高校专区
通过校准视角看人机协作
机构 * Department of Computer Science, Johns Hopkins University（计算机科学系，约翰霍普金斯大学） ； Department of Statistics, University of Michigan（统计学系，密歇根大学）
AI总结 研究通过统计校准视角分析人机协作模型，发现组合方法不保留人类校准度，而委托方法将校准负担转移给拒绝器元模型，且当人类依赖系统不可观测信息时无法实现。
Comments 19 pages, 5 figures (including appendix)
动态线性注意力
机构 * The Ohio State University（俄亥俄州立大学） ； University of Michigan（密歇根大学） ； ByteDance Seed（字节跳动Seed）
AI总结 提出DLA框架，通过信息感知动态状态合并和容量受限内存建模，解决多状态线性注意力中固定合并策略导致的错误累积问题，在16个数据集上超越现有方法。
Comments Accepted by ICML 2026
将混合系统嵌入连续潜在向量场
机构 * University of California, Berkeley, CA, USA（加州大学伯克利分校） ； University of Michigan, Ann Arbor, MI, USA（密歇根大学安娜堡分校）
AI总结 证明当m>2n时，n维混合系统可嵌入m维欧氏空间中的连续向量场，并基于此提出一种潜在神经ODE方法，从时间序列数据中准确恢复混合系统流，优于现有方法。
Comments Accepted to ICML 2026
LieIPM：用于刚体直接轨迹优化的李群内点法
机构 * University of California, Berkeley（加州大学伯克利分校） ； MIT（麻省理工学院） ； Ohio University（俄亥俄大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 提出一种基于李群结构的约束轨迹优化框架LieIPM，利用二阶刚体模型和变分积分器，实现无奇异、快速收敛的牛顿型更新。
Prefilling-dLLM: 扩散语言模型中长上下文推理的预测性预填充
机构 * The University of Hong Kong（香港大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； LMSYS Org（LMSYS组织）
AI总结 针对扩散语言模型在长上下文中因重复编码前缀导致计算量二次增长的问题，提出Prefilling-dLLM框架，通过分块缓存KV表示并基于稀疏性选择相关块，实现高效解码，在LongBench等基准上达到最先进加速效果。
Comments Technical Report
双分支门控融合用于开放集音频深度伪造源追踪
机构 * College of Innovation and Technology, University of Michigan, Flint, MI, USA（创新与技术学院，密歇根大学弗林特分校） ； ProbeTruth Inc.（ProbeTruth公司）
AI总结 针对开放集音频深度伪造源追踪问题，提出双分支门控融合框架，结合XLSR-53和CORES描述符，通过输入条件门控自适应加权，实现域内高精度和域外鲁棒泛化。
草图到布局：面向约束感知的模块化光生物反应器合成的人本计算代理
机构 * Qrafty Technology Inc.（Qrafty技术公司） ； University of Michigan（密歇根大学）
AI总结 提出一种计算框架，将用户草图转化为模块化光生物反应器立面布局，通过约束满足问题（CSP）求解器实现近实时合成，并引入弱监督藻类健康监测管道，实现碳中性和自主维护。
Comments 13 pages, 6 figures
流式数据的结构化自适应张量预测
机构 * Michigan Institute for Computational Discovery and Engineering, Department of Statistics, Department of Electrical Engineering and Computer Science, University of Michigan（密歇根大学计算发现与工程研究所、统计系、电气工程与计算机科学系） ； Department of Statistics, University of Michigan（密歇根大学统计系）
AI总结 针对矩阵值时间序列的流式预测，提出自适应张量回归框架，包含矩阵-矩阵和张量-矩阵两种形式，并开发在线SGD算法，张量-矩阵模型在稳态误差和去噪方面更优，同时建立了低维结构下的恢复保证。
基于管状播种的费曼积分高效类脑约化
机构 * Leinweber Institute for Theoretical Physics, Randall Laboratory of Physics, University of Michigan, Ann Arbor, 450 Church St, Ann Arbor, MI 48109-1040, USA（莱因韦伯理论物理研究所，物理系拉尔登实验室，密歇根大学安娜堡分校） ； Axiom Math, 124 University Avenue, Palo Alto, California, 94301, United States（Axiom数学公司，帕洛阿尔托，加利福尼亚州，94301，美国） ； Niels Bohr International Academy, Niels Bohr Institute, University of Copenhagen, Blegdamsvej 17, 2100 Copenhagen , Denmark（尼尔斯·波尔国际学院，尼尔斯·波尔研究所，哥本哈根大学） ； Center for Quantum Mathematics, Department of Mathematics and Computer Science, University of Southern Denmark, Campusvej 55, 5230 Odense M, Denmark（量子数学中心，数学与计算机科学系，丹麦南部大学） ； Higgs Centre for Theoretical Physics, University of Edinburgh, Edinburgh, EH9 3FD, United Kingdom（希格斯理论物理中心，爱丁堡大学）
AI总结 利用机器学习发现一种新的种子选择策略，通过稀疏种子线性增长实现高幂次多圈积分的约化，显著降低计算时间和内存占用，适用于唯象应用。
Comments 61 pages, 25 figures, 11 tables
数据受限的语言模型预训练：改进的正则化与缩放定律
机构 * University of Michigan（密歇根大学） ； KAIST AI（韩国科学技术院人工智能研究所）
AI总结 研究数据受限下语言模型预训练的正则化与缩放，提出掩码输入正则化（MIR）改善验证损失，并设计SoftQ缩放定律更准确拟合重复数据下的模型与数据规模交互。
最大熵远程采样的超缩放NLP界
机构 * University of Michigan（密歇根大学） ； Universidade Federal do Rio de Janeiro（里约热内卢联邦大学）
AI总结 针对最大熵远程采样问题，提出基于凸松弛的超缩放NLP界，理论上优于传统互补NLP界，并适用于秩亏协方差矩阵，通过数值实验验证了算法先进性。
表格LLM真正重要的是什么？模型与数据影响的元评估
机构 * University of Michigan（密歇根大学） ； AWS AI Labs（AWS人工智能实验室） ； Figma ； OKX ； Google（谷歌）
AI总结 通过指令微调12个模型并在16个基准上评估，发现基座模型选择比训练数据对性能影响更大，泛化与推理仍是挑战。
Comments EACL 2026 Findings
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