高校专区
GFFMERGE: 图神经力场的高效合并及其扩展
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学）
AI总结 提出GFFMERGE框架，通过凸嵌入对齐问题解析解实现图神经网络的闭式模型合并，在力场回归任务中恢复接近联合训练的性能，并实现5-27倍加速。
审计儿童网红生态系统中的参与激励：一种多模态弱监督方法
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 本研究采用多模态弱监督方法审计YouTube儿童网红频道，发现剥削信号与观看量显著正相关，且表演性劳动、情感诱饵和隐私侵犯能带来参与度溢价。
$A^2$: 较小的自监督ViT比更大的ViT定位更优
机构 * Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学）
AI总结 针对视觉分类中前景定位与丰富表征的矛盾，提出$A^2$方法，通过解耦小模型定位与大模型嵌入，利用预训练特征实现无需额外训练的竞争性能。
HARVE：面向鲁棒奖励模型的感知黑客奖励头向量编辑
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Virginia（弗吉尼亚大学） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； University of Michigan（密歇根大学） ； New Jersey Institute of Technology（新泽西理工学院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 针对奖励模型易受奖励黑客攻击的问题，提出无需训练的奖励头编辑方法HARVE，通过移除与黑客相关子空间对齐的奖励头向量分量，提升鲁棒性并保持通用能力。
轨道上的玻璃盒：面向可信自主立方星智能的宪法AI验证框架
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出玻璃盒框架，通过运行时宪法AI验证层拦截自主航天器决策，利用六项物理约束和七项线性时序逻辑安全不变式确保安全，并证明其验证开销与模型规模无关。
Comments 12 pages, 2 figures, 2 tables, 32 references. Paper 1 of the Project October series on autonomous orbital intelligence
Echelon: 跨隐私边界的可审计聚合专用语言模型适配
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出Echelon架构，通过强制设备级模型状态不可导出为系统不变量，仅允许聚合后的跨边界数据传输，并结合缓冲半异步安全聚合、陈旧感知加权等机制，在1B参数LoRA适配中实现低通信开销下的稳定训练。
从非凸到强凸：曲率自适应的FTPL在线优化
机构 * Stanford University（斯坦福大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 提出一种曲率自适应的FTPL算法，通过时变扰动尺度实现非凸Lipschitz损失下的最优遗憾界，并在线性累积曲率下达到对数遗憾。
MIND: 多尺度意图扩散用于文本驱动的基于物理的人形控制
机构 * ShanghaiTech University（上海科技大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Bytedance Seed（字节跳动种子） ； Stanford University（斯坦福大学） ； InstAdapt
AI总结 提出MIND框架，通过多尺度意图扩散机制将文本命令与低级动作语义对齐，实现基于物理的人形机器人行为生成。
学习概念，而非词元：语言模型的自我监督语义对齐
机构 * Stanford University（斯坦福大学）
AI总结 提出一种自我监督框架，通过预测语义等价词元集合（概念）替代下一个词元预测，提升语言模型的语义对齐能力，并在分类、聚类、重排序及下游推理任务中取得更优性能。
像病理学家一样：组织感知的全切片图像推理
机构 * Stony Brook University（石英溪大学） ； Mayo Clinic（梅奥诊所） ； Harvard Medical School（哈佛医学院） ； Stanford University（斯坦福大学）
AI总结 提出一种问题引导、组织感知的粗到细检索框架HistoSelect，通过识别相关组织区域并选择最具信息量的补丁，在减少70%视觉标记的同时提升病理问答准确性。
Comments 14 pages, 8 figures. Accepted by CVPR'26
衡量推理模型的弱到强可读性
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 针对推理语言模型在多智能体场景中生成的中间思维链，提出“弱到强可读性”概念，并设计衡量指标以评估强模型输出对弱模型的易理解性。
Comments Accepted to Trustworthy AI4GOOD Workshop @ ICML 2026
WaterSIC: 信息论（近乎）最优的线性层量化
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 针对密集线性层低精度量化问题，提出WaterSIC算法，通过为权重矩阵不同列分配不同量化率，实现与信息论极限仅0.255比特的差距，并在Llama和Qwen系列大语言模型上达到1-4比特量化的最优性能。
基于LLM的物理查询计划测试时优化
机构 * Stanford University（斯坦福大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； TogetherAI ； Bauplan
AI总结 提出DBPlanBench框架，利用LLM在测试时通过语义推理和进化搜索优化物理查询计划，在OLAP查询中实现1.05-1.12倍中位数加速，并支持小规模到大规模的迁移。
Comments Code is available at: https://github.com/BauplanLabs/DBPLANBENCH
名称无关：面向开放词汇学习的符号不变Transformer
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出一种符号不变Transformer机制，通过并行嵌入流和聚合注意力实现可互换令牌的重命名不变性，在开放词汇任务上取得显著性能提升。
Comments ICML 2026 Poster (Camera-Ready Version)
弱扩散先验仍能实现强逆问题性能
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 研究弱扩散先验在逆问题中的鲁棒性，通过贝叶斯一致性和局部相关性分析揭示其在信息丰富测量下仍有效的原因。
Comments 37 pages, ICML 2026 spotlight. Code: https://github.com/jjia131/weak-diffusion-priors-inverse-problem, Project Page: https://jjia131.github.io/weak-diffusion-priors-inverse-problem/
自动机条件化协作多智能体强化学习
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学）
AI总结 提出自动机条件化协作多智能体强化学习框架，通过自动机分解团队目标为子任务，学习任务条件化的分散策略，实现最优任务分配和多步协调。
使用知识图谱嵌入近似统计EL中的概率推理
机构 * Bosch Center for AI（博世人工智能中心） ； University of Stuttgart（斯图加特大学） ； Cardiff University（卡迪夫大学） ； Stanford University（斯坦福大学） ； University of Oslo（奥斯陆大学） ； University of Southampton（南安普顿大学）
AI总结 本文提出利用知识图谱嵌入高效近似统计EL中的概率推理，并提供了运行时和正确性保证的理论证明及实验评估。
Comments Accepted at UAI 2026
Typhoon: 面向预训练语言模型的有效任务特定掩码策略
机构 * Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
AI总结 本文提出Typhoon，一种基于任务损失梯度的自适应掩码策略，在GLUE任务上对比随机掩码和整词掩码，经严格评估发现无显著优势。
Comments 9 pages, 2 figures
基于策略的中央凹成像与感知
机构 * Stanford University USA（斯坦福大学）
AI总结 提出一种实时、预测且任务感知的中央凹成像系统，通过强化学习策略动态分配像素带宽到任务相关区域，在严格像素预算下实现高任务性能。
Comments Project website at https://howardxiao.ca/foveated/
SkillHarm: 通过自动化构建实现生命周期感知的基于技能的攻
机构 * The Ohio State University（俄亥俄州立大学） ； Amazon AGI（亚马逊人工智能实验室） ； Stanford University（斯坦福大学）
AI总结 提出SkillHarm基准，通过固定载荷投毒和自我变异投毒两种攻击场景，系统评估基于技能的攻击在技能使用生命周期中的风险，并构建自动化管道AutoSkillHarm生成大规模攻击样本。
Comments Work in Progress
通过可处理提议缓解局部约束解码中的偏差
机构 * Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 针对局部约束解码中因短视掩码导致的采样偏差，提出基于张量化有限自动机的全局约束解码提议和概率全局约束解码提议，结合序贯蒙特卡洛方法实现无偏采样，在函数调用、关键词生成和SQL生成任务中显著减少所需粒子数并加速收敛。
Comments 13 pages, 5 figures
“我知道这会如何发展”：通过渐进条件惊奇度刻画多样性
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学）
AI总结 提出一种基于上下文学习的多样性度量方法 Decan（D_{Ca_n}），通过单次前向传递计算每个字节的得分，无需嵌入模型、参考语料或人工标注，在多个基准上验证了其有效性。
Comments 28 pages, 18 figures, 9 tables. Accepted to the Workshop on Generative AI, Creativity, and Human-AI Co-Creation @ ICML 2026 (non-archival). Code and data: https://github.com/AMindToThink/icl-diversity
揭示具有内在测地耦合的多模态生物分子协同设计
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 针对生物分子协同设计中模态间时间耦合被忽视的问题，提出GeoCoupling框架优化异构模态的时间耦合，在基于结构的药物设计和无条件蛋白质设计中提升物理有效性和多样性。
Comments Accepted to ICML 2026
LEGS: 在具身高斯泼溅世界中免遥操作微调VLA用于人形机器人全身操控
机构 * Stanford University（斯坦福大学）
AI总结 提出LEGS混合模拟器，通过程序化运动基元生成器和两阶段颜色校准，无需遥操作即可合成训练数据，使VLA策略在真实人形机器人操控任务中达到或超越遥操作训练效果。
Comments https://legsvla.github.io/
Dr. DocBench：专家级与困难文档解析的综合基准
机构 * Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Southern California（南加州大学） ； Harvard University（哈佛大学） ； IBM Research（IBM研究院） ； University of Arizona（亚利桑那大学） ； Duke University（杜克大学） ； UC Berkeley（加州大学伯克利分校） ； LMU Munich（慕尼黑路德维希-马克西米利安大学）
AI总结 提出Dr. DocBench基准，通过基于解析器失败的采样从多语言书籍语料库中选取挑战性文档，包含52个BISAC主题领域和65k高质量标注，用于评估专家级文档解析能力。
Comments 27 pages, 13 figures, 14 tables
Momento：评估多会话代理对话中的持久记忆与推理
机构 * Institut Teknologi Bandung（万隆技术大学） ； Stanford University（斯坦福大学） ； Capital One
AI总结 提出Momento基准，通过多会话服务环境评估代理在跨会话中利用持久记忆和推理完成个性化任务的能力，发现现有代理因误估用户状态而表现不佳。
Comments Preprint
ASAP: 基于解剖感知语义自适应预训练的医学体素表示学习
机构 * School of Biomedical Engineering, Division of Life Sciences and Medicine, University of Science and Technology of China（生物医学工程学院，生命科学与医学系，中国科学技术大学） ； Medical Imaging, Robotics, Analytic Computing & Learning (MIRACLE) Lab, YRD-RIGHT, USTC Suzhou Institute for Advanced Research（医学影像、机器人、分析计算与学习（MIRACLE）实验室，YRD-RIGHT，中国科学技术大学苏州研究院） ； Jiangsu Provincial Key Laboratory of Multimodal Digital Twin Technology（江苏省多模态数字孪生技术重点实验室） ； Biomedical Basic Research Center (BBRC) of Jiangsu Province（江苏省生物医学基础研究中心） ； Department of Radiology, The First Affiliated Hospital of USTC, Division of Life Sciences and Medicine, USTC（放射科，中国科学技术大学第一附属医院，生命科学与医学系，中国科学技术大学） ； Anhui IFLYTEK CO., Ltd（安徽科大讯飞股份有限公司） ； School of Medicine, Stanford University（医学院，斯坦福大学） ； State Key Laboratory of Precision and Intelligent Chemistry, Hefei, Anhui, China（安徽省精密与智能化学重点实验室，合肥，安徽，中国）
AI总结 提出ASAP框架，通过解剖感知知识注入、语义自适应对齐与融合，从胸部CT扫描和放射学报告中学习可迁移且可解释的体素表示，在15个数据集和22个下游任务上取得最先进性能。
Comments MICCAI2025 extention
学习用于训练数据选择的元网络的困难性
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 针对元学习训练数据选择（MTS）在实践中表现不佳的问题，本文通过数学分析揭示了梯度信噪比低和缺乏信息特征两大障碍，并提出增大批大小和利用信息特征作为解决方案。
医学预测模型中选择偏差影响的一个实用上界
机构 * Stanford University（斯坦福大学）
AI总结 针对选择偏差导致模型泛化性差的问题，提出在仅部分观测选择机制和目标分布的现实条件下，对目标群体最差模型性能的一个新上界，并通过合成数据和真实数据验证其有效性和实用性。
Comments 32 pages, 27 figures, will be published at ACM SIGKDD '26
用于植入尖峰模型的简单、鲁棒近似消息传递
机构 * Stanford University（斯坦福大学）
AI总结 针对含对抗性噪声的尖峰矩阵模型，提出一种结合谱预处理与鲁棒谱初始化的算法，使近似消息传递（AMP）在无需修改的情况下实现鲁棒性，输出与无噪声AMP结果接近的向量。
Comments 32 pages
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