高校专区
模型参数中的不可检测后门：在高维空间中隐藏稀疏秘密
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Princeton University（普林斯顿大学）
AI总结 提出Sparse Backdoor供应链攻击，通过注入带高斯抖动的结构化稀疏扰动在预训练图像分类器中植入可证不可检测后门，其检测难度等价于Sparse PCA，可抵御白盒区分。
InFlux++：用于估计动态相机内参的真实与合成数据
机构 * Princeton University（普林斯顿大学）
AI总结 针对动态相机内参估计的训练数据匮乏、评测基准多样性不足问题，构建含大规模合成数据集与真实基准的InFlux++，可提升RGB图像的逐帧内参估计性能。
Comments Accepted to ECCV 2026
重新思考思维模型的在线策略自蒸馏
机构 * Princeton University（普林斯顿大学） ； Princeton Language and Intelligence（普林斯顿语言与智能实验室）
AI总结 针对思维模型自蒸馏性能退化问题，研究发现特权上下文在线策略蒸馏会降低长推理轨迹性能，揭示其作用机制，为强思维模型自蒸馏优化提供方向。
图神经网络中的超参数转移
机构 * Department of Operations Research and Financial Engineering（运营研究与金融工程系） ； School of Engineering and Applied Science（工程与应用科学学院） ； Princeton University（普林斯顿大学）
AI总结 研究图神经网络超参数转移，开发并验证适用于多种优化器的转移参数化，通过理论分析和实验表明其能实现稳定特征更新、学习率转移及性能提升，为不同任务和场景缩放图神经网络提供实用方法。
RoboVista：评估用于各种机器人应用的视觉语言模型
机构 * University of California, Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学） ； Google DeepMind（谷歌DeepMind）
AI总结 研究针对机器人多样应用，提出模块化评估框架Robot Question Answering及基准RoboVista，其源于真实机器人系统等，含多任务类型VQA实例，实验表明现有视觉语言模型有差距，且与现实任务执行相关。
Comments Accepted to RSS 2026. Project website: https://berkeleyautomation.github.io/robovista/
一种内存高效的线性动力系统在线学习统一算法
机构 * Tel Aviv University（特拉维夫大学） ； Princeton University（普林斯顿大学）
AI总结 针对低不稳定性复杂度的线性动力系统，提出一种在线预测算法，参数复杂度为Õ(k)，实现亚线性遗憾，内存适应内在复杂度而非全状态维度。
Comments 34 pages, 1 figure
MLS-Bench：对构建更好AI的AI系统的全面且严格评估
机构 * UC Berkeley（伯克利大学） ； Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of Washington（华盛顿大学） ； Purdue University（Purdue 大学） ； Harvard University（哈佛大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Shanghai Jiao Tong University（上海交通大学） ； UC San Diego（圣地亚哥大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出MLS-Bench基准，包含12个领域140个任务，评估AI系统能否发明通用且可扩展的机器学习方法，发现当前智能体在方法发明上仍远逊于人类，瓶颈在于科学洞察而非单纯搜索或计算。
在什么情况下可以污染奖励？线性MDP中奖励污染攻击的紧致刻画
机构 * School of Electrical Engineering and Computer Science, Oregon State University, Corvallis, Oregon, USA（电子工程与计算机科学学院，俄勒冈州立大学，俄勒冈州科瓦利斯） ； Department of Electrical and Computer Engineering, University of Illinois Urbana-Champaign, Urbana, Illinois, USA（电气与计算机工程系，伊利诺伊大学厄巴纳-香槟分校，伊利诺伊州厄巴纳） ； Princeton University, Princeton, New Jersey, USA（普林斯顿大学，新泽西州普林斯顿） ； Faculty of Computing and Data Sciences, Boston University, Boston, Massachusetts, USA（计算与数据科学学院，波士顿大学，马萨诸塞州波士顿）
AI总结 本文研究了强化学习中奖励污染攻击，通过约束预算操控奖励迫使目标智能体采用符合攻击者目标的策略。研究首次给出了线性MDP中攻击可行性的精确必要和充分条件，区分了易受攻击和固有鲁棒的RL实例。理论框架扩展至深度RL环境，证明其在理论和实践上的重要性。
大语言模型通过一种独特的统一机制生成有害内容
机构 * Kempner Institute, Harvard University（哈佛大学肯普纳研究所） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） ； Cohere ； Technion—IIT（以色列理工学院）
AI总结 研究通过权重剪枝揭示大语言模型中有害生成的内部结构，发现有害内容生成依赖于一组通用且与良性能力不同的权重，表明对齐训练重塑了有害表示，解释了领域微调引发的广泛对齐偏差。
CHIMERA：适应性缓存注入与语义锚点提示的零样本图像变形方法：基于变形导向的度量
机构 * Chung-Ang University（Chung-Ang 大学） ； Princeton University（普林斯顿大学）
AI总结 CHIMERA通过逆向引导去噪和互补特征重用，解决传统图像变形方法中特征重用不充分和文本条件不兼容的问题，提出语义锚点提示和变形导向度量，提升变形效果的平滑性和语义一致性。
Comments ECCV 2026 (camera ready ver.). Please visit our project page at https://cmlab-korea.github.io/CHIMERA/
视频生成中的运动归因
机构 * NVIDIA ； Princeton University（普林斯顿大学） ； MIT（麻省理工学院） ； University of Michigan（密歇根大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 研究视频生成模型中数据对运动影响，提出基于梯度的运动归因框架Motive，通过运动加权损失掩码分离静态外观和时间动态，用于研究微调剪辑对时间动态的影响及指导数据策划，提升视频运动质量。
Comments See the project website at https://research.nvidia.com/labs/sil/projects/MOTIVE/
大语言模型通过适应性探索形成新的社会偏见
机构 * Princeton University（普林斯顿大学）
AI总结 研究大语言模型在无固有差异时能否形成新社会偏见，用心理学范式证明其能形成，导致任务分配不公平，新模型更严重，还探索干预措施，发现激励探索可减少分层。
Comments ICML 2026 Oral
迈向用于社交机器人导航基准测试的数据驱动指标
机构 * Aston University（阿斯顿大学） ； Logical Robotics（逻辑机器人公司） ； University of California Berkeley（加州大学伯克利分校） ； TOYOTA Motor North America（丰田北美公司） ； Princeton University（普林斯顿大学） ； LAAS-CNRS（LAAS-CNRS研究所） ； George Mason University（乔治·梅森大学）
AI总结 致力于开发数据驱动的社交机器人导航指标以促进地面机器人基准测试和策略优化，介绍方法动机、数据集格式等，给出首个全面的学习社交机器人导航指标及相关结果。
Comments This work was presented at the 18th International Conference on Social Robotics (ICSR'2026)
自我监督的目标达成促成多智能体合作与探索
机构 * Princeton University（普林斯顿大学）
AI总结 研究多智能体有效协调探索所需最少要素，通过自我监督目标达成，以访问目标状态可能性最大化代替奖励最大化，实证表明该方法在多智能体基准测试中表现优且更稳健。
Comments Project website with code and videos: https://chirayu-n.github.io/gcmarl
非平衡物理生成模型的局部学习规则
机构 * Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； AMOLF（AMOLF研究所）
AI总结 研究表明基于分数的生成模型的非平衡驱动协议可通过局部学习规则学习，直接从力测量或系统动力学计算驱动协议参数梯度，并用于高斯混合采样及MNIST数据集生成手写数字图像。
Comments 6 pages, 4 figures
关于最小二乘回归通过提前停止进行正则化
机构 * Department of Mathematics, Boston College（波士顿学院数学系） ； ORFE Department, Princeton University（普林斯顿大学ORFE系）
AI总结 研究机器学习中提前停止对模型参数和泛化能力的影响。通过分析线性回归离散全批量梯度下降动态，在最小分布假设下刻画参数轨迹和预期超额风险，证明提前停止与广义岭回归最小范数解等价且有益，并给出最优停止时间估计。
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