高校专区
HDFlow：用于长时间任务的分层扩散-流规划
机构 * Peking University（北京大学） ； University of Toronto（多伦多大学）
AI总结 本文提出HDFlow，一种新的分层规划框架，利用扩散和修正流模型的优势，克服了单一范式生成规划器的局限性，通过在模拟和现实中的家具组装任务验证其有效性。
Comments ICML 2026 (Spotlight)
适应性实验的算法：在统计分析与奖励之间进行权衡：结合均匀随机分配与奖励最大化
机构 * University of Toronto（多伦多大学） ； Carleton College（卡洛尔学院） ； University of Michigan（密歇根大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出了一种统计敏感算法TS-PostDiff，通过结合均匀随机分配和奖励最大化，在统计分析与用户奖励之间进行权衡，以提高实验效率和准确性。
位置：让我们开发数据探针，以根本理解数据如何影响大语言模型性能
机构 * Department of Computer Science, University of Exeter, UK（埃克塞特大学计算机科学系） ； Technical University of Munich, Germany（慕尼黑技术大学） ； Department of Electrical and Computer Engineering, University of Toronto, Canada（多伦多大学电气与计算机工程系） ； Department of Electrical and Computer Engineering, University of Florida, FL, USA（佛罗里达大学电气与计算机工程系）
AI总结 本文提出通过开发数据探针系统方法生成合成序列，以揭示数据特性对大语言模型性能、泛化能力和鲁棒性的影响，从而超越经验启发式方法。
Comments Accepted to ICML 2026 Position Paper Track
Journal ref Link to ICML record: https://icml.cc/virtual/2026/poster/67154
SAS: 语义感知的生成数据集蒸馏
机构 * Hokkaido University（北海道大学） ； University of Toronto（多伦多大学） ； The University of Tokyo（东京大学）
AI总结 本文提出了一种语义感知的数据集蒸馏方法，通过利用CLIP作为语义先验，设计三个语义评分函数来量化类别相关性、类别间分离性和集合内多样性，从而生成紧凑且语义区分度高的数据集。
Comments Published as a journal paper in IEEE OJSP
RIE-Greedy: 基于正则化的探索策略用于上下文老虎机
机构 * University of Toronto（多伦多大学） ； University of Michigan（密歇根大学）
AI总结 本文提出了一种基于正则化的探索策略（RIE-Greedy），利用模型拟合过程中的随机性作为内在探索源，理论证明其在两臂老虎机情况下等价于Thompson Sampling，并在大规模商业环境中优于epsilon-greedy等基准方法。
T-FIX：基于文本的可解释性方法，具备可解释的专家特征
机构 * Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Department of Computer Science, University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系） ； Department of Physics and Astronomy, University of Pennsylvania（宾夕法尼亚大学物理与天文学系） ； Flatiron Institute（Flatiron研究所） ； Department of Surgery, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院外科系） ； Division of Pulmonary, Allergy, and Critical Care, Perelman School of Medicine, University of Pennsylvania（宾夕菲亚大学佩雷尔曼医学院呼吸、过敏与危重医学科） ； Division of Cardiovascular Medicine, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院心血管医学科） ； Department of Surgery, University of Toronto（多伦多大学外科系） ； University Health Network（大学健康网络）
AI总结 本文提出T-FIX框架，用于评估LLM生成的解释是否符合专家的推理方式，通过七个科学任务和三个领域进行验证，实现了自动且可定制的专家对齐评估。
通过使用本地训练的潜在扩散模型进行领域适应以缓解3D前列腺双参数MRI数据稀缺问题
机构 * Institute of Biomedical Engineering, University of Toronto（多伦多大学生物医学工程研究所） ； Lunenfeld-Tanenbaum Research Institute, Mount Sinai Hospital（圣心医院卢内尔-塔内本研究所） ； KITE Research Institute, Toronto Rehabilitation Institute, University Health Network（多伦多康复研究所、KITE研究所在大学健康网络） ； Joint Department of Medical Imaging, University of Toronto, Princess Margaret Hospital, and Sinai Health systems（多伦多大学联合医学影像部门、玛格丽特医院及辛纳医疗系统） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Faculty Affiliate of the Vector Institute, Toronto（向量研究所教职员工）
AI总结 本文提出CCELLA++，一种新的潜在扩散模型流程，用于同时生成3D双参数前列腺MRI（bpMRI），包括轴向T2加权（AxT2）、高b值扩散系列（HighB）和表观扩散系数图（ADC），以克服数据稀缺问题。
Comments This work has been submitted to the IEEE for possible publication
精确调试基准：你的模型是在调试还是重生成？
机构 * University of Southern California（南加州大学） ； Microsoft（微软） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Toronto（多伦多大学）
AI总结 本文提出PDB基准，评估LLM调试能力，发现前沿模型调试精度低，即使受指令引导也难以达到高精度。
基于难度的偏好数据选择：通过DPO隐式奖励差距
机构 * Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学计算机科学与工程保罗·G·艾伦学校） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（德国图宾根马克斯·普朗克智能系统研究所） ； Jinesis Lab, University of Toronto & Vector Institute（多伦多大学Jinesis实验室及向量研究所）
AI总结 本文提出基于难度的偏好数据选择方法，利用DPO隐式奖励机制选择奖励差距小的样本，提升数据效率和模型对齐性能，在多个数据集和对齐任务中优于五个基线方法。
Comments Our code and data are available at https://github.com/Difficulty-Based-Preference-Data-Select/Difficulty-Based-Preference-Data-Select
形式方法与大语言模型交汇：面向高级AI系统合规性的审计、监控与干预
机构 * University of Toronto, Vector Institute（多伦多大学，向量研究所）
AI总结 本文提出结合形式方法与机器学习的审计和监控技术，用于检测AI系统中时间扩展行为约束的违规，实验表明其在检测违规方面优于LLM基方法，且能有效降低LLM代理的违规率。
动态图变换器中的注意力分散：诊断与可迁移的修复
机构 * Beijing Institute of Technology（北京理工大学） ； University of Toronto（多伦多大学） ； Hong Kong Baptist University（香港 Baptist 大学）
AI总结 本文识别动态图变换器在时间分布偏移下的注意力分散问题，并提出可迁移的差分注意力机制以提升性能，尤其在高偏移数据集上表现显著。
LDGuid: 一种通过潜在差异引导实现鲁棒变化检测的框架
机构 * University of Toronto（多伦多大学）
AI总结 本文提出LDGuid框架，通过学习并注入语义差异提升变化检测性能，实验显示其在多个数据集上显著提升分割效果，尤其在受光谱噪声影响的挑战性场景中表现突出。
Comments Accepted to IGARSS 2026. Code is available at: https://github.com/zjxyoyo/LDGuid
SurvivalPFN: 通过上下文贝叶斯推断实现生存预测的 amortization
机构 * Vector Institute（向量研究所） ； University of Toronto（多伦多大学） ； University of Alberta（阿尔伯塔大学） ； Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）
AI总结 SurvivalPFN 通过上下文学习实现生存预测的 amortization，利用预训练的网络在单次前向传递中处理右删失数据，避免了参数假设，产生校准的生存分布，在61个数据集上表现优异。
拉普拉斯头通过平滑标记表示来改进变换器
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 本文提出在变换器中引入拉普拉斯头，通过平滑标记表示提升性能，发现特定形式的平滑对任务有帮助。
RoboLab：一种高保真模拟基准，用于分析任务通用策略
机构 * NVIDIA ； University of Toronto（多伦多大学） ； The University of Sydney（悉尼大学）
AI总结 RoboLab通过高保真模拟环境评估任务通用策略的真实泛化能力，提供120个任务的视觉、程序和关系能力测试，揭示当前最佳模型的性能差距。
Journal ref Robotics: Science and Systems XXII, Sydney, Australia, 2026
分担负载：自主多车货运
机构 * University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所） ； Toronto Metropolitan University（多伦多 Metropolitan 大学） ； MDA Space（MDA 空间公司） ； Centre de Technologies Avancées（先进科技中心）
AI总结 本文提出一种分布式模型预测控制器，实现多车共享货运任务，通过定制化货运连接器实现高精度路径跟踪和任务灵活性，实验表明其在月球栖息地建设中具有显著优势。
Comments 19 pages, 14 figures, submitted to IEEE Transactions on Field Robotics
从SDR视频生成HDR视频
机构 * Sony Research（索尼研究实验室） ； York University（约克大学） ； Vector Institute（向量研究所） ； University of Toronto（多伦多大学）
AI总结 本文提出利用大规模生成视频模型从普通SDR视频生成HDR视频，引入多曝光视频模型和可学习视频合并模型，通过实验验证了其在真实场景和电影中的HDR转换能力。
TurboVGGT: 基于自适应交替注意力的快速视觉几何重建
机构 * Huawei Noah’s Ark Lab（华为诺亚实验室） ； University of Toronto（多伦多大学） ； Foundation Model Department, Huawei（华为基础模型部门）
AI总结 本文提出TurboVGGT，通过自适应稀疏全局注意力和帧注意力实现高效多视图3D重建，在保持重建质量的同时提升效率。
Comments Technical Report
SToRe3D：ViTs中稀疏令牌相关性用于高效多视角3D目标检测
机构 * University of Toronto（多伦多大学） ； Zoox Inc（Zoox公司）
AI总结 SToRe3D通过联合选择2D图像令牌和3D目标查询，实现高效多视角3D目标检测，在nuScenes和新基准上达到3倍加速，保持精度。
Comments Accepted to CVPR 2026
SurF：一种用于多变量不规则时间序列生成模型
机构 * Department of Computer Science（计算机科学系） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 SurF提出了一种生成模型，利用时间重标定定理将事件序列转换为独立同分布的单位速率指数噪声，支持跨异构事件流数据集训练，并在六个真实世界基准上取得最佳时间RMSE。
迈向资源高效的大型语言模型：蒸馏流水线的端到端能源核算
机构 * University of Toronto（多伦多大学）
AI总结 本文研究了蒸馏流水线的端到端能源成本，揭示了传统方法的能耗问题，并提出开放源代码工具用于标准化蒸馏研究。
Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026). 11 pages, 6 figures
GEAR：基于遗传算法的自主研究代理
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； AI Center-Toronto, Samsung Electronics（多伦多AI中心，三星电子） ； York University（约克大学）
AI总结 GEAR通过多路径搜索提升自主研究代理效果，采用群体搜索策略保持多个 promising 方向，通过突变和交叉探索新想法，优于传统方法。
否定忽视：当模型在训练中无法学习否定时的失败
机构 * University of Oxford（牛津大学） ； University of Toronto（多伦多大学） ； Warsaw University of Technology（华沙技术大学） ； NASK National Research Institute（国家研究 institute NASK） ； Truthful AI ； Anthropic ； UC Berkeley（伯克利大学）
AI总结 研究发现，当模型在训练中接触到标记为假的声明时，会错误地认为这些声明为真，且这种现象不仅发生在否定语句中，还扩展到其他认知限定词，影响模型的行为和安全性。
AI生成的幻灯片：它们好吗？学生能识别吗？
机构 * Aalto University（艾洛大学） ； University of Toronto Mississauga（多伦多大学滑铁卢分校）
AI总结 本文研究了生成式AI工具在生成幻灯片中的表现，发现编码助手生成的幻灯片更准确且教学效果更好，学生难以区分AI与人工生成的幻灯片，但高质量幻灯片与AI生成标签间存在负相关。
Comments 7 pages, 2 tables. Accepted to Western Canada Conference on Computing Education (WCCCE) 2026
LiBaGS：轻量级边界间隙合成用于目标合成数据选择
机构 * Department of Computer Science（计算机科学系） ； University of Toronto（多伦多大学） ； The Hospital for Sick Children UHN（Sick Children医院 UHN） ； KITE Research Institute（KITE研究机构） ； T-CAIREM Vector Institute（T-CAIREM向量研究所） ； Vector Institute（向量研究所）
AI总结 LiBaGS通过结合决策边界接近度、预测不确定性、真实数据密度和支持有效性，选择信息丰富且可能留在真实数据流形上的合成样本，改进了合成数据选择的准确性。
DeCo-DETR：解耦认知DETR用于高效的开放词汇目标检测
机构 * Jiangsu University（江苏大学） ； Brown University（布朗大学） ； Nanyang Technological University（南洋理工大学） ； MBZUAI ； University of New South Wales（新南威尔士大学） ； USC ； University of Toronto（多伦多大学） ； Data61 CSIRO
AI总结 DeCo-DETR通过统一解耦范式解决开放词汇目标检测中的计算开销与训练目标冲突问题，构建层次化语义原型空间并解耦语义推理与定位，提升推理效率。
Comments Accepted at ICLR 2026
LiLAW: 轻量级可学习自适应加权以学习样本难度并提高噪声训练
机构 * Department of Computer Science（计算机科学系） ； University of Toronto（多伦多大学） ； Department of Mathematics（数学系） ； The Hospital for Sick Children（圣·玛利亚医院） ； Department of Statistics（统计学系） ； UHN KITE Research Institute（UHN KITE研究所） ； T-CAIREM ； Vector Institute（向量研究所） ； Institute of Biomedical Engineering（生物医学工程研究所） ； Rehabilitation Sciences Institute（康复科学研究所）
AI总结 LiLAW通过动态调整样本损失权重，提升噪声训练下的准确性和鲁棒性，适用于多种数据集和架构。
IV-ICL：通过上下文学习界定制因变量效应
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； University College London（伦敦大学学院）
AI总结 本文提出IV-ICL方法，通过上下文学习直接学习因果效应的边际后验分布，并推导出界定制因变量效应的上下限，相比传统方法更高效且更可靠。
CommonWhy：用于评估大语言模型实体基础因果常识推理的数据集
机构 * University of Toronto（多伦多大学）
AI总结 CommonWhy数据集通过15000个为什么问题评估大语言模型的因果关系实体推理能力，揭示现有模型在因果推理和事实生成上的不足。
所有电路都通向罗马：重新思考用于大语言模型的电路和sheaf发现中的功能性各向异性
机构 * Rutgers University（罗格斯大学） ； Northwestern University（西北大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； University of Toronto（多伦多大学）
AI总结 本文挑战了电路和sheaf发现中关于函数局部化的假设，展示单个任务可由多个结构不同的电路或sheaf支持，并提出Overlap-Aware Sheaf Repulsion方法以发现高表现低重叠的机制。
Comments ICML 2026
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