高校专区
推理是否保持对齐？关于大型推理模型的可信度研究
机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） ； University of Central Florida（中佛罗里达大学） ； University of Maryland College Park（马里兰大学帕克分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 研究通过监督微调、强化学习和蒸馏生成的推理模型在安全、偏见、隐私等六个可信度维度上是否保持对齐，发现推理模型常出现对齐退化，如毒性增加、刻板印象加剧等。
大语言模型中的道德敏感性：通过行为剖析和机制可解释性对上下文偏见进行分层评估
机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； Purdue University（普渡大学） ； Meta ； Apple（苹果公司） ； Wright State University（怀特州立大学） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
AI总结 提出道德敏感性指数（MSI）量化大语言模型在七级压力测试中的偏见概率，并通过行为剖析和机制验证揭示模型偏见随情境变化的U型曲线，发现推理蒸馏会重新激活浅层统计关联。
V-REX: 通过问题链进行探索性视觉推理的基准测试
机构 * University of Maryland, College Park（马里兰大学学院市分校） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 提出V-REX基准，通过问题链将多步探索推理分解为规划和遵循能力，评估视觉语言模型在复杂开放任务中的表现。
Comments 28 pages
基于上下文学习的民意数据插补方法
机构 * LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Mannheim（曼海姆大学） ； Institute for Employment Research (IAB)（就业研究所（IAB）） ； University of Maryland, College Park（马里兰大学帕克分校）
AI总结 提出通过上下文学习（ICL）插补调查缺失数据，在150个意见变量上评估，相比MICE PMM方法，在所有缺失机制下绝对误差更低，尤其非随机缺失时优势显著。
ChinaHeritaQA：面向中国世界遗产地的文化基础视觉问答数据集
机构 * LMU Munich（慕尼黑大学） ； FAU Erlangen-Nuremberg（埃尔朗根-纽伦堡大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Tübingen & Tübingen AI Center（图宾根大学与图宾根人工智能中心） ； Sun Yat-sen University（中山大学） ； University of Copenhagen（哥本哈根大学） ； University of Maryland, College Park（马里兰大学帕克分校）
AI总结 提出ChinaHeritaQA多模态基准数据集，包含2279张图像和14133个双语多项选择题，覆盖七个认知维度，评估视觉语言模型在中国世界遗产上的文化推理能力。
基于锚点条件的景观图像生成组合控制
机构 * Rutgers University–New Brunswick（罗格斯大学新布朗斯维克分校） ； University of Maryland–College Park（马里兰大学帕克分校） ； University of Technology Sydney（悉尼科技大学）
AI总结 提出锚点条件微调框架，通过解耦交叉注意力机制注入四维组合锚点向量，实现景观图像生成中的组合控制，在水平线检测和三分法对齐上取得最优性能。
Comments Accepted to the International Conference on Computational Creativity, ICCC 2026
论点坍缩：LLMs 扁平化长篇公共辩论
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 研究大型语言模型在生成公共辩论文本时导致论点坍缩的现象，即不同模型生成的论文在主要论点、子论点和段落结构上趋于收敛，通过对比人类与LLM生成文本发现LLM的论点多样性显著降低。
多模态生成式引擎优化：针对视觉-语言模型排序器的排名操纵
机构 * Georgetown University（乔治城大学） ； University of Southern California（南加州大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Arizona State University（亚利桑那州立大学）
AI总结 提出多模态生成式引擎优化（MGEO）方法，通过联合优化图像扰动和文本后缀，利用视觉-语言模型内部跨模态知识耦合，实现对产品排名的有效操纵，揭示了多模态基础模型知识基础的脆弱性。
Comments Proceedings of the 4th Workshop on Towards Knowledgeable Foundation Models (KnowFM) at ACL 2026
联邦大语言模型：当前进展与未来方向
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Duke University（杜克大学） ； University of California San Diego（加州大学圣地亚哥分校） ； The University of New South Wales（新南威尔士大学） ； Adobe Research（Adobe研究） ； University of Maryland College Park（马里兰大学学院公园分校） ； CSIRO’s Data61（澳大利亚联邦科学与工业研究组织Data61）
AI总结 本文综述联邦学习与大语言模型结合（FedLLM）的最新进展，重点分析联邦微调和联邦提示学习如何应对效率、个性化和安全挑战，并展望联邦预训练和联邦智能体等方向。
Comments Accepted by PAKDD 2026
IDDMBSE：集成数据驱动和基于模型的系统工程用于可信自主网络物理系统
机构 * Institute for Systems Research, University of Maryland, College Park（系统研究所，马里兰大学，College Park）
AI总结 提出IDDMBSE方法，将MBSE V流程与数据驱动循环结合，通过开源工具链PERFECT、TRADES-X和VERITAS实现，在自主地面机器人全生命周期验证其有效性。
Comments 9 pages, 11 figures. This work has been submitted to the IEEE for possible publication
FIGMA：迈向细粒度音乐检索
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 针对现有音乐检索模型无法处理细粒度属性查询的问题，提出多视角对比架构FIGMA，通过联合优化全局音频-文本对齐和帧级标记对齐，在统一表示空间中捕获高层语义和细粒度音乐属性，并在新构建的细粒度音乐描述数据集上取得显著提升。
Comments Accepted to ACL 2026. Project Website: https://nishitanand.github.io/figma-website/
关于循环多项式代理三元逻辑门网络的稳定性与可实现性
机构 * University of Maryland, College Park, USA（马里兰大学学院公园分校）
AI总结 提出R-DTLGN架构，通过连续多项式代理训练并硬化为离散三元逻辑电路，结合数值单调和信息单调门，实现STL监控中的稳定递归和原则性弃权，并由STL公式确定网络规模。
Comments 9 pages, 3 figures. This work has been submitted to the IEEE for possible publication
教会奖励模型自我修正：奖励引导的对抗性失败发现以实现鲁棒奖励建模
机构 * University of Maryland College Park（马里兰大学College Park分校） ； Capital One
AI总结 提出REFORM框架，通过奖励引导的受控解码自动发现奖励模型失败模式，并利用生成的对抗样本自我改进，提升鲁棒性而不牺牲奖励质量。
Journal ref ACL 2026 Main Conference [Oral]
不是什么别的吗？利用大语言模型对德国开放式调查回答进行编码：调查动机
机构 * Social Data Science & AI Lab, LMU Munich（社会科学与人工智能实验室，慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Maryland, College Park（马里兰大学学院公园分校） ； GESIS – Leibniz Institute for the Social Sciences（莱比锡社会科学研究机构）
AI总结 本文探讨了使用大语言模型对开放式调查回答进行编码的有效性，通过德国调查参与原因的数据，比较了不同LLM和提示方法的性能，发现仅微调的LLM能获得满意预测效果，且分类性能差异影响类别分布。
Comments to appear in Survey Research Methods
Journal ref Survey Research Methods (2025)
重复博弈中与自适应对手的遗憾最小化
机构 * Massachusetts Institute of Technology（麻省理工学院） ； OpenAI ； University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 针对重复博弈中自适应对手的遗憾最小化问题，提出重复策略遗憾（RP-Regret）指标，并设计三种算法实现次线性遗憾，同时证明所有玩家最小化该遗憾可学习子博弈完美均衡。
ChannelTok: 高效灵活长度视觉分词
机构 * University of Maryland, College Park（马里兰大学College Park分校）
AI总结 提出一种基于通道的轻量级灵活长度分词器，通过随机尾部丢弃训练实现语义重要性排序，在保持高质量的同时大幅提升解码速度和模型效率。
3D视觉食谱：数据、学习范式与应用
机构 * Brown University（布朗大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； New York University（纽约大学） ； The University of Sydney（悉尼大学） ； Stability AI
AI总结 本文提出一种以数据为中心的3D视觉分类法，通过分析点云、网格、体素和3D高斯等几何表示及其获取流程，以及数据集设计、基准构建和监督机制，统一了表示、学习范式与下游任务（重建、生成、视频建模）之间的关系。
Comments Accepted to the CVPR 2026 OpenSUN3D Workshop. Official version available at CVF Open Access. https://openaccess.thecvf.com/content/CVPR2026W/OpenSUN3D/html/Du_A_Cookbook_of_3D_Vision_Data_Learning_Paradigms_and_Application_CVPRW_2026_paper.html
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026
在不损失对齐的情况下恢复多样性：面向后训练大语言模型的DPO配方
机构 * University of Maryland, College Park（马里兰大学 College Park 分校）
AI总结 提出REDIPO数据构建流程，通过离线DPO从基础模型生成中恢复多样性答案，同时保持指令模型的对齐性能。
Comments Under Review. 26 pages, 3 figures, 16 tables
大语言模型中的几何感知幻觉检测
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 提出GA-ICL框架，利用冻结LLM的潜在表示建模局部流形和类别原型几何，选择上下文示例以检测幻觉，在FEVER和HaluEval基准上优于基线方法。
KITE: 基于核方法和信息论的上下文学习示例选择
机构 * IIT Bombay（印度比哈尔理工学院） ； UMD College Park（马里兰大学 College Park 分校） ； IIT Kanpur（印度坎普尔理工学院） ； Adobe Research（Adobe 研究）
AI总结 针对上下文学习中的示例选择问题，提出一种基于信息论和核方法的贪心算法，通过最小化查询特定预测误差并引入多样性正则化，显著提升分类性能。
用预测方法稳定对抗网络
机构 * University of Maryland, College Park（马里兰大学 College Park 分校）
AI总结 本文提出一种改进的随机梯度下降方法，通过稳定对抗网络的训练过程，使其更可靠地收敛到鞍点，提高训练稳定性与效率。
Comments Accepted at ICLR 2018
自适应共识ADMM用于分布式优化
机构 * University of Maryland, College Park（马里兰大学 College Park分校） ； United States Naval Academy, Annapolis（美国海军学院 安纳波利斯分校） ； Hong Kong Baptist University, Hong Kong（香港 Baptist大学）
AI总结 本文提出自适应共识ADMM方法，通过为每个节点定制参数提升分布式优化性能，并证明其O(1/k)收敛速率。
Comments ICML 2017
小规模RL控制器，大语言模型：基于RL引导的自适应采样用于测试时扩展
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Maryland College Park（马里兰大学学院市分校） ； Washington University in St. Louis（圣路易斯华盛顿大学）
AI总结 提出将自适应采样建模为马尔可夫决策过程，使用强化学习训练轻量级控制器，在答案正确性、延迟和计算成本之间取得平衡。
基于研究者指定协变量的条件假设生成用于LLM文本分析
机构 * University of Maryland, College Park（马里兰大学 College Park 分校）
AI总结 提出条件假设生成框架，通过纳入研究者指定的协变量来引导LLM发现相关子组内而非全局的差异模式，并采用特征-协变量交互和分层内去均值与逆频率重加权两种方法解决子组不平衡和符号反转问题。
UniVerse：一种用于无分割、解耦多概念个性化的统一调制框架
机构 * University of Maryland, College Park（马里兰大学College Park分校） ； Qualcomm Technologies, Inc.（高通技术公司）
AI总结 提出UniVerse框架，通过扩散变换器中的统一调制实现无分割的多概念解耦与个性化，显著提升定位精度和视觉保真度。
线性差分麦克风阵列的可微优化：联合几何与滤波器设计框架
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 提出一种可微优化框架，通过联合优化麦克风位置和滤波器权重，实现线性差分麦克风阵列的最优波束模式，在保证无失真约束的同时兼顾指向性、鲁棒性和硬件效率。
Comments 5 pages, 4 figures, 2 tables
加权风险不变性：不变特征偏移下的领域泛化
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； New York University（纽约大学） ； Center for Data Science（数据科学中心）
AI总结 针对不变协变量偏移下现有不变学习方法性能不佳的问题，提出加权风险不变性（WRI）框架，通过环境间损失的不变性并加权训练样本，在理论上保证学习到不变模型，并在实验中优于先前方法。
Journal ref TMLR 2024
不要让少数网络故障拖慢整个 AllReduce
机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； Utrecht University（乌特雷赫大学） ； Kyoto University（京都大学）
AI总结 针对网络故障导致 AllReduce 性能下降的问题，提出基于信息论下界的 OptCC 算法，通过四阶段流水线设计在带宽损失高达 50% 时仍接近无故障性能。
自动红细胞检测与追踪用于红细胞介导血管造影中的视网膜血流定量
机构 * Department of Bioengineering, University of Maryland, College Park, MD 20742, USA（生物工程系，马里兰大学，学院公园，MD 20742，美国） ； Department of Ophthalmology and Visual Sciences, University of Maryland School of Medicine, Baltimore, MD 21201, USA（眼科学与视觉科学系，马里兰大学医学院，巴尔的摩，MD 21201，美国） ； Department of Electrical and Computer Engineering, University of Maryland, College Park, MD 20742, USA（电气与计算机工程系，马里兰大学，学院公园，MD 20742，美国）
AI总结 提出EMTrack框架，通过流上下文模块和拓扑感知追踪策略实现红细胞自动检测与追踪，用于视网膜血流定量，并在新数据集RBF-EMA上优于基线方法。
基于边缘感知交互风险建模的阿尔茨海默病患者药物感知金融剥削检测
机构 * Cognitive Links LLC ； University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 提出一种药物感知框架，通过同步药物依从性与交易监控，利用交互感知逻辑模型提升对认知风险金融事件的检测，尤其在药物脆弱窗口期召回率从0.7442提升至0.9070。
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