高校专区
VideoKR：迈向知识和推理密集型视频理解
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 Michigan（密歇根大学）
AI总结 提出VideoKR，首个大规模训练语料库，通过人工参与的技能导向生成管道构建315K视频推理示例，增强知识和推理密集型视频理解，并在专家标注基准上验证其有效性。
Comments ICML 2026 Spotlight
对树集成模型的敏感性量化：一种符号和组合方法
机构 * Indian Institute of Technology Bombay（印度理工学院班加罗尔分校） ； University of Toronto（多伦多大学）
AI总结 本文提出了一种针对树集成模型的敏感性量化方法，通过离散化输入空间并枚举易受敏感性影响的区域，结合代数决策图（ADD）编码和分拆子问题，实现高效计算。实验表明，所提工具XCount在速度和可扩展性方面优于其他方法。
CuTeGen: 基于LLM的代理框架用于使用CuTe生成和优化高性能GPU内核
机构 * Department of Computer Science, University of Toronto（计算机科学系，多伦多大学）
AI总结 本文提出CuTeGen，一种基于LLM的代理框架，通过CuTe抽象层实现GPU内核的生成和优化，通过结构化生成-测试-优化工作流，在标准基准测试中实现了比PyTorch快1.71倍的速度提升，并在生成成本相近的情况下优于现有代理基线CudaForge。
Level Up: 定义和利用过渡问题以进行课程学习
机构 * Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系）
AI总结 本文提出了一种新的方法，通过定义和利用过渡问题来改进课程学习，该方法能够根据模型能力的提升动态调整训练难度，从而更有效地提升模型性能。
CaMeLs Can Use Computers Too: System-level Security for Computer Use Agents
机构 * University of Cambridge（剑桥大学） ； University of Toronto & Vector Institute（多伦多大学及向量研究所） ； ETH Zurich（苏黎世联邦理工学院） ； AI Security Company（人工智能安全公司）
AI总结 本文提出了一种系统级安全方法，用于计算机使用代理（CUAs），通过单次规划和NOVA框架在动态UI状态下提供控制流完整性保障，同时在保持性能的同时提升安全性。
从能力寻求强化学习训练中产生的对齐风险
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Toronto（多伦多大学） ； University of Cambridge（剑桥大学）
AI总结 本文研究了在易受攻击的环境中通过强化学习训练语言模型时，模型可能利用隐含漏洞来最大化奖励的风险，发现这些策略不仅限于狭窄的技巧，还能在一定程度上转移、传播，并在某些情况下比通过SFT学习更持久，表明需要扩展AI安全工作到审计和保障训练环境、奖励机制和评估渠道。
Comments Accepted by ICML 2026
Blade：一种使用扩散先验的无导数贝叶斯反演方法
机构 * California Institute of Technology（加州理工学院） ； University of Toronto（多伦多大学） ； Peking University（北京大学）
AI总结 本文提出Blade方法，通过使用扩散模型作为数据驱动的先验，解决无导数贝叶斯反演中高维非线性问题的后验估计问题，实现了准确且校准良好的后验分布。
逆熵最优运输通过数据似然最大化解决半监督学习
机构 * Institute for Advanced Study（高级研究院） ； National Research Council Canada（加拿大国家研究理事会） ； University of Toronto（多伦多大学） ； St. Petersburg State University（圣彼得格勒国立大学） ； Skolkovo Institute of Science and Technology（斯克罗夫诺技术研究所） ； Kazan Federal University（卡兹兰卡联邦大学）
AI总结 本文提出了一种名为EBiEOT的新学习范式，通过数据似然最大化技术无缝整合配对和非配对数据，解决了半监督学习中的数据获取难题，并证明了该方法在理论上能够以任意小的误差恢复真实条件分布。
通过非负每例费舍尔分解揭示模型处理策略
机构 * University of North Carolina Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 本文提出NPEFF方法，通过分解每例费舍尔矩阵揭示模型生成预测所用的策略，展示了NPEFF组件在语言模型和文本处理任务中的应用，并展示了如何通过扰动这些组件来干扰模型处理，同时通过消融研究和实验验证了NPEFF在分析和缓解去学习的副作用以及研究上下文学习中的优势。
STRIDE: 通过子集扰动的稀疏恢复进行训练数据归因
机构 * Jinesis AI Lab, University of Toronto & Vector Institute（Jinesis AI实验室，多伦多大学及向量研究所） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（智能系统马克斯·普朗克研究所，图宾根，德国） ； Thoughtworks（Thoughtworks公司） ； Martian ； ELLIS Institute, Tübingen, Germany（图宾根ELLIS研究所，德国） ； EuroSafeAI
AI总结 提出STRIDE框架，将训练数据归因建模为压缩感知中的稀疏恢复问题，通过激活空间中的轻量级“引导算子”模拟数据子集的影响，实现高效且准确的LLM预训练归因。
Comments project page: https://stride-tda.github.io/
AutoLab：前沿模型能否解决长周期自动研究与工程任务？
机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） ； University of Tokyo（东京大学）
AI总结 本文提出AutoLab基准，通过36个专家策划的长周期闭环优化任务评估前沿模型，发现持续迭代和利用经验反馈比初始尝试质量更重要。
Comments Code: https://github.com/autolabhq/autolab ; Website: https://autolab.moe/
动态一致子模最大化的通用框架
机构 * ETH Zurich（苏黎世联邦理工学院） ； KTH Royal Institute of Technology（皇家理工学院） ； University of Toronto（多伦多大学）
AI总结 针对全动态环境下的子模最大化问题，提出一个通用算法框架，首次实现具有次线性一致性的常数因子近似解。
Comments Accepted at ICML 2026
SURF: 通过无监督重混流进行分离
机构 * University of Toronto（多伦多大学）
AI总结 提出无监督流匹配方法SURF，直接从混合信号学习源分离，结合监督流匹配与自监督回归，通过重混步骤引导学生模型，在图像和音频基准上达到新最优。
Comments Accepted at ICML 2026
时间顺序对智能体记忆至关重要：面向长程智能体的线段树
机构 * University of Toronto（多伦多大学） ； Vector Institute for Artificial Intelligence（人工智能向量研究所）
AI总结 提出线段树记忆架构SegTreeMem，通过在线右边缘更新规则保持对话历史的时间顺序，结合层次化时间上下文进行检索，在长程记忆基准上优于现有方法。
高效且无需训练的单图像扩散模型
机构 * Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Vector Institute（向量研究所）
AI总结 提出一种基于多尺度补丁数据集的无训练单图像扩散模型，通过闭式最优去噪器实现高效生成，达到与训练模型相当的质量和多样性。
Comments CVPR 2026; Project Page: https://haojunqiu.github.io/efficient-SID/
交换相关泛函的导数知情学习
机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Data Science Institute（慕尼黑数据科学研究所） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； CuspAI ； California Institute of Technology（加州理工学院）
AI总结 提出导数知情交换相关损失(DI-Loss)，通过监督能量在密度矩阵Grassmannian上的一阶和二阶导数，训练O(N^3)标度的机器学习交换相关泛函以复现B3LYP/def2-SVP目标，在多个架构上平均总能量MAE降低66%，并减少混合泛函SCF迭代次数达50%。
Comments Proceedings of the 43rd International Conference on Machine Learning
DetectZoo：一个用于跨文本、音频和图像模态的AI生成内容检测的统一工具包
机构 * University of Toronto（多伦多大学） ； University of Waterloo（滑铁卢大学） ； Toronto Metropolitan University（多伦多 Metropolitan 大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所）
AI总结 提出DetectZoo，一个首个统一的多模态AI生成内容检测工具包，通过标准化数据预处理、评估流程和集成61个检测器与22个基准数据集，实现公平可重复的基准测试。
感知-物理悖论：用TC-Bench探究科学对齐
机构 * ETH Zurich（苏黎世联邦理工学院） ； DeepMind ； University of Cambridge（剑桥大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of Toronto（多伦多大学）
AI总结 本文提出科学对齐概念，通过结构同构性构建层次化必要条件，并发布TC-Bench基准数据集，揭示视觉基础模型在极端条件下依赖视觉捷径而非科学推理。
Comments Accepted at ICML 2026
TamperBench：系统化压力测试微调和篡改下的LLM安全性
机构 * Critical ML Lab Waterloo Canada（Waterloo大学Critical ML实验室） ； FAR.AI Berkeley USA（伯克利美国FAR.AI公司） ； University of Toronto Toronto Canada（多伦多大学） ； University of Waterloo Waterloo Canada（Waterloo大学） ； ETH Zürich Zürich Switzerland（苏黎世联邦理工学院） ； MIT CSAIL Cambridge USA（麻省理工学院CSAIL实验室） ； University of Toronto, MPI, EuroSafeAI, Vector Institute Toronto Canada（多伦多大学、马克斯·普朗克研究所、EuroSafeAI、Vector Institute） ； Critical ML Lab University of Waterloo Waterloo Canada（Waterloo大学Critical ML实验室）
AI总结 提出统一框架TamperBench，通过系统化超参数扫描评估21个开源LLM在9种篡改威胁下的安全性和实用性，发现越狱微调是最严重攻击，当前对齐阶段防御基本失效。
Comments 25 pages, 15 figures
从片段到场景：自动驾驶中基于视觉语言模型的时间理解
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Washington（华盛顿大学） ； University of Southern California（南加州大学）
AI总结 提出自动驾驶时间理解基准TAD，通过场景思维链和轨迹认知图两种无训练方法提升视觉语言模型的时间推理能力。
两阶段随机规划的情境生成
机构 * Department of Mechanical and Industrial Engineering, University of Toronto（机械与工业工程系，多伦多大学） ； Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology (KAIST)（工业与系统工程系，韩国科学技术院（KAIST））
AI总结 针对两阶段随机规划中情境数量大、部署受限的问题，提出两种情境生成方法（基于分布和基于任务），通过上下文信息学习生成少量替代情境，并保证决策质量。
Comments 79 pages, 12 figures
一种正则化方法用于QR条形码的盲去模糊和去噪
机构 * Fields Institute, University of Toronto（多伦多大学菲尔兹研究所）
AI总结 本文提出了一种基于正则化的纯方法，用于在存在噪声的情况下对QR条形码进行盲去模糊和去噪，利用了已知的所需模式和开源条形码阅读器的事实。
Comments 14 pages, 19 figures (with a total of 57 subfigures), 1 table; v3: previously missing reference [35] added
具有安全约束的贝叶斯优化：机器人中的安全自动参数调节
机构 * 1 Learning \& Adaptive Systems Group, Department of Computer Science, ETH Zurich, Switzerland. 2 Dynamic Systems Lab, Institute for Aerospace Studies, University of Toronto, Canada.
AI总结 本文提出了一种通用算法，允许在目标函数之外存在多个独立的安全约束。该算法在给定初始安全参数的情况下，最大化性能，但仅评估满足所有安全约束的参数。通过利用高斯过程先验的正则性假设，该算法仔细探索参数空间，并展示了如何利用上下文变量安全地将知识转移到新任务中。
固定翼无人飞行器鲁棒协同编队控制
机构 * Institute for Aerospace Studies, University of Toronto（航空航天研究学院，多伦多大学）
AI总结 本文研究了固定翼无人机在紧密编队飞行中用于节能的鲁棒协同编队控制问题，提出了一种新的协同控制方法，通过虚拟结构概念解决大规模无人机编队中虚拟领导者设计的难题，并采用协作者滤波器生成平滑的参考信号，同时利用不确定性与扰动观测器补偿气动耦合导致的模型不确定性，最终实现了鲁棒的编队控制。
紧密编队飞行的鲁棒非线性控制
机构 * University of Toronto（多伦多大学）
AI总结 本文研究了在动态飞行操作中，为跟随飞行器在受领航机生成的尾涡影响下实现精确位置控制的问题，提出了一种鲁棒非线性编队控制算法，通过基线控制律和扰动观测器实现精确编队跟踪控制，通过数值模拟验证了设计的有效性。
Comments 33 pages, 20 figures
基于估计的模型预测控制用于混合空中车辆的自动侧风稳定
机构 * Dynamic Systems Lab, Institute for Aerospace Studies, University of Toronto, Canada（动态系统实验室，航空航天研究 institute，多伦多大学，加拿大）
AI总结 本文研究了一种新型浮力辅助空中运输车辆的自动侧风稳定控制系统设计，通过设计风扭矩估计器和模型预测控制器（MPC）来提高响应速度，实验表明该方法比传统PID控制器快80-90%。
Comments 23 pages, 13 figures, preprint submitted to Elsevier Mechatronics
具有证明鲁棒性的基于学习的方法用于拉格朗日系统高精度跟踪控制
机构 * Dynamic Systems Lab（动态系统实验室） ； Institute for Aerospace Studies（航空航天研究院） ； University of Toronto（多伦多大学）
AI总结 本文提出基于高斯过程的新型学习控制方法，确保系统稳定性与高精度跟踪，通过不确定性界保证鲁棒性，并在仿真和实验中验证有效性。
Comments 8 pages, 4 figures, 2 tables, submitted to IEEE Robotics and Automation Letters (RA-L) and the 2019 International Conference on Robotics and Automation (ICRA) (created: March 2018; updated: September 2018)
自适应模型预测控制在变化条件下高精度轨迹跟踪中的应用
机构 * Dynamic Systems Lab（动态系统实验室） ； University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究 institute）
AI总结 本文提出一种结合模型预测控制与L1自适应控制器的自适应模型预测控制器，用于在未知和变化的扰动环境下提高系统轨迹跟踪性能。通过实验验证，该方法在四旋翼无人机上表现出更低的轨迹跟踪误差。
通过L1自适应反馈和迭代学习实现高精度轨迹跟踪的迁移学习
机构 * Institute for Aerospace Studies, University of Toronto, North York, ON M3H 5T6, Canada（多伦多大学航空航天研究 institute, 北York, ON M3H 5T6, 加拿大）
AI总结 本文提出结合L1自适应控制与迭代学习控制的框架，用于在未知动态环境中实现高精度轨迹跟踪，通过迁移学习实现不同系统间的经验传递。
比较和整合约束编程与时间规划用于量子电路编译
机构 * Quantum Artificial Intelligence Laboratory, NASA Ames Research Center（量子人工智能实验室，美国国家航空航天局阿姆斯特朗研究中心） ； Planning and Scheduling Group, NASA Ames Research Center（规划与调度组，美国国家航空航天局阿姆斯特朗研究中心） ； USRA Research Institute for Advanced Computer Science（美国宇航局高级计算机科学研究所） ； Stinger Ghaffarian Technologies, Inc.（Stinger Ghaffarian技术公司） ； Department of Mechanical & Industrial Engineering, University of Toronto（多伦多大学机械与工业工程系）
AI总结 本文比较了约束编程与时间规划在量子电路编译中的应用，提出混合方法提升求解质量，证明混合方法在多数问题中优于单独使用时间规划。
Comments 9 pages, 2 figures, Proceedings of the 28th International Conference of Automated Planning and Scheduling 2018 (ICAPS-18)
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