高校专区
先浅后深：一种由深度诱导的sharpness-aware minimization的隐式偏见
机构 * Graduate School of AI, KAIST（韩国成均馆大学人工智能研究生院） ； Mobilint, Inc.（Mobilint公司）
AI总结 该研究探讨了在训练线性可分二分类问题时，sharpness-aware minimization (SAM) 的隐式偏见，发现对于深度L=2的情况，SAM的行为与深度L=1时不同，展示了sequential feature amplification现象。
Comments Accepted to ICLR 2026, 84 pages, 35 figures
SGSoft: 通过模板引导的软信号学习融合语义-几何特征以实现3D形状对应
机构 * KAIST AI（韩国科学技术院人工智能研究所） ； Anigma Technologies（Anigma科技公司）
AI总结 本文提出SGSoft方法，通过模板引导的软信号学习融合语义-几何特征，实现3D形状对应，解决了结构变化、非等距变形和拓扑不一致的挑战，实现了最先进的跨类别泛化和最佳精度-效率权衡。
MentalBench: 一个用于评估大语言模型 psychiatric 诊断能力的 DSM 基础基准
机构 * KAIST（韩国科学技术院） ； Sungkyunkwan University（成均馆大学） ； Dongguk University Medical Center（东国大学医学院） ； Seoultech（首尔技术大学） ； Samsung Medical Center（三星医疗中心）
AI总结 本文提出 MentalBench，一个用于评估大语言模型在不同临床模糊程度下能否做出 DSM 基础的 psychiatric 诊断决策的基准。该基准基于 psychiatrist 构建并验证的知识图谱，生成了 24,750 个合成临床案例，以系统地变化信息完整性和诊断复杂性，从而实现 DSM 基础的评估。实验表明，尽管最先进的 LLM 在噪声自由查询上表现良好，但它们在区分具有重叠症状的诊断时难以校准其信心。
监督稀疏自编码器用于可解释和组合性表示
机构 * Department of Computer Science, University of Oxford, Oxford, UK（牛津大学计算机科学系） ； KAIST AI, Korean Advanced Institute of Science（韩国科学技术高级研究院AI研究所） ； Independent researcher（独立研究者）
AI总结 本文提出了一种监督稀疏自编码器，通过结合无约束特征模型和监督学习，解决稀疏自编码器在非光滑性及特征与人类语义对齐方面的不足，实现了组合性泛化和语义图像编辑。
上下文队列强化学习中的队列遗憾界
机构 * Department of Industrial & Systems Engineering, KAIST（韩国科学技术院工业与系统工程系） ； Department of Mathematical Sciences, Seoul National University（首尔国立大学数学科学系） ； Research Institute of Mathematics, Seoul National University（首尔国立大学数学研究所） ； Korea Institute for Advanced Study（韩国高级研究院） ； Interdisciplinary Program in Artificial Intelligence, Seoul National University（首尔国立大学人工智能跨学科项目）
AI总结 本文提出了一种新的上下文感知调度框架，即上下文队列强化学习，用于在同时学习未知服务速率的过程中进行调度。通过考虑异质的上下文特征，智能体选择任务并将其匹配到服务器以最大化离开速率。服务/离开速率由具有未知服务器特定参数的逻辑模型决定。为了评估策略的性能，我们考虑队列长度遗憾，定义为策略与最优策略之间队列长度的差异。主要挑战在于，在给定时间步长下，队列中剩余任务特征列表可能因策略与最优策略的不同而不同，因为它们可能以不同的顺序处理任务。为此，我们提出了带有复杂耦合论证的策略切换队列的概念。这导致了一种新的队列长度遗憾分解框架，使我们能够理解选择次优任务-服务器对的短期影响及其对队列状态差异的长期影响。我们证明了我们的算法CQB-ε达到了O(T^{-1/4})的遗憾上界。我们还考虑了对抗性选择的上下文设置，其中我们的第二个算法CQB-Opt达到了O(log²T)的遗憾上界。最后，我们提供了实验结果以验证我们的理论发现。
面向个性化联邦智能的基础模型综述
机构 * School of Computing, Kyung Hee University（韩国庆熙大学计算机学院） ； Noakhali Science and Technology University（诺阿克利科学与技术大学） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
AI总结 本文综述了基础模型在个性化联邦智能中的应用，探讨了联邦学习与基础模型的结合，提出了一种新的个性化联邦智能范式，旨在为实现人工智能个性化提供基础支持。
Comments Accepted ACM Computing Survey
基于图像点跟踪的运动线索用于LiDAR场景流估计
机构 * Korea University（韩国大学） ； Purdue University（普渡大学） ； KAIST（韩国科学技术院） ； Hyundai Motor Company（现代汽车公司）
AI总结 本文提出TrackCue框架，通过图像点跟踪获取密集轨迹以改进LiDAR场景流估计中的动态物体表示，通过视觉一致的运动补偿策略和视觉运动线索提升来实现更准确的静态-动态分类和更可靠的场景流学习。
3DPhysVideo: 通过3D场景重建和物理模拟的一致性引导流SDE用于视频生成
机构 * KAIST（韩国科学技术院）
AI总结 本文提出了一种无需训练的管道，通过3D场景重建和物理模拟生成逼真视频，利用一致性引导流SDE分解预测速度以确保条件输入的一致性，从而在多物体和流体交互场景中实现从单张图像到物理合理视频的过渡。
Comments Project page: https://hwidong-kim.github.io/projects/3DPhysVideo
面向流形的引导集成梯度用于可靠特征归因
机构 * Kim Jaechul Graduate School of AI, Korea Advanced Institute of Science and Technology (KAIST)（金 Jaechul人工智能研究生院，韩国科学技术院（KAIST））
AI总结 本文提出面向流形的引导集成梯度（MA-GIG），通过在预训练变分自编码器的潜在空间中构建归因路径，减少非流形区域噪声，提升特征归因的可靠性。
Comments 32 pages, 13 figures, 12 tables. Accepted to ICML 2026; includes appendix
MeshReGen: 一种统一的3D几何再生框架
机构 * KAIST Meta Reality Labs（韩国科学技术院元宇宙实验室）
AI总结 MeshReGen通过基于VecSet的条件机制，实现从2D图像和初始3D形状再生3D对象，支持增强、重建和编辑等任务，无需额外标注即可在多个任务中实现可控的3D生成。
Comments Project page: https://geonyeong-park.github.io/meshregen/ 32 pages, 18 figures, 6 tables. Includes Appendix
SuReNav：基于超像素图的约束放松用于过约束环境中的导航
机构 * School of Computing, Korea Advanced Institute of Science and Technology, Korea（韩国科学技术院计算机学院）
AI总结 本文提出SuReNav方法，通过超像素图构建区域约束，利用图神经网络实现安全高效导航，适用于半静态环境中过约束规划问题，提升导航的人类类比性能。
Comments Accepted by ICRA 2026. Code and videos are available at https://sure-nav.github.io/
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