高校专区
动作条件化风险门控用于部分可观测下的安全关键控制
机构 * University of Virginia（弗吉尼亚大学） ； Google（谷歌） ； University of Maryland, College Park（马里兰大学 College Park 分校） ； Stanford University（斯坦福大学） ； Louisiana State University（路易斯安那州立大学） ； College of William and Mary（威廉与玛丽学院）
AI总结 本文提出一种轻量级风险门控强化学习方法，用于部分可观测环境下风险敏感控制。通过构建紧凑的有限历史代理状态并学习动作条件化的短期安全违规预测，实现风险惩罚与决策时的保守评估，提升安全关键任务的性能与效率。
重新审视模型反向评估：从误导性标准到可靠的隐私评估
机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； University of Maryland College Park（马里兰大学学院公园分校）
AI总结 本文重新审视模型反向攻击的评估框架，揭示其存在虚假正例问题，并提出基于大规模语言模型的新评估方法以提升隐私评估的可靠性。
Comments Accepted to CVPR Findings 2026
PanoPlane：基于平面感知的稀疏视角室内3D高斯散点完成
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 PanoPlane通过全景场景完成重建封闭房间几何，利用360度全景完成条件生成过程，通过Layout Anchored Attention Steering机制引导扩散模型注意力至检测到的平面表面，实现基于几何一致性的表面外推，提升稀疏视角下的新型视图合成质量。
从通用到专业表征
机构 * CMU（卡内基梅隆大学） ； UIUC（伊利诺伊大学香槟分校） ； UCSD（加州大学圣地亚哥分校） ； MBZUAI（穆斯林人工智能研究所） ； UMD（马里兰大学） ； UBC（不列颠哥伦比亚大学）
AI总结 研究在非参数设置下如何通过非监督方式识别时间步间任务结构，并利用稀疏正则化分离任务相关潜在表征，为从通用到专业模型的理论保障提供新思路。
Comments ICML 2026
大语言模型代理能否模拟动态网络？基于钓鱼合成的邮件网络案例研究
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Maryland, College Park（马里兰大学 College Park 分校） ； Rutgers University（罗格斯大学）
AI总结 本文探讨了大语言模型多代理系统在模拟动态网络中的能力，提出两种扩展方法以提升网络仿真精度，通过钓鱼合成案例验证了其在建模信息传播和网络安全威胁中的有效性。
RNA-FM：基于WSI的全基因组RNA-Seq预测的流匹配生成模型
机构 * School of Computer Science, The University of Sydney, Australia（悉尼大学计算机科学学院） ； Engineering Division, Lawrence Berkeley National Lab, USA（伯克利国家实验室工程部） ； Berkeley Biomedical Data Science Center, Lawrence Berkeley National Lab, USA（伯克利生物医学数据科学中心） ； Department of Computer Science, University of Maryland College Park, USA（马里兰大学学院市计算机科学系）
AI总结 本文提出RNA-FM模型，通过流匹配生成框架实现基于WSI的全基因组RNA-Seq预测，利用连续时间条件传输问题学习速度场，实现基因表达分布的映射，提升预测的可扩展性和生物解释性。
Comments 15 pages, 13 tables, 3 figures. Accepted by the Forty-Third International Conference on Machine Learning (ICML2026). Code is available at https://github.com/YXSong000/RNA-FM
深入探究SKILL.md：人工智能代理技能注册中的语义供应链攻击
机构 * Department of Computer Science, University of Maryland - College Park（马里兰大学计算机科学系）
AI总结 研究了SKILL.md文件在AI代理技能生命周期三个阶段中的语义供应链攻击，发现文本触发可影响技能发现、选择和治理，揭示SKILL.md的动态作用。
Comments 31 pages, 21 figures, 10 tables
LLMs改进LLMs：测试时扩展的代理发现
机构 * UMD（马里兰大学） ； UVA（弗吉尼亚大学） ； WUSTL（华盛顿大学） ； UNC（北卡罗来纳大学） ； Google（谷歌） ； Meta
AI总结 本文提出AutoTTS框架，通过环境驱动的方法自动发现测试时扩展策略，提升大语言模型性能，实验表明其在数学推理基准上的准确率与成本平衡优于人工设计基线。
Comments 25 pages
通过表示层次解析剪枝何时有效
机构 * University of Maryland, College Park, USA（美国马里兰大学学院公园分校） ； Northeastern University, USA（美国东北大学）
AI总结 本文通过分析语言模型内部计算的三个空间，揭示剪枝在非生成任务中有效而在生成任务中失效的原因，为剪枝应用提供指导。
Comments ICML 2026. 24 pages, 21 figures, and 3 tables. Includes an appendix with supplementary experiments and derivations
经过基准测试却未被测量——生成式AI应基于现实世界效用进行评估
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 本文指出生成式AI在标准基准上表现优异但缺乏现实效用，提出需从静态基准转向基于利益相关者、目标和情境的效用评估，提出SCU-GenEval框架及三项支持工具。
Comments 20 pages
语言模型的数学推理解剖：Schoenfeld的推理结构
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 本文通过Schoenfeld的事件理论，提出ThinkARM框架，解剖语言模型的推理过程，揭示推理与非推理模型在结构上的差异，并通过案例研究展示探索步骤与正确性及效率方法的影响。
Comments ACL2026, camera-ready
容量感知推理：减轻混合专家中的滞后效应
机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
AI总结 本文提出容量感知令牌丢弃和扩展丢弃方法，通过减少专家负载不平衡提升混合专家模型的推理效率和性能。
Comments ICLR 2026
DeltaRubric: 通过联合规划和验证实现生成式多模态奖励建模
机构 * Tencent Hunyuan（腾讯文元） ； University of Maryland, College Park（马里兰大学 College Park 分校） ； University of North Carolina, Chapel Hill（北卡罗来纳大学 Chapel Hill 分校）
AI总结 DeltaRubric通过联合规划和验证流程，提升多模态奖励建模的可靠性与泛化能力，实验表明其在多模态任务中表现优异。
增强多模态推理以对抗视觉退化
机构 * Tencent Hunyuan（腾讯文言） ； University of Maryland, College Park（马里兰大学 College Park 分校） ； University of Virginia（弗吉尼亚大学） ； University of North Carolina, Chapel Hill（北卡罗来纳大学 Chapel Hill 分校）
AI总结 本文提出ROMA框架，通过优化动态增强多模态大语言模型对视觉退化的鲁棒性，提升在多种基准测试中的表现。
基于曲率感知的3D点云中隐蔽的逐块后门攻击
机构 * The University of Sydney（悉尼大学） ； Northwestern Polytechnical University（西北工业大学） ； University of Maryland College Park（马里兰大学学院公园分校）
AI总结 本文提出一种针对3D点云的隐蔽逐块后门攻击框架SPBA，通过曲率变化计算局部不可察觉得分，减少谱触发计算成本，提升攻击隐蔽性。
Comments 12 pages, 6 figures, 11 tables
FunnelNet：一种用于实时监测数字心脏杂音的端到端深度学习框架
机构 * Department of Biomedical Engineering, Linköping University（林雪平大学生物医学工程系） ； Department of Electrical and Computer Engineering, University of Maryland College Park（马里兰大学学院公园分校电子与计算机工程系） ； School of Medicine and Psychology, The Australian National University（澳大利亚国立大学医学与心理学学院） ； School of Electrical Engineering, Computing and Mathematical Sciences, Curtin University（Curtin大学电子工程、计算与数学科学学院） ； School of Electrical Engineering and Computer Science, The University of Queensland（昆士兰大学电子工程与计算机科学学院） ； University of ÓBuda（布达佩斯大学）
AI总结 本文提出了一种基于传统和深度可分离卷积网络的端到端实时心脏杂音检测方法，通过滤波和小波变换提取特征，利用轻量级模型在资源受限设备上实现高准确率的实时诊断。
CalibFree：用于无标定多摄像机多目标跟踪的自监督视图特征分离
机构 * University of Maryland, College Park, MD, USA（马里兰大学） ； NEC Laboratories America, Princeton, NJ, USA（NEC美国实验室） ； University of North Carolina, Greenboro, NC, USA（北卡罗来纳大学格林伯格分校）
AI总结 本文提出CalibFree，一种无需标定或手动标注的自监督表示学习框架，通过单视图蒸馏和跨视图重建实现视图无关与视图特定特征分离，提升多摄像机多目标跟踪的准确性和适应性。
如何开始就是如何推理：通过前缀微调先验驱动RLVR探索
机构 * Hong Kong Baptist University（香港 Baptist 大学） ； University of Maryland, College Park（马里兰大学 College Park 分校）
AI总结 本文提出IMAX框架，通过训练软前缀来重塑基础模型的推理轨迹先验，以解决RLVR中探索不足的问题，提升推理性能。
单个神经元足以绕过大型语言模型的安全对齐
机构 * Apple（苹果公司） ； University of Maryland, College Park（马里兰大学 College Park 分校）
AI总结 研究通过针对单个神经元展示安全对齐的两种失效方向，证明在不训练或提示工程的情况下，通过抑制或放大特定神经元可绕过安全对齐。
探测人工智能推理的临界点（CritPt）：一个前沿物理研究基准
机构 * Argonne National Laboratory（阿贡国家实验室） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Virginia Tech（弗吉尼亚理工大学） ； Ohio State University（俄亥俄州立大学） ； Independent（独立） ； Northeastern University（东北大学） ； Caltech（加州理工学院） ； University of Florida（佛罗里达大学） ； University of Waterloo（滑铁卢大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Columbia University（哥伦比亚大学） ； Perimeter Institute for Theoretical Physics（理论物理研究所） ； University of Connecticut（康涅狄格大学） ； University of Cologne（科隆大学） ； The Chinese University of Hong Kong（香港中文大学） ； Utrecht University（乌得勒支大学） ； Harvard University（哈佛大学） ； ETH Zürich（苏黎世联邦理工学院） ； Paul Scherrer Institute（保罗·谢尔研究所）
AI总结 本文提出CritPt基准，用于测试LLM在未发表的科研级推理任务中的能力，涵盖现代物理多个领域，发现当前LLM在复杂科研挑战中表现有限，仅能实现5.7%的准确率。
Comments 40 pages, 6 figures, 6 tables
通过想象到聆听的MEG映射实现零样本想象语音解码
机构 * University of Maryland College Park（马里兰大学学院市）
AI总结 本文提出利用聆听语音记录提高想象语音解码的可靠性，通过三阶段流程揭示神经活动与语音刺激的关系，证明想象语音可显著高于随机水平解码。
无需回滚的稳定砖块结构生成
机构 * University of Buffalo（布法罗大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Microsoft（微软） ； University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
AI总结 本文提出一种强化学习方法，通过训练时的策略优化而非测试时的纠正，实现稳定砖块结构的高效生成，提升生成质量和推理速度。
基于梯度外推的策略优化
机构 * Bangladesh University of Engineering and Technology（孟加拉工程与技术大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Illinois Institute of Technology（伊利诺伊理工学院） ； University of Central Florida（佛罗里达中央大学）
AI总结 本文提出GXPO算法，通过三步反向传播模拟多步前瞻，提升强化学习中大语言模型的推理能力，实验显示在数学推理任务中性能优于GRPO和SFPO。
Comments 26 pages, 9 figures
TSRBench: 一个全面的多任务多模态时间序列推理基准，用于通用模型
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Illinois at Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 TSRBench通过4125个问题和15个任务评估通用模型的时间序列推理能力，揭示了感知和推理中的缩放定律失效以及多模态融合的不足。
Comments Accepted to ICML 2026
DCR：反事实吸引引导用于稀有组合生成
机构 * University of Maryland at College Park（马里兰大学学院市分校）
AI总结 本文提出DCR框架，通过反事实吸引引导解决扩散模型在生成稀有但合理的组合时的默认完成偏见问题，提升生成内容的组合忠实度和视觉质量。
Comments 40 pages, 33 figures
基于拍卖的人工智能监管
机构 * Department of Computer Science, University of Maryland, College Park, MD, USA（马里兰大学计算机科学系，College Park, MD, USA） ； SAP Labs, LLC（SAP实验室） ； Department of Computer Science, University of Central Florida, FL, USA（佛罗里达大学计算机科学系，FL, USA）
AI总结 本文提出基于拍卖的AI监管机制，通过数学框架激励企业部署合规模型并参与监管，实验证明其在提升合规率和参与率方面优于传统方法。
Comments 26 pages, 7 figures, 3 tables. Accepted at ACM FAccT 2026
超越困惑度：字符分布签名与AI文本检测的MDTA基准
机构 * University of Maryland, College Park（马里兰大学学院市分校）
AI总结 本文提出基于字符分布签名的AI文本检测方法，通过MDTA基准验证其有效性，显示与困惑度方法低相关性，并在特定领域取得显著提升。
Comments 11 figures, 10 tables, 24 pages, Under Review at COLM 2026
基于网络的信息聚合用于二分类
机构 * University of Maryland, College Park, MD, USA（马里兰大学学院市分校） ； Google Research, New York City, NY, USA（谷歌研究纽约市分校） ； University of California, Irvine, CA, USA（加州大学尔湾分校）
AI总结 研究网络二分类中信息聚合问题，通过序列分布式训练流程分析信息聚合效果，证明深度对信息聚合的限制。
Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026)
2026 年人工智能与机器学习在智能制造中的路线图
机构 * Center for Industrial Artificial Intelligence, Department of Mechanical Engineering, University of Maryland, College Park（工业人工智能中心，机械工程系，马里兰大学College Park分校） ； Department of Management, Economics and Industrial Engineering, Politecnico di Milano（管理、经济与工业工程系，米兰理工学院） ； Department of Industrial and Systems Engineering, The Hong Kong Polytechnic University（工业与系统工程系，香港理工大学） ； Centre for Advanced Manufacturing & Supply Chains, World Economic Forum（先进制造与供应链研究中心，世界经济论坛） ； Department of Mechanical Engineering, Indian Institute of Technology Indore（机械工程系，印度理工学院Indore分校） ； Future Information Innovative College, Fudan University（未来信息创新学院，复旦大学） ； Department of Mechanical Engineering, Seoul National University（机械工程系，首尔国立大学） ； Department of Mechanical and Information Engineering, University of Seoul（机械与信息工程系，首尔大学） ； Onepredict Corp.（Onepredict公司） ； School of Mechanical and Aerospace Engineering, Nanyang Technological University（机械与航空航天工程学院，南洋理工大学） ； Singapore Centre for 3D Printing, Nanyang Technological University（新加坡3D打印中心，南洋理工大学） ； Mechanical Engineering, Purdue University（机械工程系，普渡大学） ； Digital Twin International Research Center, International Institute for Interdisciplinary and Frontiers, Beihang University（数字孪生国际研究中心， interdisciplinary and Frontiers 国际研究院，北京航空航天大学） ； School of Automation Science and Electrical Engineering, Beihang University（自动化科学与电气工程学院，北京航空航天大学） ； Department of Engineering, University of Cambridge（工程系，剑桥大学） ； Center for Advanced Manufacturing, University of Southern California（先进制造中心，南加州大学） ； School of Sustainability Engineering and Environmental Engineering, Purdue University（可持续工程与环境工程系，普渡大学） ； School of Mechanical Engineering, Sungkyunkwan University（机械工程系，全南大学） ； Intelligent Maintenance and Operations Systems, EPFL（智能维护与运营系统，苏黎世联邦理工学院） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院） ； J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学） ； Department of Mechanical and Process Engineering, ETH Zürich（机械与工艺工程系，苏黎世联邦理工学院）
AI总结 本文探讨人工智能与机器学习在智能制造中的发展现状与未来方向，涵盖基础理论、应用领域及新兴技术，旨在推动创新与产业应用。
Comments This paper has been accepted for publication in the Journal Machine Learning: Engineering
面向公共部门AI的神经符号问责框架
机构 * University of Maryland College Park MD USA ； The Hebrew University of Jerusalem \& University of Maryland Jerusalem Israel ； University of Maryland ； The Hebrew University of Jerusalem \& University of Maryland
AI总结 本文提出一个基于法律的可解释性框架，通过连接系统生成的决策依据与加州CalFresh计划的法律约束，提升公共AI系统的问责性与透明度。
Comments Accepted at FAccT 2026 (The 2026 ACM Conference on Fairness, Accountability, and Transparency), June 25-28, Montreal, Canada
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