高校专区
理解预测编码中的样本效率
机构 * Nuffield Department of Clinical Neurosciences, University of Oxford, United Kingdom（牛津大学神经科学学院Nuffield部门，英国） ； MRC Centre of Research Excellence in Restorative Neural Dynamics, United Kingdom（英国修复神经动力学研究卓越中心）
AI总结 本文研究预测编码在样本效率上的优势，通过目标对齐度量分析BP和PC的学习效率，发现PC在深度、狭窄和预训练网络中表现更优，提供机制理解以指导PC参数设计。
一种受物理启发的优化器：速度正则化Adam
机构 * University of Oxford（牛津大学）
AI总结 本文提出VRAdam优化器，通过引入速度正则化技术，结合Adam的参数缩放，提升训练稳定性与收敛速度，理论分析显示其在非凸目标下的收敛速率为O(√(lnN)/√N)。
Comments L. Schorling and P. Vaidhyanathan contributed equally to this work. 20 pages, 10 figures
潜在颜色子空间：高维混沌中的涌现秩序
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 本文揭示了FLUX.1变分自编码器潜在空间中颜色表示的HSL结构，并提出一种无需训练的闭式潜在空间操作方法，实现对生成图像颜色的预测与显式控制。
Comments Accepted at ICML 2026
基于人类演示的计算机使用智能体基础构建
机构 * Mila - Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； ServiceNow Research（ServiceNow研究） ； University of Waterloo（滑铁卢大学） ； University of Oxford（牛津大学） ； National University of Singapore（新加坡国立大学） ； Polytechnique Montréal（蒙特利尔理工学院） ； École de Technologie Supérieure（高级技术学院） ； CIFAR AI Chair（CIFAR人工智能主席）
AI总结 为解决桌面环境高质量基础数据稀缺问题，构建了包含87个应用、56K截图和3.56M人工标注的GroundCUA数据集，并基于此训练GroundNext模型，在5个基准上以少于先前十分之一的数据取得最优结果。
Comments Accepted at ICLR 2026
噪声引导的模仿学习传输方法
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 针对低数据场景下的模仿学习，提出噪声引导传输（NGT）方法，通过对抗训练将模仿问题转化为最优传输问题，无需预训练或特殊架构，在极低数据量下实现强性能。
Comments Accepted at ICML 2026. Code: https://github.com/lionelblonde/ngt
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