生成模型实现高保真具身训练数据生成，提升具身智能的可扩展性和实用性。
工程仿真中几何准备和网格生成的AI方法综述
机构 * Sandia National Laboratories（桑迪亚国家实验室） ； Old Dominion University（旧 Dominion 大学） ； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室） ； New York University / Stony Brook University（纽约大学 / 斯通布鲁克大学） ； CEA（法国原子能委员会） ； Dalian University of Technology（大连理工大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文综述了AI在工程仿真中用于几何准备和网格生成的方法，涵盖分类分割、质量预测、去特征化及自动化生成技术，强调AI与传统算法的互补作用。
Comments 47 pages, 0 figure, accepted by the International Meshing Roundtable conference 2026
统一代理交互与世界信息以实现多代理协调
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sungkyunkwan University（松云大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出交互-世界潜在空间框架，通过建模通信协议实现多代理协调，提升团队协作效率与鲁棒性。
Comments 2025 NeurIPS ARLET Workshop Oral presentation (https://arlet-workshop.github.io/neurips2025/schedule)
FLARE：快速低秩注意力路由引擎
机构 * Department of Mechanical Engineering, Carnegie Mellon University, Pittsburgh, Pennsylvania, USA（机械工程系，卡内基梅隆大学，匹兹堡，宾夕法尼亚州，美国）
AI总结 FLARE通过低秩注意力路由实现高效Transformer扩展，适用于长序列处理，提升PDE替代和长程任务性能。
超越抽象合规：将人工智能中的信任视为一种道德关系
机构 * Boehringer Ingelheim Pharma GmbH \& Co. KG Birkendorfer Str. 65 Biberach an der Riss Germany 88400 ； Carnegie Mellon University Pittsburgh, PA USA ； Rhodes University Makhanda South Africa ； International University of Management Namibia ； Charles Darwin University Australia ； Boehringer Ingelheim Pharma GmbH \& Co. KG ； Carnegie Mellon University ； Rhodes University ； International University of Management ； Charles Darwin University
AI总结 本文提出基于非洲关系伦理的信任原则，通过医疗和教育案例，探讨如何将AI信任视为动态关系，促进公平和情境敏感的AI系统。
无监督合成图像属性识别：对齐与解耦
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Sydney（悉尼大学）
AI总结 本文提出无监督合成图像属性识别方法，通过对比自监督学习和信息最大化损失实现概念对齐与解耦，优于监督方法。
从分布式强化学习教师中持续政策蒸馏
机构 * Department of XXX, University of YYY, Location, Country ； School of ZZZ, Institute of WWW, Location, Country ； Zhejiang University, Zhejiang, China ； South University of Science ； Hong Kong University, Hong Kong, China ； INFIFORCE Intelligent Technology Co., Ltd., Hangzhou, China ； The Hong Kong Polytechnic University, Hong Kong, China ； School of Computer Science, Carnegie Mellon University
AI总结 本文提出一种教师-学生框架，通过分布式强化学习训练单任务模型并持续蒸馏到通用模型，实现高效的持续强化学习。
Comments 19 pages (8 pages main text)
联邦路由器：利用稀疏和去中心化的评估学习语言模型路由器
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出首个联邦框架，通过稀疏和去中心化评估学习语言模型路由器，提升查询路由的准确性和成本效率。
Sylber 2.0：一种通用的音节嵌入
机构 * University of California, Berkeley, CA, USA（加州大学伯克利分校） ； Carnegie Mellon University, PA, USA（卡内基梅隆大学）
AI总结 Sylber 2.0通过自监督框架实现低频音节嵌入，支持多语言和风格，提升语音建模效率与质量。
联合学习深度、姿态和局部辐射场以实现大规模单目3D重建
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
AI总结 本文提出联合学习深度、姿态和局部辐射场的方法，实现大规模单目3D重建，有效降低轨迹误差，提升重建精度和视角合成质量。
Comments 8 pages, 2 figures, 2 tables
TALES: 关于LLM生成故事中文化表征的分类与分析
机构 * Indian Institute of Science（印度科学研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； Cornell University（康奈尔大学） ； Google DeepMind（谷歌DeepMind）
AI总结 TALES通过分类和分析LLM生成故事中的文化误表征，揭示了印度不同文化身份的表征问题，并构建了评估模型文化知识的问题库。
Comments Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI '26), April 13--17, 2026, Barcelona, Spain
重燃过期更新：面向异步联邦学习的数据无关知识蒸馏
机构 * Carnegie Mellon University（卡内基梅隆大学） ； NVIDIA（NVIDIA公司） ； Northwestern University（西北大学）
AI总结 FedRevive通过数据无关知识蒸馏缓解异步联邦学习中的过期更新问题，提升训练效率和模型准确率。
TOM-SWE：软件工程代理的用户心理建模
机构 * Language Technology Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所）
AI总结 TOM-SWE通过双代理架构实现用户心理建模，提升软件工程代理的任务成功率和用户满意度。
合成苏格拉底辩论：考察人格对道德决策与说服动态的影响
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Duke University（杜克大学）
AI总结 本文通过模拟AI-AI辩论研究人格对道德决策和说服效果的影响，发现政治意识形态和性格特质对辩论结果影响最大，且随着辩论进行，论证趋于温和。
VScan：重新思考视觉标记减少以提高高效的大视觉-语言模型
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Tencent AI Lab（腾讯AI实验室）
AI总结 VScan通过两阶段视觉标记减少框架提升大视觉-语言模型的推理效率，实现2.91倍预填充加速和10倍FLOPs减少，性能损失仅0.6%
Comments Accepted at TMLR 2026. Project page: https://zhangce01.github.io/VScan/
基于策略驱动的世界模型适应的鲁棒性离线模型驱动强化学习
机构 * The University of Hong Kong, Hong Kong SAR（香港大学） ； INFIFORCE Intelligent Technology Co., Ltd., Hangzhou, China（INFIFORCE智能技术有限公司） ； Tsinghua University, Beijing, China（清华大学） ； Carnegie Mellon University, Pittsburgh, PA 15213, USA（卡内基梅隆大学）
AI总结 本文提出了一种基于策略驱动的世界模型适应框架，通过最大化最小优化问题和Stackelberg学习动态提升离线模型驱动强化学习的鲁棒性。
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