高校专区
VISOR++：基于通用视觉输入的大型视觉语言模型转向
机构 * HiddenLayer, USA（HiddenLayer美国分校） ； Georgia Institute of Technology, USA（佐治亚理工学院）
AI总结 研究视觉语言模型行为控制，针对现有方法局限，提出VISOR++，通过优化视觉输入实现行为控制，无需运行时访问模型内部，在多模型上验证有效性且能保持无关任务性能。
VISOR：视觉语言模型中用于输出重定向的基于视觉输入的转向
机构 * Georgia Institute of Technology（佐治亚理工学院） ； HiddenLayer, Inc（HiddenLayer公司）
AI总结 研究提出VISOR方法，通过优化视觉输入实现对视觉语言模型行为的精细控制，在关键对齐任务中验证其有效性，且具有低开销等优势，但也揭示了视觉通道安全漏洞。
Transformer嵌入空间中认知状态的几何组织
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究通过线性与浅层非线性探针评估句子嵌入是否能解码人类可解释的认知属性，发现嵌入空间存在显著的几何结构。
稀疏POD模态选择与神经网络流形降维
机构 * School of Aerospace Engineering, Georgia Institute of Technology（航空航天工程学院，佐治亚理工学院） ； Computational Science Center, National Laboratory of the Rockies（岩石高原国家实验室计算科学中心）
AI总结 提出SparseModesNet框架，通过LassoNet实现线性POD模态的稀疏选择与非线性神经网络解码，在平流主导和混沌流中降低重构误差51-78%。
高效非凸采样的几何结构
机构 * Georgia Institute of Technology, College of Computing（佐治亚理工学院计算学院） ； Yale University, Department of Computer Science（耶鲁大学计算机科学系）
AI总结 提出一种在等周性和自然体积增长条件下从任意紧致体均匀采样的高效算法，统一了凸体和星形体的已知结果。
Comments Presented at the 39th Annual Conference on Learning Theory (COLT) 2026
基于关节角度运动图像与令牌-补丁后期交互的细粒度运动检索
机构 * Aalto University（阿尔托大学） ； Fudan University（复旦大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出一种可解释的关节角度运动表示，结合预训练视觉Transformer和令牌级后期交互机制，实现文本与3D运动之间的细粒度对齐，在HumanML3D和KIT-ML上超越现有方法。
EgoCogNav: 认知感知的人类自我中心导航
机构 * Cornell University（康奈尔大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出EgoCogNav多模态自我中心导航框架，联合预测路径不确定性、轨迹和头部运动，并引入CEN数据集，实验表明其能学习与人类扫描、犹豫等行为相关的感知不确定性。
Comments 15 pages, 4 figures
不确定性感知的踝关节外骨骼控制
机构 * Department of Mechanical Engineering, Northeastern University（东北大学机械工程系） ； College of Engineering, Northeastern University（东北大学工程学院） ； Khoury College of Computer Sciences, Northeastern University（东北大学计算机科学学院） ； Department of Electrical & Computer Engineering, Khoury College of Computer Sciences, and the Institute for Experiential Robotics, Northeastern University（计算机科学学院电子与计算机工程系及体验机器人研究所，东北大学） ； Woodruff School of Mechanical Engineering and the Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（沃德夫机械工程学院及机器人与智能机器研究所，佐治亚理工学院） ； Department of Mechanical Engineering, the Department of Physical Therapy, Movement, and Rehabilitation Science, and the Institute for Experiential Robotics, Northeastern University（机械工程系、物理治疗、运动与康复科学系及体验机器人研究所，东北大学）
AI总结 提出一种不确定性感知控制框架，通过不确定性估计器自动识别不熟悉动作并关闭辅助，使踝关节外骨骼能在多种场景下安全运行，在线测试F1分数达89.2。
多保真度增强高斯过程输入用于稀缺数据代理建模
机构 * School of Aerospace Engineering, Georgia Institute of Technology, Atlanta, GA（航空航天工程学院，佐治亚理工学院，亚特兰大，GA） ； School of Computational Science & Engineering, Georgia Institute of Technology, Atlanta, GA（计算科学与工程学院，佐治亚理工学院，亚特兰大，GA） ； Air Force Research Lab, Wright-Patterson AFB, Dayton, Ohio（空军研究实验室，威格伍德-帕特森空军基地，代顿，俄亥俄）
AI总结 提出一种多保真度训练方法，利用低保真数据定义额外特征增强输入空间，结合协同克里金和自回归估计器优势，在稀缺数据下提高预测精度并降低计算成本。
超越拓扑：用于运动策略学习的形态对称图表示
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Syracuse University（雪城大学） ； California Institute of Technology（加州理工学院）
AI总结 提出形态对称图表示MS-PPO，通过对称等变图网络实现策略和价值约束，在四足和人形机器人任务中提升泛化、鲁棒性和样本效率。
Comments Project page: https://msppo.github.io/
神经控制ODE中的认证鲁棒不变多面体训练
机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology（电子与计算机工程学院，佐治亚理工学院）
AI总结 提出框架训练具有认证鲁棒前向不变多面体的神经网络控制器，通过参数化提升系统并利用区间分析和神经网络验证器构造嵌入系统，基于符号约束实现可扩展训练。
傅里叶多分量与多层神经网络：解锁高频潜力
机构 * Department of Applied Mathematics（应用数学系） ； Hong Kong Polytechnic University（香港理工大学） ； Department of Mathematics（数学系） ； Duke University（杜克大学） ； Department of Mathematics and Statistics（数学与统计学系） ； Auburn University（阿伯茨伦大学） ； School of Mathematics（数学学院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出傅里叶多分量与多层神经网络（FMMNN），结合正弦型激活函数与多分量多层结构，通过低秩架构实现指数级函数逼近能力，优化景观优于标准全连接网络，并设计缩放随机初始化方法加速训练，在高频函数逼近任务中取得高精度与良好收敛性。
Comments Our code and implementation details are available at https://github.com/ShijunZhangMath/FMMNN
感知智能作为可训练的元材料属性
机构 * Daniel Guggenheim School of Aerospace Engineering, Georgia Institute of Technology（德鲁·福金斯航空航天工程学院，佐治亚理工学院） ； Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（计算机科学与人工智能实验室，麻省理工学院）
AI总结 本文提出将感知智能作为可训练的元材料属性，通过可微仿真优化元材料几何结构，使神经网络能够训练其身体进行感知，从而显著提升感知精度或减少电子传感器数量。
XConv: 卷积层的低内存随机反向传播
机构 * University of Central Florida（中央佛罗里达大学） ； Rice University（里士满大学） ； DevitoCodes Ltd（DevitoCodes有限公司） ； 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XConv方法，通过存储激活的压缩投影并利用多通道随机迹估计近似梯度，在不增加计算、不约束架构、不大量修改代码的情况下，大幅降低卷积层反向传播的内存需求。
稀疏网络发现的渐进容量增长
机构 * Georgia Institute of Technology（佐治亚理工学院） ； The Cyprus Institute（塞浦路斯研究所）
AI总结 提出渐进容量增长（GCG）框架，通过路径增长规则在训练中逐步分配网络容量，无需预训练或预设稀疏度，以较低成本发现接近稠密性能的稀疏网络。
Comments Accepted at ICANN 2026
局部流匹配生成模型
机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（哈里·米尔顿·斯图尔特工业与系统工程学院，佐治亚理工学院） ； Department of Mathematics, Duke University（杜克大学数学系）
AI总结 提出局部流匹配（LFM）方法，通过逐步学习一系列流匹配子模型，每个子模型匹配扩散过程的一个时间步，实现更高效训练，并基于χ²散度提供理论生成保证，在表格、图像和机器人策略生成中表现竞争性。
超越相似性：时间序列分析中的时序操作注意力
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出时序操作注意力（TOA），通过引入可学习的操作符增强注意力机制，以更有效地处理时间序列数据中的符号和振荡变换，提升时间序列预测、异常检测和分类任务的性能。
分布偏移下决策的生成模型
机构 * Department of Mathematics, Duke University（杜克大学数学系） ； 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 本文提出基于流和分数生成模型的统一框架，通过传输映射、速度场等工具处理分布偏移下的决策问题，实现鲁棒性、条件分布生成及不确定性量化。
Comments INFORMS TutORials in Operations Research, 2026
ReLU激活函数如何影响高维神经网络回归中梯度下降的隐式偏差？
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文通过原始-对偶分析，研究了高维随机数据下浅层ReLU模型平方损失梯度下降的隐式偏差，证明其以高概率近似最小ℓ2范数解，差距为Θ(√(n/||λ||₁))。
Comments 66 pages
Bench-Push：基于推动的移动机器人导航与操作任务基准测试
机构 * Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机器研究所，佐治亚理工学院） ； Department of Electrical and Computer Engineering, University of Waterloo（电气与计算机工程系，滑铁卢大学） ； Department of Mechanical Engineering, University of Alberta（机械工程系，阿尔伯塔大学）
AI总结 提出首个统一的推动式移动机器人导航与操作基准Bench-Push，包含多种模拟环境、新评估指标和基线实现，用于解决可移动障碍物环境中的机器人推动任务评估问题。
Comments Published in CRV 2026
网格通常在压缩密集信号方面优于隐式神经表示
机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究发现，对于密集信号任务，带插值的正则化网格在训练速度和重建质量上优于同等参数量的隐式神经表示，而INR仅在拟合二值信号（如形状轮廓）时表现更优。
Comments Our analysis are available at https://github.com/voilalab/INR-benchmark
平均场薛定谔桥的广义Sinkhorn算法
机构 * Department of Aerospace Engineering, Iowa State University（爱荷华州立大学航空航天工程系） ； School of Aerospace Engineering, Georgia Institute of Technology（佐治亚理工学院航空航天工程学院）
AI总结 针对平均场薛定谔桥问题，提出广义Hopf-Cole变换并设计Sinkhorn型递归算法求解积分-偏微分方程组，在弱假设下证明收敛性，数值实验验证有效性。
Position: 模块化记忆是持续学习智能体的关键
机构 * University of Bremen（不莱梅大学） ； Seoul National University（首尔国立大学） ； Computer Vision Center Barcelona（巴塞罗那计算机视觉中心） ； University of Florence（佛罗伦萨大学） ； Microsoft Research（微软研究院） ； HEC Montreal, Mila--Quebec AI Institute, Canada CIFAR AI Chair（蒙特利尔HEC学院、魁北克人工智能研究所、加拿大CIFAR人工智能 chair） ； Bielefeld University（比勒海姆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Rochester（罗切斯特大学） ； University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） ； Nankai University（南开大学） ； LUISS University（卢西亚诺大学） ； Stony Brook University（石溪大学） ； University of Tübingen（图宾根大学） ； University of Trento, FBK（特伦托大学，FBK） ； Tsinghua University（清华大学） ； University of Groningen（Groningen大学）
AI总结 本文提出通过模块化记忆结合权重内学习与上下文学习，解决持续学习中的灾难性遗忘问题，实现大规模持续适应。
Comments ICML 2026 Position Track Spotlight. This work stems from discussions held at the Dagstuhl seminar on Continual Learning in the Era of Foundation Models (October 2025)
先澄清再绘制：面向鲁棒文本到CAD生成的主动式智能体
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出主动式智能体框架ProCAD，通过澄清代理在代码生成前解决用户提示中的歧义，再通过CAD编码代理生成可执行程序，显著提升鲁棒性，平均Chamfer距离降低79.9%。
Comments ICML 2026
Cordyceps: 通过数据投毒对LLM的隐蔽控制攻击
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Cisco Systems（思科系统）
AI总结 提出一种数据投毒方法，通过语义关联教LLM隐藏任意恶意指令，实现隐蔽控制攻击，绕过多种防御。
Comments USENIX Security '26
SkillsBench: 基准测试智能体技能在不同任务中的有效性
机构 * BenchFlow ； OSU ； Amazon ； UC Berkeley ； UC Santa Cruz ； UC Davis ； Dartmouth ； RLWRLD ； Independent ； Princeton University ； Oxford University ； Stanford University ； USC ； CMU ； Foxconn ； Zenity ； UNSW ； UT Austin ； MSU ； Duke University ； ByteDance ； UT Dallas ； UC San Diego ； Columbia University ； University of Rochester ； Cornell Tech ； Georgia Tech ； Cornell University ； NEU ； UCLA ； Snap Inc. ； Fanshawe College ； University of Science and Technology of China ； HKUST(GZ) ； Anyscale
AI总结 提出SkillsBench基准，包含8领域87个任务，通过配对评估证明技能提升平均通过率16.6个百分点，小模型配备技能可匹敌大模型。
EffGen: 使小型语言模型成为能干的自主智能体
机构 * Department of Computer Science, Virginia Tech, Blacksburg, VA, USA（弗吉尼亚理工大学计算机科学系） ； Georgia Institute of Technology, Atlanta, GA, USA（佐治亚理工学院） ； Google DeepMind, USA（谷歌DeepMind）
AI总结 EffGen是一个针对小型语言模型优化的开源智能体框架，通过提示压缩、任务分解、复杂度路由和统一记忆系统，实现高效、安全的本地部署，在13个基准测试中优于LangChain等框架。
Comments Accepted to ICML 2026 Conference
DAL：一种面向分段平稳赌博机的实用无先验黑盒框架
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出检测增强学习（DAL）框架，无需非平稳性先验知识，将任意最优静态赌博机算法与变化检测器结合，在多种非平稳场景下超越现有方法。
Comments 28 pages, 12 figures
提升的Schrödinger桥用于高斯混合端点：投影间隙与路径空间障碍
机构 * Daniel Guggenheim School of Aerospace, Georgia Institute of Technology（丹尼尔·加金吉姆航空航天学院，佐治亚理工学院）
AI总结 针对高斯混合端点分布下的随机密度控制问题，提出一种提升路径空间构造，将问题分解为高斯分量间的显式Schrödinger桥与有限维熵耦合，并分析投影后的标签信息间隙及路径空间障碍。
Comments 35 pages. Submitted to a journal; comments are welcome
基于独立成分的故事理解过程中大脑活动的编码模型
机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电子与计算机工程学院） ； School of Psychological and Brain Sciences, Georgia Institute of Technology（佐治亚理工学院心理学与脑科学学院） ； Department of Linguistics, Stanford University（斯坦福大学语言学系）
AI总结 提出基于独立成分的编码框架，从fMRI数据中分离刺激驱动和噪声信号，利用语言模型预测独立成分时间序列，识别出与听觉和语言相关的认知网络，验证了成分的可解释性和跨个体一致性。
Comments Accepted to CCN 2026 (Proceedings Track)
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