高校专区
MC$^2$Mark：无失真多比特水印用于长消息
机构 * Department of Computer Science, University of Maryland, College Park, MD（计算机科学系，马里兰大学，学院 park, MD）
AI总结 MC$^2$Mark通过多通道着色重加权和多层顺序重加权技术，实现无失真多比特水印嵌入，提升长消息的可检测性和鲁棒性，同时保持生成质量。
R-Zero：从零数据自演化推理大语言模型
机构 * Tencent AI Seattle Lab（腾讯AI西雅图实验室） ； Washington University in St. Louis（华盛顿大学圣路易斯分校） ； University of Maryland, College Park（马里兰大学科廷分校） ； The University of Texas at Dallas（德克萨斯大学达拉斯分校）
AI总结 R-Zero通过自动生成训练数据，实现无需人工干预的自演化推理大语言模型，显著提升推理能力。
单目神经触觉场重建
机构 * Department of Computer Science, University of Maryland, College Park, USA（计算机科学系，马里兰大学，学院 park，美国）
AI总结 本文提出了一种基于单目RGB图像的神经触觉场重建方法，通过交互感知的3D表示提升机器人路径规划能力，实验显示其在3D重建任务中表现优于现有方法。
Comments 10 pages, 8 figures
更快，更慢：更弱的单层水印提升无失真水印集合
机构 * University of Maryland, College Park（马里兰大学 College Park 分校）
AI总结 本研究提出利用弱单层水印提升多层水印集合的鲁棒性，通过保留熵以减少信号衰减，从而增强水印检测效果。
通过布勒-蒙特罗分解加速核范数正则化的低秩矩阵优化
机构 * Institute of Statistical Mathematics（统计数学研究所） ； Department of Mathematics University of Maryland at College Park（大学数学系） ； Institute of Operations Research and Analytics National University of Singapore（运营研究与分析国家大学研究所） ； Department of Mathematics and Institute of Operations Research and Analytics National University of Singapore（大学数学系和运营研究与分析国家大学研究所）
AI总结 BM-Global通过布勒-蒙特罗分解加速核范数正则化的低秩矩阵优化，实现快速收敛和高效参数调优。
Comments Removed a wrong claim in Theorem 5
Journal ref Journal of Machine Learning Research 2024
具有通用参数化的S-和非矩形鲁棒MDP的可证明高效算法
机构 * University of Maryland, College Park（马里兰大学 College Park 分校）
AI总结 本文提出了一种针对鲁棒MDPs的高效算法，通过转换问题形式并引入多级蒙特卡洛梯度估计器，实现了在s-矩形和非矩形不确定性下的样本复杂性保证，显著提升了折扣和平均奖励设置下的性能。
Comments 30 pages
推理模型中的安全恢复仅需几步早期引导步骤
机构 * University of Maryland, College Park（马里兰大学哥伦比亚学院） ； IIT, Bombay（孟买印度理工学院） ； University of Central Florida（佛罗里达中央大学）
AI总结 SafeThink通过在推理早期干预减少攻击成功率，提升推理模型的安全性
平行探针：通过二维探测实现高效的并行思维
机构 * University of Maryland, College, Park（马里兰大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 Parallel-Probe通过二维探测技术优化并行思维，实现高效推理，减少令牌消耗并保持准确性。
Comments 14 pages
看见目标，却错过真相：人类对AI偏见的责任
机构 * University of Maryland（马里兰大学） ； Robert H. Smith School of Business, University of Maryland, College Park（马里兰大学罗伯特·H·史密斯商学院） ； Emory University（埃默里大学） ； Lancaster University（兰卡斯特大学）
AI总结 本研究发现，人类设定的目标会影响LLM的行为，导致生成有偏见的指标，但这种偏见并非算法问题，而是源于人类在设计中确保AI测量的统计有效性
Comments 17 pages, 3 figures, 5 tables
文本到图像合成的综合条件化
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 本文提出基于场景图的零样本条件化机制，通过轻量级语言模型生成视觉条件，提升文本到图像合成的语义一致性和生成多样性。
旋转灯光用于一致且高效的2D高斯逆渲染
机构 * University of Maryland, College Park（马里兰大学College Park分校）
AI总结 RotLight通过旋转物体减少逆渲染中的模糊性，结合代理网格提升全局光照处理，实现更准确的albedo估计。
Comments Project Page: https://rotlight-ir.github.io/
MomaGraph: 体感任务规划中的状态感知统一场景图
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of Toronto（多伦多大学）
AI总结 MomaGraph通过统一场景图与强化学习模型，实现家庭环境中体感任务规划的高效任务规划与场景理解。
Comments 25 pages, 10 figures. Project page:https://hybridrobotics.github.io/MomaGraph/
单链假设下具有通用参数化的无限时间平均奖励约束MDP的遗憾分析
机构 * University of Maryland College Park（马里兰大学学院市分校） ； Purdue University West Lafayette（普渡大学西拉法叶分校）
AI总结 本文提出了一种基于对偶的自然策略-批评算法，解决了单链假设下具有通用参数化的无限时间平均奖励约束MDP的遗憾问题，实现了有限时间遗憾和约束违反的最优界。
MAFE：在多智能体多阶段决策系统中实现公平算法设计
机构 * University of Maryland, College Park, MD 20742（马里兰大学College Park分校） ； J.P. Morgan AI Research, New York, NY, 10017（摩根大通人工智能研究）
AI总结 MAFE通过模拟多智能体多阶段决策系统，促进公平算法设计，揭示公平性、性能与协调之间的权衡。
在悬崖边转向还是偏离？重新思考推断时间干预中的特异性和鲁棒性
机构 * University of Maryland College Park（马里兰大学学院市）
AI总结 本文提出模型转向中特异性和鲁棒性的评估框架，揭示转向方法在提升效率的同时可能牺牲安全性。
Comments EACL 2026 Main, Long Paper
EgoAVU：第一人称音频视觉理解
机构 * Meta ； University of Maryland, College Park（马里兰大学College Park分校）
AI总结 EgoAVU通过生成第一人称音频视觉叙述和问题，提升多模态大语言模型在第一人称视频理解中的性能。
通过离线模拟与LLM实现软件脚本自动化中的技能发现
机构 * University of Maryland, College Park（马里兰大学College Park分校） ； Adobe Research（Adobe研究院）
AI总结 本文提出了一种利用离线模拟与LLM构建软件特定技能集的方法，通过生成和验证脚本提升自动化效率，减少运行时成本。
Comments Findings of the Association for Computational Linguistics: EACL 2026
变换器模型合成数据的Data Kernel视角空间性能保证
机构 * Department of Mathematics at the University of Maryland, College Park（马里兰大学College Park数学系） ； Human Language Technology Center of Excellence, Johns Hopkins University（约翰霍普金斯大学人机语言技术中心） ； Center for Imaging Science (CIS), the Institute for Computational Medicine (ICM), and the Mathematical Institute for Data Science (MINDS), Johns Hopkins University（约翰霍普金斯大学影像科学中心（CIS）、计算医学研究所（ICM）和数据科学数学研究所（MINDS）） ； Department of Applied Mathematics and Statistics (AMS), the Center for Imaging Science (CIS), and the Mathematical Institute for Data Science (MINDS), Johns Hopkins University（约翰霍普金斯大学应用数学与统计学系（AMS）、影像科学中心（CIS）和数据科学数学研究所（MINDS））
AI总结 本文提出Data Kernel Perspective Space（DKPS）方法，通过数学分析为变换器模型的合成数据质量提供统计保证，旨在提升下游任务如神经机器翻译模型的性能。
Mil-SCORE：大型语言模型中长上下文地理空间推理与规划的基准测试
机构 * University of Maryland, College Park MD, USA（马里兰大学） ； ERA Lab, University of South Florida, Tampa FL, USA（佛罗里达大学埃拉实验室） ； DEVCOM Army Research Laboratory, Aberdeen Proving Ground MD, USA（国防部陆军研究实验室） ； EEHPC Lab, Johns Hopkins University, Baltimore MD, USA（约翰霍普金斯大学EEHPC实验室）
AI总结 Mil-SCORE是首个针对复杂军事规划情景的多跳问题数据集，旨在评估大型语言模型在长上下文地理空间推理与规划中的能力。
在不确定性下主动非对称多智能体多模态学习
机构 * University of Maryland, College Park（马里兰大学 College Park分校）
AI总结 在不确定性下主动非对称多智能体多模态学习通过模态层面协作提升事故检测性能
OverThink: 对推理大语言模型的减速攻击
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Simon Fraser University（西蒙弗雷泽大学） ； University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 OverThink攻击通过注入伪装推理问题，迫使推理大语言模型消耗更多token，从而增加延迟和成本，同时探讨了其防御和影响。
KGLAMP：基于知识图谱的自适应多机器人规划与再规划语言模型
机构 * Honda Research Institute, USA（本田研究院） ； University of Maryland, College Park（马里兰大学）
AI总结 KGLAMP通过知识图谱引导LLM实现异构多机器人系统的自适应规划与再规划，提升动态环境下的规划效率和准确性。
在LLM预训练中“Grokking”？无需测试即可监控记忆到泛化的过程
机构 * Department of Computer Science, University of Maryland, College Park（计算机科学系，马里兰大学，学院公园）
AI总结 本文研究了LLM预训练中“Grokking”现象，通过分析训练数据路径的动态变化，提出两种新度量标准以监控模型泛化能力，无需额外成本。
Comments Accepted at ICLR 2026
位置：3D高斯散射水印应基于场景驱动和威胁模型明确
机构 * University of Maryland, College Park, MD, United States（马里兰大学学院公园分校）
AI总结 本文主张3D资产水印技术应基于场景驱动和威胁模型明确，以提升知识产权保护效果。
用于分析大语言模型训练动态的可扩展损失景观曲率度量
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； University of Maryland, College Park（马里兰大学哥伦比亚分校）
AI总结 本文提出了一种可扩展的损失景观曲率度量，用于分析大语言模型的训练动态，展示了大规模下的尖锐度现象，并指导数据混合策略。
Comments Improved Appendix D proofs, text for clarity, added more related works
跨语音模式的脑-语音模型机制可解释性
机构 * Department of Computer Science, University of Maryland, College Park, United States（计算机科学系，马里兰大学，College Park，美国） ； Department of Electrical and Computer Engineering, University of Maryland, College Park, United States（电气与计算机工程系，马里兰大学，College Park，美国）
AI总结 本研究通过机制可解释性方法揭示了脑-语音解码模型中语音模态信息的组织与利用机制，发现语音模态位于共享的连续因果流形上，跨模态转移由紧凑的层特定子空间介导。
FedMOA: 基于异质奖励的联邦GRPO用于个性化推理大语言模型
机构 * University of Maryland, College Park（马里兰大学 College Park 分校） ； Cisco Research（思科研究）
AI总结 FedMOA是一种联邦GRPO框架，用于在异质奖励下实现个性化推理大语言模型的多目标对齐，通过自适应加权机制和任务感知聚合策略提升性能和个性化效果。
构建不可微调的基础模型
机构 * University of Maryland, College Park（马里兰大学 College Park 分校） ； Macau University of Science and Technology（澳门科学技术大学） ； The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出PMP框架，通过构建不可微调的基础模型，限制未经授权微调的适应性提升，从而提高模型的安全性和稳定性。
FESTA：用于多模态大语言模型信任评估的功能等效采样
机构 * Indian Institute of Science（印度科学研究院） ； University of Maryland College Park（马里兰大学学院公园分校）
AI总结 FESTA通过功能等效采样技术提升多模态大语言模型的预测选择性性能，实现33.3%和29.6%的改进。
Comments Accepted in the Findings of EMNLP, 2025
Journal ref EMNLP 2025
利用数据说不：基于记忆的插拔式选择预测
机构 * University of Maryland, College Park（马里兰大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Qualcomm AI（高通人工智能） ； Yale University（耶鲁大学） ； Meta AI
AI总结 本文提出基于记忆的插拔式选择预测方法，通过增强视觉语言嵌入来减少方差并改进分数校准，提升图像描述、匹配和细粒度分类性能。
Comments ICLR 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