高校专区
利用强化学习训练大语言模型以解释人类决策
机构 * Princeton University（普林斯顿大学） ； The University of Hong Kong（香港大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文利用强化学习训练大语言模型，使其能解释人类决策行为，实现预测与可解释性的双重目标。
克服半对偶神经最优传输中的虚假解：一种平滑方法用于学习最优传输计划
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Sungkyunkwan University（松均大学） ； University of Seoul（首尔大学） ； Korea Institute for Advanced Study（韩国高级研究院）
AI总结 OTP模型通过平滑方法克服半对偶神经OT中的虚假解问题，准确学习最优传输计划并提升图像到图像翻译性能。
Comments ICML 2025 (22 pages, 10 figures(
为何LoRA具有抗标签噪声性：一种用于噪声鲁棒性参数高效微调的理论框架
机构 * Georgia Institute of Technology, Atlanta, GA, USA（佐治亚理工学院）
AI总结 本文提出了一种理论框架，解释LoRA对标签噪声的抗性，并提出RACT方法通过秩差异实现噪声检测，实验验证了其有效性。
Comments 14 pages, 7 figures, 7 tables
听信还是不信？评估和分析音频语言模型的趋炎附势行为 with SYAUDIO
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学） ； King Abdullah University of Science and Technology（卡布斯大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 SYAUDIO是首个评估音频语言模型趋炎附势行为的基准，通过系统分析不同领域和条件下的趋炎附势现象，验证了监督微调在减少此类行为中的有效性。
基于结果不变数据增强的因果效应估计分析
机构 * Georgia Tech（佐治亚理工学院） ； TU Munich（慕尼黑工业大学） ； Helmholtz AI（海德堡人工智能研究所） ； Fortiss GmbH（Fortiss公司） ； Rational Intelligence CISPA（理性智能CISPA） ； Google DeepMind（谷歌DeepMind） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
AI总结 本文提出基于结果不变数据增强的因果效应估计方法，通过IV-like回归减少混杂偏差并提升泛化性能。
Comments Accepted at NeurIPS 2025
冻结步态检测中表型驱动的不平等证据及偏见缓解方法
机构 * Emory University（埃默里大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文研究了基于可穿戴设备的FOG检测模型中的偏见问题，发现传统方法效果有限，而迁移学习能有效提升公平性和性能。
Comments Revised manuscript for EJN Special Issue Submission
BayesFlow: 一个用于元代理辅助工作流生成的概率推断框架
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Amazon Web Services AI Lab（亚马逊网络服务人工智能实验室）
AI总结 BayesFlow通过贝叶斯推断和并行前瞻滚动实现工作流生成的原理性改进，提升准确性达9-65个百分点。
Comments EACL 2026 Finding
情感在哪里？：理解并表征大语言模型的情感潜在空间
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究揭示了大语言模型中情感的潜在空间结构，通过方向编码和跨语言一致性，展示了对情感的可控表征与可解释性。
Post-Norm 可增强注意力
机构 * HUN-REN Alfréd Rényi Institute of Mathematics, Budapest, Hungary（匈牙利REN阿弗雷德·雷尼数学研究所） ； University of Rochester, Rochester, NY, USA（罗切斯特大学） ； The University of Alabama, Tuscaloosa, AL, USA（阿拉巴马大学） ； University of Virginia, Charlottesville, VA, USA（弗吉尼亚大学） ； Georgia Institute of Technology, Atlanta, GA, USA（佐治亚理工学院） ； Brigham Young University, Provo, UT, USA（Brigham Young大学） ； Carleton College, Northfield, MN, USA（卡洛尔顿学院）
AI总结 Post-Norm通过增强注意力机制，解决Transformer在长度泛化任务中因注意力分散导致的性能下降问题。
Comments 17 pages, 7 figures, 1 table
量子乐高学习：一种用于混合人工智能的模块化设计原则
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） ； NVIDIA Research（NVIDIA研究） ； IBM Research（IBM研究） ； Hon Hai (Foxconn) Quantum Computing Research Center（鸿海（富士康）量子计算研究中心） ； Biomedical Engineering and Imaging Sciences, King's College London（生物医学工程与成像科学，伦敦国王学院） ； Computer, Electrical, and Mathematical Sciences and Engineering Division, King Abdullah University of Science and Technology（计算机、电子和数学科学与工程系，国王阿卜杜勒-阿齐兹大学）
AI总结 本研究提出量子乐高学习框架，通过模块化设计实现混合人工智能的高效学习，强调量子与经典模块的分离与可组合性，提升泛化能力和鲁棒性。
Comments In submission
一种用于具有未知组件数的混合模型的联邦广义期望最大化算法
机构 * H. Milton Stewart School of Industrial and Systems Engineering（H. Milton Stewart工业与系统工程学院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出FedGEM算法，用于在未知组件数情况下训练混合模型，通过本地EM步骤和不确定性集推断全局聚类数，实验证明其性能优于现有联邦聚类方法。
Comments 49 Pages, Accepted at ICLR 2026
ChunkWise LoRA: 适应性序列分块用于内存高效低秩适应和加速大语言模型推理
机构 * Bentley University USA（伯克利大学） ； Cornell University USA（康奈尔大学） ； University of California Berkeley USA（加州大学伯克利分校） ； George Mason University USA（乔治·马歇尔大学） ； Georgia Institute of Technology USA（佐治亚理工学院）
AI总结 ChunkWise LoRA通过动态分块和适应性配置提升LLM推理效率，实现更低延迟和内存消耗的同时保持性能。
Comments Presented at 13th IEEE International Conference on Intelligent Systems and Embedded Design
UniHash：统一点对点和配对哈希范式
机构 * South China University of Technology（南方科技大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Nanyang Technological University（南洋理工大学）
AI总结 UniHash通过统一点对点和配对哈希范式，提升图像检索在已见过和未见过类别上的性能。
少即是多：基于大语言模型的推荐代理基准测试
机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文通过基准测试挑战了“更多上下文更好”的假设，发现较短上下文能有效降低推理成本而不影响推荐质量。
超几何分层学习的最坏率
机构 * University of California, Berkeley（加州大学伯克利分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 该研究证明了双曲空间在分层学习中能实现信息论最优的样本复杂度，而欧几里得空间则面临指数级的样本复杂度问题。
用组稀疏自编码器分解多模态嵌入空间
机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Dolby Laboratories（杜比实验室）
AI总结 本文提出基于组稀疏正则化的多模态嵌入分解方法，通过跨模态随机遮蔽提升多模态对齐，减少死神经元并增强语义性。
Comments 19 pages
基于谱表示的强化学习
机构 * Georgia Tech（佐治亚理工学院） ； Harvard University（哈佛大学） ； University of Alberta（阿尔伯塔大学） ； Google（谷歌） ； DeepMind（深度Mind）
AI总结 本文提出基于谱表示的强化学习框架，通过谱分解转移算子来提升策略优化效果，并在多个任务中验证了其性能优势。
LEGO-Eval: 向通过工具增强合成3D具身环境的细粒度评估迈进
机构 * Yonsei University（延世大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 LEGO-Eval通过工具增强合成3D具身环境，提供细粒度评估框架和基准测试集，提升场景与指令对齐的准确性。
NoWag：一种用于大型语言模型形状保持压缩的统一框架
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Princeton University（普林斯顿大学）
AI总结 NoWag提出了一种统一的单次形状保持压缩框架，通过向量量化和剪枝技术有效压缩大型语言模型，展示了其在性能上的优势。
iFAN生态系统：一个统一的AI、数字孪生、网络物理安全和机器人环境，用于高级核模拟和操作
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 iFAN生态系统通过整合AI、数字孪生、网络物理安全和机器人技术，为核模拟和操作提供高保真度的虚拟测试平台，支持自主和网络容错的核操作验证。
MV-S2V：多视图主体一致视频生成
机构 * The Hong Kong Polytechnic University（香港理工大学） ； The University of Texas at Austin（德克萨斯大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出MV-S2V方法，通过多视角参考生成一致的3D主体视频，解决单视角限制并提升视频生成质量。
Comments 13 pages, 9 figures
KOCOBrain：基于库拉莫夫动力学的图网络用于揭示青少年孕期药物暴露的结构-功能耦合
机构 * Department of Computer Science, Georgia State University（计算机科学系，佐治亚州立大学） ； Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS)（转化神经影像与数据科学联合研究中心） ； Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学）
AI总结 KOCOBrain通过库拉莫夫动力学整合结构和功能连接组，提升孕期药物暴露预测并揭示脑网络协调紊乱的结构-功能模式。
Comments Preprint version of the paper accepted to the IEEE International Symposium on Biomedical Imaging (ISBI 2026). This is the author's accepted manuscript. The final published version will appear in IEEE Xplore
SCoPE VLM：面向视觉语言模型高效文档导航的 selective context processing
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Konkuk University（韩国康克伦大学）
AI总结 SCoPE VLM通过引入滚动链机制和定制强化学习方法，实现高效文档导航，提升视觉语言模型在多页文档问答中的代理阅读能力。
语言模型在算术中是符号学习者
机构 * Department of Computer Science（计算机科学系） ； Rice University（里士满大学） ； College of Computing（计算学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Duke University（杜克大学）
AI总结 本文研究语言模型在算术运算中通过学习符号捷径而非算法来掌握算术能力。
Comments TMLR 2026. Code at https://github.com/chili-lab/Symbolic-Arithmetic
一种用于水下车辆-机械臂系统安全碰撞处理的切换非线性模型预测控制策略
机构 * D. Guggenheim School of Aerospace Engineering, Georgia Institute of Technology（德·古根海姆航空航天工程学院，佐治亚理工学院） ； faculty of Electrical Engineering, Engineering Division, New York University Abu Dhabi（电气工程系，工程分校，纽约大学阿布扎克分校）
AI总结 本文提出了一种切换非线性模型预测控制策略，用于水下车辆-机械臂系统安全处理碰撞，通过机械臂推离障碍物以避免损坏。
Comments This work has been submitted to the 2026 Mediterranean Conference on Control and Automation (MED) to be considered for publication. Figures and animations are available at https://zenodo.org/records/18357280
通过扩散模型的秩1 Fisher避免灾难性遗忘
机构 * College of Computing（计算学院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出基于扩散模型的秩1 EWC 方法，通过改进 Fisher 估计减少持续学习中的灾难性遗忘，提升图像生成任务的 FID 指标。
Comments 19 pages, 14 figures
Journal ref ICLR 2026
面向小规模和稀疏结构分割的自监督学习
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出了一种面向小规模和稀疏结构分割的自监督学习方法，通过整合小窗口裁剪提升细粒度结构识别，实验证明在地震和神经成像领域均取得显著效果。
grounded concreteness: 人类-like 的 concreteness 敏感性在 vision-language 模型中
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文研究了视觉语言模型在纯文本提示下对concreteness的敏感性，并发现其在更具体的输入上表现更优，具有更清晰的表示和更符合人类规范的判断。
通过伯努利丢弃理解Transformer编码器-解码器表示
机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本研究通过伯努利丢弃方法探索Transformer编码器-解码器表示，分析稀疏性对模型性能的影响，并在翻译任务中验证了稀疏性阈值对性能的决定性作用。
OpenDecoder: 开源大型语言模型解码以纳入文档质量在RAG中
机构 * Clemson University（克莱姆森大学） ； University of Notre Dame（诺特丹大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Waseda University（早稻田大学）
AI总结 OpenDecoder通过整合文档质量评估提升RAG模型的鲁棒性，利用相关性、排序和QPP评分优化生成过程。
Comments Accepted by ACM WWW 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