高校专区
ScoreStop: 基于梯度的早期停止方法使用函数得分检验
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出ScoreStop方法，通过函数得分检验在每次迭代中检验当前预测器是否为总体风险最小化器，从而在梯度提升决策树中实现基于梯度的早期停止，避免过拟合。
Comments Presented at the International Conference on Machine Learning 2026 Workshop on Hypothesis Testing
神经元群体随规模表现出分化的选择性
机构 * UC Berkeley（加州大学伯克利分校） ； TTIC
AI总结 通过分析Rosetta神经元在不同规模模型中的分布与特性，发现其数量遵循次线性幂律增长，且选择性随规模增强，而非Rosetta神经元则保持低选择性，提出一个平衡特征效用与神经元容量的分析模型解释这一极化现象。
Comments Project page and code: https://avdravid.github.io/rosetta-neuron-scaling/
基于遗传优化的稀疏道路观测城市交通仿真校准
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 提出一种基于遗传算法的框架，利用稀疏道路观测数据校准城市交通仿真，无需详细就业数据，生成与真实测量高度相关的交通流和就业分布。
利用BART基于评分标准评估CS1 C++编程作业
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 提出基于评分标准的多任务微调BART模型，用于自动评分C++编程作业，通过联合预测数值分数和等级区间并匹配分布，使评分更接近教师行为。
DeepSpeak-Agentic 数据集
机构 * University of California, Berkeley, USA（加州大学伯克利分校） ； Stanford University, USA（斯坦福大学）
AI总结 本文提出了一个包含37小时人机半结构化对话视频的数据集DeepSpeak-Agentic，用于评估AI代理的自动取证识别、研究人机交互特性，并作为大型语言模型和AI生成语音/面部技术的基准。
表格基础模型预训练的速通
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种速通竞赛格式，通过优化单文件训练脚本，在nanoTabPFN上实现81倍预训练加速，并建立社区排行榜以累积改进。
通过幻觉拒绝采样构建可靠的长文本生成
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； DeepMind（深度思维）
AI总结 提出分段幻觉拒绝采样框架SHARS，利用任意幻觉检测器在生成过程中拒绝并重采样幻觉片段，以缓解长文本生成中的幻觉累积问题，提升事实一致性。
Comments accepted by ICML 2026
IdEst: 通过内在维度评估自监督学习表示
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出IdEst方法，利用最小生成树维度估计器评估自监督学习表示的内在维度，发现其与下游线性探测性能强相关，并能高效选择超参数。
Comments ICML 2026
大型语言模型中的多语言遗忘：迁移、动态与可逆性
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 本文通过扩展TOFU基准到五种语言，研究大型语言模型中的多语言遗忘，发现遗忘迁移在不同语言间高度可变，且遗忘主要作用于后期解码层而非共享的跨语言潜在空间，因此可以通过推理时的单一引导方向逆转大部分遗忘效果。
Comments Accepted at ICML 2026
唯我论超级智能不太可能合作
机构 * DeepMind（深度Mind） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文指出，基于唯我论方法设计的超级智能（极端能力的任务求解器）因忽视部署引发的内生非平稳性而难以合作，呼吁将相互依存作为核心设计原则的非唯我论研究范式。
Comments 24 pages, 1 figure, Accepted at Proceedings of the 43rd International Conference on Machine Learning, 2026
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。
能力广告作为柠檬市场：异构智能体网络的信任层
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对LLM智能体网络中的能力虚假声称问题，提出基于柠檬市场理论的信任层，通过概率描述、筛选和声誉机制实现可信委托。
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。
我们真的在倾斜吗？流模型和扩散模型中奖励引导的机制
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文通过高斯混合模型和二次奖励的闭式分析，揭示了奖励引导扩散中奖励黑客现象源于Doob h函数的有限粒子插件估计，并提出了无额外计算的闭式奖励阻尼调度来纠正模式内偏差。
QUIVER: 用于大型机器学习模型中增强表示的量子信息视角
机构 * University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学）
AI总结 提出QUIVER框架，通过变分量子电路提取量子Fisher信息矩阵作为几何特征，与经典特征融合以提升大型机器学习模型性能，并在QM9和JetClass数据集上验证了有效性。
Comments 9 pages, 1 figure and 2 tables. Accepted as a poster at the AI4Physics Workshop, ICML 2026 (Seoul, South Korea)
基于生产车辆巡航信号的道路表面二分类机器学习方法
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对巡航工况下传统摩擦估计方法失效的问题，提出基于特征和端到端数据驱动框架，利用车辆动力学信号统计特征对路面抓地力（干/湿）与打滑（雪/冰）进行二分类。
D-Judge: 使用语义保持输出重写破坏多轮越狱攻击
机构 * University of California, Berkeley（加州大学伯克利分校） ； International Computer Science Institute（国际计算机科学研究所） ； University of California, Riverside（加州大学河滨分校） ； Lawrence Berkeley National Laboratory（伯克利国家实验室）
AI总结 提出D-Judge防御方法，通过语义保持的输出重写干扰攻击者的评判模型反馈循环，从而降低多轮越狱攻击的成功率。
Comments Proceedings of the 43rd International Conference on Machine Learning
Lean-GAP：形式化研究生代数问题数据集
机构 * University of California, Berkeley（加州大学伯克利分校） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Hanyang University（翰阳大学） ； Hufs University（Hufs大学） ； Sungkyunkwan University（成均馆大学） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； Sejong University（世宗大学） ； University of Connecticut（康涅狄格大学）
AI总结 本文提出Lean-GAP数据集，包含430个来自Dummit和Foote《抽象代数》的形式化研究生代数问题，并开发了从PDF预处理到自动形式化再到验证的可扩展流水线。
RADE: 随机增删边作为正则化器
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出随机增删边方法RADE，同时解决图神经网络过拟合和长程信息过压缩问题，通过训练-推理对齐实现无分布偏移的正则化，并自适应调整增删率。
Comments 27 pages, ICML 2026
ProjQ：面向适配器感知的大语言模型压缩的投影与量化
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出ProjQ框架，通过正交子空间投影将量化噪声约束到低秩流形，利用交替算法将主导误差卸载给适配器，实现更优的量化误差补偿和下游任务微调。
Comments Acceppted paper in ICML 2026
多样性优于频率：重新思考视觉思维链智能体中的工具使用
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）
AI总结 本文研究视觉思维链智能体在复杂推理任务中的工具使用，发现工具使用崩溃现象，并提出熵正则化方法通过鼓励多样化探索提升推理性能。
Comments Presented in ICML 2026
SAHG：用于社交机器人检测的扇区各向异性双曲图模型
机构 * University of Leeds（利兹大学） ； University of Science and Technology of China（中国科学技术大学） ； South China Normal University（华南师范大学） ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong（香港中文大学） ； Harbin University of Commerce（哈尔滨商业大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Peking University（北京大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出扇区各向异性双曲图模型SAHG，通过方向依赖曲率场和扇区原型解决欧几里得GNN在层次无标度社交图中的失真问题以及异质连接导致的信号污染问题，在三个基准上取得最佳性能。
如何引导你的流：通过流图奖励引导实现少步对齐
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出流图奖励引导（FMRG），一种无训练、单轨迹的框架，利用流图在仅需3次NFE下实现奖励引导生成，速度比现有方法快一个数量级。
回到柏拉图的洞穴：大规模检验跨模态表示收敛性
机构 * UC Berkeley（伯克利大学） ； Technical University Munich, MCML（慕尼黑技术大学） ； University of Tübingen, Tübingen AI Center（图宾根大学） ； Toyota Technical Institute at Chicago（芝加哥丰田技术研究所）
AI总结 本文通过大规模数据集实验，质疑了柏拉图表示假说中跨模态表示收敛的证据，发现对齐度随数据规模增大而显著下降，且仅反映粗粒度语义重叠。
Comments Project page: http://akoepke.github.io/cave_umwelten/
使用REL评估大语言模型中的关系推理能力
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文通过关系复杂度（RC）定义推理难度，构建涵盖代数、化学和生物学的生成式基准REL，发现前沿大语言模型在RC增加时性能持续下降，表明模型在高元关系绑定上存在固有局限。
Comments ICML 2026
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
LC-SAC: 基于Koopman算子理论的李雅普诺夫约束软演员-评论家算法用于轨迹跟踪与镇定
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种结合Koopman算子理论的李雅普诺夫约束软演员-评论家算法，通过线性提升动力学模型和闭环控制李雅普诺夫函数实现轨迹跟踪与镇定，并引入条件风险价值约束处理罕见但严重的失稳事件。
Comments 13 pages, 8 Figures
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。
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