高校专区
CA-BED：对话感知的贝叶斯实验设计
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学）
AI总结 提出对话感知的贝叶斯实验设计（CA-BED），一种推理时概率对话规划框架，通过结合贝叶斯实验设计与LLM似然估计，在多个对话轮次中优化问题选择，在结构化实体推断基准上平均成功率提升21.8%，仅增加1.8轮对话。
Comments Reliable Autonomy Workshop at ICLR 2026
归一化相关度量作为解释神经网络潜在结构的统一框架
机构 * Berlin Institute for the Foundations of Learning（学习与数据基础研究院） ； Machine Learning Group, Technical University of Berlin（柏林技术大学机器学习组） ； Department of Artificial Intelligence, Korea University（韩国大学人工智能系） ； Max Planck Institute for Informatics（信息研究所） ； Department of Chemistry, Chemical Physics Theory Group, University of Toronto（多伦多大学化学系、化学物理理论组） ； Vector Institute for Artificial Intelligence（人工智能矢量研究所） ； Acceleration Consortium, University of Toronto（多伦多大学加速联盟）
AI总结 提出归一化相关度量（NRM）框架，通过定义归一化符号度量来归因任意层神经元的相关性，统一了现有传播解释算法，并在VGG16中展示多层级联合分析揭示信息流。
文本编辑能否泛化到视觉生成？统一多模态模型中的跨模态知识编辑基准
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学）
AI总结 提出跨模态知识编辑基准UniKE，发现文本编辑在图像生成中效果显著下降（VQA准确率仅18.5%），并提出推理增强参数编辑方法提升跨模态迁移效果。
Comments Published at ICML 2026; Code and data available at https://github.com/gxx27/UniKE
Zamba2-VL 技术报告
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学）
AI总结 提出基于混合架构Zamba2的视觉语言模型Zamba2-VL，在图像理解等基准上媲美Transformer模型，且首次令牌延迟降低约一个数量级。
Comments 16 pages, 2 figures
Cuttlebot：一种复杂自主仿生游泳机器人的平台演示
机构 * School of Mechanical, Aerospace, and Manufacturing Engineering, University of Connecticut（康涅狄格大学机械、航空航天与制造工程学院） ； Department of Mechanical and Industrial Engineering, University of Toronto（多伦多大学机械与工业工程系） ； University of Connecticut, Institute of Materials Science（康涅狄格大学材料科学研究所） ； Department of Mechanical and Aerospace Engineering, Princeton University（普林斯顿大学机械与航空航天工程系）
AI总结 本文提出CORE自主机器人平台，驱动六个人工肌肉并感知视觉与空间信息，开发了仿乌贼机器人Cuttlebot，通过波动鳍实现三维游泳，验证了平台的有效性。
超越种姓类别：审视文本到图像AI模型中的种姓偏见与道德
机构 * University of Colorado Boulder（科罗拉多大学波得尔分校） ； University of Toronto（多伦多大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 通过算法审计与批判性话语分析，揭示文本到图像模型如何超越上下种姓二元对立而延续种姓偏见，并提出反种姓方法应对AI系统中的公平问题。
儿童与语言模型中的假设生成与归纳推理
机构 * Computer Science University of Waterloo（滑铁卢大学计算机科学系） ； Department of Computer Science Cornell University（康奈尔大学计算机科学系） ； Department of Computer Science Dalhousie University（达尔豪斯大学计算机科学系） ； Department of Psychology University of Toronto（多伦多大学心理学系）
AI总结 通过归纳推理盒子任务，结合贝叶斯粒子推断的程序归纳形式化，比较儿童与基于LLM的智能体在不确定性下的假设生成与证据寻求行为，发现两者在适应环境结构上相似但信息寻求成本与归纳偏差不同。
面向数据敏感检索增强生成的隐私策略执行护栏
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 针对RAG系统中上下文数据泄露问题，提出基于双单类密度估计器与融合文本嵌入的隐私策略执行框架，在医学、金融和法律领域实现高AUROC和低误报率。
动态元度量：面向机器翻译评估的源句条件加权
机构 * University of Toronto, Canada（多伦多大学） ； Nara Institute of Science and Technology, Japan（奈良科学技術大學） ； Ontario Tech University, Canada（安大略技术大学）
AI总结 提出动态元度量（DMM）框架，通过源句条件组合现有度量来提升机器翻译评估性能，实验表明MLP组合优于线性与高斯过程集成，软条件扩展进一步带来提升。
Comments 5 pages, ACL SRW 2026
基于验证器的免更新在线策略引导
机构 * University of Toronto（多伦多大学） ； Google DeepMind（谷歌DeepMind） ； University of Alberta（阿尔伯塔大学） ； UTAustin（得克萨斯大学奥斯汀分校） ； Harvard University（哈佛大学）
AI总结 提出UF-OPS方法，利用策略评估中的验证器函数引导基础策略选择高成功概率动作，无需更新参数即可提升黑箱扩散策略性能，在5个真实任务中平均成功率提升49%。
Comments 9 pages, 6 figures
立场：超越敏感属性，机器学习公平性应通过社会决定因素量化结构性不公正
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； University of Michigan（密歇根大学） ； University of Toronto（多伦多大学）
AI总结 本文主张算法公平性研究应超越敏感属性，通过社会决定因素量化结构性不公正，并通过理论模型和实证研究证明仅关注敏感属性的缓解策略可能引入新的结构性不公正。
Comments Accepted to ICML 2026 Position Paper Track
知道不等于理解：用认知与行为洞察重新奠定生成式主动性
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 Waterloo（滑铁卢大学）
AI总结 针对用户无法明确表达需求时的认知不完整问题，提出生成式主动性需要基于认知和行为双重约束来设计负责任的主动代理。
Comments 43 rd International Conference on Machine Learning (ICML 2026)
DuetServe: 通过自适应GPU多路复用协调LLM服务的预填充与解码
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 针对LLM服务中预填充与解码阶段的干扰问题，提出DuetServe框架，通过自适应SM级GPU空间多路复用实现单GPU内的阶段隔离，在保证低延迟的同时提升吞吐量。
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