高校专区
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
IPO-Mine：用于长多模态IPO文档的章节结构化分析的工具包和数据集
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Sai University（赛大学） ； Duke University（杜克大学）
AI总结 本文提出IPO-Mine工具包和数据集，通过标准化解析IPO文件为章节结构化文本和图像，构建大规模多模态数据集，并建立图表评估任务，揭示多模态模型在长文档分析中的对齐挑战。
Comments 12 pages
强化学习的最优数据获取：大偏差视角
机构 * School of Management, Fudan University（复旦大学管理学院） ； H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院H. Milton Stewart工业与系统工程学院）
AI总结 针对强化学习中数据获取效率问题，提出基于大偏差理论的统一框架，通过策略选择错误概率的指数衰减率作为效率指标，推导变分特征并设计自适应数据获取策略，证明其近鲁棒最优性。
解聚能走多远？面向高效 MoE LLM 服务的 Attention-FFN 解聚设计空间探索
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Intel（英特尔） ； Google（谷歌） ； Google DeepMind（谷歌DeepMind） ； Infravana
AI总结 本文系统探索了从分块预填充、预填充-解码解聚到算子级 Attention-FFN 解聚 (AFD) 的不同解聚层次在 MoE 模型推理中的收益与局限，通过融合设备内核测量与高保真网络仿真的框架，在严格 TTFT/TPOT SLO 下 AFD 可在 DeepSeek-V3.2 上维持约 4k tokens/s 的系统吞吐量，并给出了联合优化吞吐与交互性的具体设计原则。
通过结构化运动描述实现无编码器的人体运动理解
机构 * Aalto University（阿alto大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出结构化运动描述（SMD），将关节位置序列转换为结构化自然语言描述，使大语言模型无需专用编码器即可直接进行运动推理，在运动问答和字幕生成任务上超越现有方法。
相关并不保证：引用RAG的证据力度校准
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Dartmouth College（达特茅斯学院） ； Cornell University（康奈尔大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Glasgow（格拉斯哥大学）
AI总结 针对引用RAG中证据力度不足的问题，提出FORCEBENCH基准测试，通过对比证据校准声明与力度增强变体，评估模型在五个操作轴上的单调性，发现标准支持提示不足以校准证据力度。
探索性经验塑造预测表征的几何结构
机构 * School of Mathematics Georgia Institute of Technology（数学系佐治亚理工学院） ； College of Computing Georgia Institute of Technology（计算学院佐治亚理工学院）
AI总结 通过构建树状迷宫中的在线学习智能体，研究探索与利用行为策略如何影响基于预测编码的内部表征几何结构，发现探索行为促进更具空间组织性的表征，且与小鼠实验数据一致。
ReSAE: 用于多层Transformer干预的残差化稀疏自编码器
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 针对多层稀疏自编码器（SAE）在Transformer中因层间耦合导致的冗余和交互问题，提出残差化稀疏自编码器（ReSAE），通过拟合层间仿射映射并训练SAE于残差上，减少解码器冗余并提升多层替换下的交叉熵恢复。
遗传算法与梯度下降在针对小医学数据集低数据量场景的神经网络架构训练中的比较
机构 * Center for Medical Physics and Biomedical Engineering, Medical University of Vienna（医学物理与生物医学工程中心，维也纳医科大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 针对DEBI-NN架构，比较遗传算法与梯度下降在分类任务中的性能，发现遗传算法在决策边界和分类准确率上显著优于梯度下降。
基于记忆 vs. 仅上下文条件化在有状态个性化中产生不同的行为模式
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 通过比较上下文条件化和基于记忆的条件化在教师面向教育推荐系统中的行为，发现上下文推荐对当前问题响应更强，而基于记忆的推荐表现出历史依赖行为，包括相同输入下的学习者特异性分化。
Comments Accepted to ITS 2026
利用LLM引导的模型补丁实现大规模重新优化的大众化
机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（赫尔曼·米利特·斯图尔特工业与系统工程学院，佐治亚理工学院） ； Department of Operations and Decision Systems, Université Laval（运营与决策系统系，拉瓦尔大学）
AI总结 提出一个基于大语言模型的代理重新优化框架，通过自然语言交互和优化工具箱，使非专家用户能够动态更新和重新优化部署的优化模型，并在两个大规模实际案例中验证了其有效性和可扩展性。
带宽预算下的联邦语言模型：蒸馏率与共形覆盖
机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H. Milton Stewart工业与系统工程学院，佐治亚理工学院）
AI总结 本文研究带宽受限节点间分布式语言模型的统计保证，提出联邦探针-对数蒸馏（FPLD）和联邦共形RAG（FC-RAG）两种协议，分别给出训练时的KL一致性率和推理时的无分布边际覆盖界，首次将带宽作为一阶统计参数。
信任区域持续学习作为隐式元学习器
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出信任区域持续学习，通过结合生成重放和Fisher度量信任区域约束，实现隐式元学习效果，在任务增量扩散图像生成和持续扩散策略控制中取得最佳性能。
Comments 21 pages, 21 tables
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