高校专区
DynaFLIP: 通过三模态动力学引导表示重新思考机器人感知
机构 * Seoul National University（首尔国立大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出DynaFLIP，一种动力学感知的多模态预训练框架，通过图像-语言-3D流三元组训练图像编码器，利用单纯形体积最小化与余弦正则化和对比目标对齐三模态，提升机器人操作中的运动理解与泛化能力。
Comments Project website: https://dynaflip-robotics.github.io
基于各向异性可见性场的不确定性驱动的3D高斯溅射主动建图
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出GAVIS框架，通过各向异性可见性场量化3DGS的不确定性，并基于最大信息增益实现主动建图，在精度和效率上显著优于现有方法。
Comments Accepted to CVPR 2026. Project page https://gatech-rl2.github.io/GAVIS/
何时、为何以及如何扩散后验采样器失败？一个有限样本视角
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文从有限样本视角分析扩散后验采样器中似然近似误差导致后验分布偏差的原因，发现中间时间步的后验扩散估计不准确会导致模式加权错误和幻觉，并提出一种与近似类型无关的诊断方法。
Comments All code for experiments is available at: https://github.com/voilalab/diagnosing-posterior-sampling
主动型智能体真的需要LLM来决定何时唤醒和锚定什么吗？
机构 * Purdue University（普渡大学） ； Microsoft（微软） ； Michigan State University（密歇根州立大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出用时间图学习（TGL）模型替代LLM作为主动智能体的触发器，通过图更新而非文本处理用户活动，实现高效、低延迟的触发决策。
Comments 31 pages, 5 figures, 7 tables
LaRA: 面向RL后训练中数据污染的逐层表示分析
机构 * Yonsei University（延世大学） ； Seoul National University（首尔国立大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出LaRA框架，通过逐层表示分析检测强化学习后训练中的污染数据，利用扰动敏感性、方向坍缩和局部表示刚性三个指标，优于现有输出级方法。
Comments Work in Progress
图基础模型何时迁移？一个以数据为中心的理论
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Arizona State University（亚利桑那州立大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文通过图论连续极限方法，将跨域输出偏移分解为有限样本近似项和结构不匹配的内在域差异，并验证了位置编码稳定性对迁移的影响。
Comments 21 pages, including appendix. Accepted at ICML 2026
异构带宽预算下的联邦探针-逻辑蒸馏匹配率与最优分配
机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology, Atlanta, GA 30332, U.S.A（H. Milton Stewart工业与系统工程学院，佐治亚理工学院，亚特兰大，GA 30332，美国）
AI总结 针对联邦探针-逻辑蒸馏（FPLD）中带宽项速率紧性及异构节点带宽分配问题，提出匹配下界、多轮改进方案及闭合形式最优分配规则。
ORACLE-SWE：量化Oracle信息信号对SWE代理的贡献
机构 * Microsoft（微软公司） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出Oracle-SWE方法，通过隔离和提取SWE基准测试中的Oracle信息信号，量化每种信号对代理性能的贡献，并评估强语言模型提取的信号对基础代理的性能提升。
Comments Under peer review; 37 pages, 10 figures, 5 tables
视觉虫洞：异构多智能体系统中的潜在空间通信
机构 * Purdue University（普渡大学） ； Contextual AI（情境人工智能） ； Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出Vision Wormhole框架，通过通用视觉编解码器将推理轨迹映射到共享连续空间，实现异构VLM间的潜在状态传输，无需配对翻译器，降低对齐复杂度并提升效率。
Comments Preprint. Work in progress
重新思考多模态时间序列预测的后训练方法
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Google Research（谷歌研究）
AI总结 提出PostTime后训练方法，结合监督微调和基于可验证奖励的强化学习，利用大语言模型根据多模态上下文修正数值时间序列基础模型的预测，显著提升多模态时间序列预测性能。
KLAS：利用相似性拼接神经网络以改进精度-效率权衡
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Microsoft M365 Research（微软M365研究） ； Cisco Research（思科研究） ； Georgia Tech Research Institute（佐治亚理工研究机构）
AI总结 提出KLAS框架，通过KL散度度量中间表示相似性自动选择最佳拼接配置，在相同微调成本下提升拼接模型的精度-效率曲线。
使用AI在教师与学生之间进行结果无关的反馈中介来发现孤立学习者
机构 * Georgia Institute Of Technology（佐治亚理工学院）
AI总结 提出一种无需成绩的可解释决策层，通过整合学生困难普遍性、自我报告与观察困难的不一致以及教师未解决关注点三个信号，对课程主题进行优先级排序，以帮助教师及时做出教学决策。
Comments Accepted to HAI-Agency Workshop on Orchestrating Human and AI Agency for Proactive and Reflective Learning
RUBRIC-ARROW：面向不可验证领域的大语言模型后训练的交替逐点评分规则奖励建模
机构 * University at Albany（阿尔巴尼大学） ； Rutgers University（罗格斯大学） ； Purdue University（普渡大学） ； Independent Researcher（独立研究员） ； Emory University（埃默里大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 针对非可验证领域绝对评分困难的问题，提出交替框架RUBRIC-ARROW，联合训练规则生成器和条件裁判，通过概率评分规则和交替GRPO减少平局，提升奖励建模准确率并改善下游策略后训练。
面向LLM群体的任意有效联邦共形RAG
机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H.米尔顿·斯图尔特工业与系统工程学院，佐治亚理工学院）
AI总结 提出Anytime-FC-RAG，通过可累积的逐步校准偏差预算和截断投注e过程，将联邦共形RAG扩展到任意停止时间均有效的序贯覆盖，并保证时间均匀报警有效性、Hoeffding拼接累积误覆盖包络及自适应控制下的安全性。
AI增强教育中的从业者信念与行为：DOT框架调查证据
机构 * Curtin University（Curtin 大学） ； Georgia Tech Research Institute（佐治亚理工研究学院） ； Georgia Institute of Technology（佐治亚理工学院） ； University of North Texas（北卡罗来纳州立大学）
AI总结 基于DOT框架，通过横截面调查（n=72）探究高等教育从业者对AI整合的信念、行为及制度条件，发现从业者支持AI教学辅助但强调人类监督，且设计导向实践与理论存在差距。
用于宇宙学21厘米光锥模拟的三维条件扩散模型
机构 * Center for Relativistic Astrophysics, School of Physics, Georgia Institute of Technology, Atlanta, GA 30332, USA（相对论天体物理中心，物理学院，佐治亚理工学院，亚特兰大，GA 30332，USA）
AI总结 针对三维21厘米光锥模拟的困难，通过对比预处理、动态范围压缩、架构深度和训练时长等配置，发现Yeo-Johnson预处理结合中等幅度压缩在全局信号的标准化平均绝对误差上表现最优，但视觉上合理的样本仍存在统计偏差。
可微符号回归中的架构诱导的可恢复性偏差
机构 * College of Computing, Georgia Institute of Technology（佐治亚理工学院计算机学院） ； College of Lifetime Learning, Georgia Institute of Technology（佐治亚理工学院终身学习学院）
AI总结 本文研究可微符号回归中，变量路由架构对表达式可恢复性的影响，发现不同架构导致恢复率从0/64到64/64变化，并提出基于验证的架构选择方法将恢复率从34.4%提升至50.1%。
Comments 6 pages, 4 figures, 3 tables; submitted to IEEE MLSP 2026
对偶四元数 SE(3) 同步及其恢复保证
机构 * Department of Systems Engineering and Engineering Management, The Chinese University of Hong Kong, Shatin, NT, Hong Kong（系统工程与工程管理系，香港中文大学（深圳）） ； H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology, Atlanta, GA, USA（H. Milton Stewart工业与系统工程学院，佐治亚理工学院）
AI总结 采用对偶四元数表示，通过谱初始化和对偶四元数广义幂法实现 SE(3) 同步，并给出误差界和线性收敛保证。
Comments ICML 2026
基于动态层次稀疏注意力的内存受限大语言模型长上下文建模
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Google（谷歌）
AI总结 提出动态层次稀疏注意力（DHSA），通过在线预测注意力稀疏性并保持LLM骨干冻结，在内存受限下实现高效长上下文推理，精度接近密集注意力且速度提升显著。
Comments ICML26 (Spotlight)
分布逆强化学习
机构 * School of Computational Science and Engineering, Georgia Institute of Technology, Atlanta, USA（计算科学与工程学院，佐治亚理工学院，美国亚特兰大） ； George W. Woodruff School of Mechanical Engineering, Georgia Institute of Technology, Atlanta, USA（乔治·W·伍德鲁夫机械工程学院，佐治亚理工学院，美国亚特兰大）
AI总结 提出一种离线逆强化学习的分布框架，通过最小化一阶随机占优违反并整合扭曲风险度量，联合建模奖励函数的不确定性和回报的完整分布，实现奖励分布和分布感知策略的恢复。
Comments ICML 2026 Oral
大语言模型的越狱与漏洞缓解
机构 * Hunan University Changsha, PRC ； Georgia Institute of Technology Atlanta, USA ； Kyoto University Kyoto, Japan ； Purdue University West Lafayette, USA ； National Taiwan Normal University Taipei, ROC ； University of Liverpool Suzhou, PRC ； Hong Kong University of Science ； University of Hawaii Honolulu, USA ； The University of Texas at Dallas Dallas, USA ； University of Wisconsin-Madison Madison, USA ； Emory University Atlanta, USA ； College of William \& Mary Williamsburg, USA
AI总结 本文综述了大语言模型在提示注入和越狱攻击下的漏洞，分类攻击方法并评估防御策略，指出研究空白与未来方向。
Journal ref Eureka 1(1) (2026) 26-61
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