高校专区
DREAM-R: 基于强化学习的精炼草稿、精确验证与完全并行执行的多模态推测推理
机构 * New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出DREAM-R框架，通过强化学习优化草稿生成、阈值验证机制和完全并行执行，加速多模态模型的推理密集型任务，同时保持准确性。
高维两阶段优化中的外动量重启
机构 * New York University（纽约大学）
AI总结 本文研究在分布式优化中周期性重启外动量以控制外存效应，通过理论分析、玩具实验和语言模型预训练验证其能扩大稳定范围。
通过激活一致性训练缓解针对推理模型的自适应攻击
机构 * New York University（纽约大学） ； Technical University Clausthal（克劳斯塔尔技术大学）
AI总结 提出激活一致性训练（ACT）方法，通过监督内部表示来防御针对推理模型的对抗性越狱和提示注入攻击，实验表明ACT在自适应攻击下保持鲁棒性。
临床模型是否会改变治疗决策？
机构 * New York University（纽约大学）
AI总结 本研究提出ClinPivot基准，通过生物医学关系和变化的患者情境评估临床基础模型在治疗决策中的适应性，发现强医学QA能力不能可靠预测决策表现。
Comments 9 pages, 3 figures
工作者分歧揭示局部SGD中的尖锐方向
机构 * New York University（纽约大学）
AI总结 本文通过理论分析和实验证明，局部SGD中的工作者平均间隙协方差能够捕捉Hessian矩阵的尖锐方向，从而提供一种廉价的无Hessian估计方法。
Comments 5 pages main body, 18 pages appendix - Accepted to HiLD 2026, ICML
将LLM与人类不确定性对齐：用于LLM预测的Beta-Bernoulli校准器
机构 * Agentic Learning AI Lab（代理学习AI实验室） ； New York University（纽约大学） ； The University of Chicago（芝加哥大学） ； Chronologies AI
AI总结 提出Beta-Bernoulli校准器（BBC），通过结合二元结果和人类预测信号，将初始点估计转换为事件似然分布，实现校准和不确定性量化。
重新评估不完美信息博弈的策略梯度方法
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Berkeley（加州大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； NYU Tandon School of Engineering（纽约大学坦顿工程学院）
AI总结 通过实现五种大型博弈的精确可剥削性计算，对比发现基于虚构博弈、双预言机和反事实遗憾最小化的深度强化学习算法未能超越通用策略梯度方法（如PPO）。
Comments International Conference on Learning Representations (ICLR) 2026
自动语音识别技术审计实践中的陷阱：以失语症患者为例
机构 * University of Washington（华盛顿大学） ； Cornell University（康奈尔大学） ； New York University（纽约大学） ； University of Virginia（弗吉尼亚大学）
AI总结 本文识别了标准ASR审计中的三个常见陷阱，并提出了一个整体审计框架，通过失语症患者的案例研究发现ASR系统对其表现更差。
Comments Published at the Proceedings of The 2026 ACM Conference on Fairness, Accountability, and Transparency (FAccT '26)
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