高校专区
双曲神经群体几何结构有益于计算
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出海马体群体活动诱导双曲几何的理论框架，证明现代Hopfield网络更新规则计算最小均方误差估计，并引入双曲空间中的新联想记忆模型，其容量显著优于现有模型。
Comments Accepted at ICML 2026, 37 pages, 5 figures
强化学习中流策略的测试时梯度引导
机构 * UC Berkeley（加州大学伯克利分校） ； Physical Intelligence
AI总结 提出QGF算法，通过预训练参考流策略和价值函数，在测试时利用价值梯度引导策略生成高价值动作，无需额外策略学习，在离线RL基准上优于现有测试时方法且与训练时方法竞争力相当。
谁把复活节彩蛋带到了开斋节？跨语言和地区数学应用题的文化翻译审计
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 本研究审计了三个大型语言模型将60个英语数学应用题翻译为7种语言时的文化适应性，发现模型在62.5%的案例中一致，但仅33.5%有相同替换，且所有组合均出现熵塌缩，优先改变表面标记而保留深层结构，导致文化多样性压缩和区域误归因。
Comments 17 pages total with references and appendix, 9 figures, under review
基于信息增益规划与信念融合的多无人机主动感知
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出多无人机主动感知框架，利用信息增益路径规划与概率信念融合实现二元地形映射，在合成和真实农业图像上验证，相比随机游走和扫描覆盖降低熵与误差。
缩小零样本HAR中的模态差距：基于IMU数据的对比训练与可分性优化原型
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对IMU基零样本人体活动识别中的模态差距问题，提出对比训练与描述性原型结合的方法，在PAMAP2数据集上实现73.2%准确率和0.583宏F1，并指出宏F1更适合作为评估指标。
Comments 17 pages, 7 figures
基于自举流Q学习的离线强化学习快速且高表达性策略学习
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出自举流Q学习（BFQ），通过分治位移向量并自举短程分量，实现单步动作生成，无需辅助网络或蒸馏，显著降低计算成本并提升性能。
Comments ICML 2026, 19 pages
Journal ref ICML 2026
GaussTrace：基于证据的LLM推理的3D高斯泼溅模型溯源分析
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GaussTrace框架，通过属性统计分析和假设驱动的编辑模拟，结合大语言模型链式推理，构建3D高斯泼溅模型的有向溯源图，无需训练或编辑历史。
Comments Accepted by ICML2026
将混合系统嵌入连续潜在向量场
机构 * University of California, Berkeley, CA, USA（加州大学伯克利分校） ； University of Michigan, Ann Arbor, MI, USA（密歇根大学安娜堡分校）
AI总结 证明当m>2n时，n维混合系统可嵌入m维欧氏空间中的连续向量场，并基于此提出一种潜在神经ODE方法，从时间序列数据中准确恢复混合系统流，优于现有方法。
Comments Accepted to ICML 2026
面向多样化科学假设搜索的大语言模型
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对科学假设搜索中多样性崩溃问题，提出基于并行回火的多温度进化框架，在固定验证预算下提升假设质量与多样性。
Comments ICML 2026
LieIPM：用于刚体直接轨迹优化的李群内点法
机构 * University of California, Berkeley（加州大学伯克利分校） ； MIT（麻省理工学院） ； Ohio University（俄亥俄大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 提出一种基于李群结构的约束轨迹优化框架LieIPM，利用二阶刚体模型和变分积分器，实现无奇异、快速收敛的牛顿型更新。
测试时对抗接管：针对机器人扩散策略的实时劫持接口
机构 * Tsinghua University（清华大学） ； Independent Researcher（独立研究员） ； Johns Hopkins University（约翰霍普金斯大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出测试时对抗接管（TAKO）方法，通过可微扩散推理学习可重复使用的通用补丁，在测试时切换补丁以劫持机器人策略，实现远程操控，在多种任务和模型上达到100%接管成功率。
SARM2: 多任务阶段感知奖励建模用于自我改进的机器人操作
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出多任务阶段感知奖励模型RM，结合动作基元阶段估计器和多门控专家混合值头，为机器人操作任务提供密集逐步奖励，并基于RM构建SPIRAL框架，通过廉价自主轨迹改进VLA策略，在10任务基准上显著提升成功率。
基准测试与探索LLM在攻击调查中的能力
机构 * University of Chicago（芝加哥大学） ； University of California, Berkeley（加州大学伯克利分校） ； Google（谷歌）
AI总结 提出AuditBench基准数据集，评估LLM在安全审计日志分析中的性能，涵盖四种常见调查任务，揭示模型在不同设计选择下的表现差异与错误类型。
对齐防御LLM免受属性推断攻击
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Simons Institute, UC Berkeley（伯克利大学Simons研究所）
AI总结 提出基于对齐的防御方法，通过后训练调整模型输出分布，在不修改训练数据的情况下缓解属性推断攻击，并保持效用与机密性的平衡。
本地并非充分的隐私边界：治理操作系统集成的设备端AI
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出一个以操作系统为中心的隐私框架，将隐私视为制度问责问题而非部署属性，通过威胁模型、六部分隐私风险分类、隐私架构控制和四级审计标准来治理设备端AI。
DB-3DME：从数据集到基准测试，实现与人类对齐的自动3D网格评估
机构 * University of California, Berkeley（加州大学伯克利分校） ； Roblox Corporation（Roblox公司）
AI总结 提出DB-3DME数据集与基准，包含2619个合成3D网格及其人类评分，通过微调视觉编码器优化VLM评估性能，显著超越现有模型。
Comments CVPR 2026 workshop paper. 10 pages, 3 figures, 6 tables. Dataset available at GitHub and Hugging Face
公共医学视觉语言基准中预训练污染的受控审计
机构 * Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； Mayo Clinic（梅奥诊所）
AI总结 审计发现公共医学VLM基准存在图像源重叠和文本规范顺序交换性信号，但确认的像素级重复罕见，且现有成员推理检测器在小规模医学VLM队列中不可靠。
Comments 30 pages, 7 figures, 9 tables. Preprint
FailureScope: 语言模型弱点的跨机制行为诊断
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出FailureScope方法，通过跨模型通过/失败模式聚类评估探针，在单轮基准、多轮对话和对抗性代理攻击三种机制下稳定生成可解释的失败分类，实现高效任务采样和跨模型失败预测。
对话者效应：为什么LLMs向智能体泄露的个人数据比向人类多
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 研究发现LLMs在与AI智能体对话时比与人类对话更易泄露个人身份信息，通过注意力抑制假说解释该现象，实验表明安全对齐注意力头在智能体交互中失活导致泄露增加23个百分点。
范围惩罚：理论洞见及其在联邦学习中的应用
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出范围正则化方法，通过极值聚类实现跨客户端正则化，并开发非渐近统计精度与模式恢复的新证明技术，以及利用局部强凸性的快速优化算法。
SynIB: 多模态学习中最大化协同的信息瓶颈
机构 * University of California, Berkeley（加州大学伯克利分校） ； Google Research（谷歌研究院） ； University of Amsterdam（阿姆斯特丹大学）
AI总结 提出SynIB方法，通过信息瓶颈理论直接优化多模态协同，在训练中屏蔽单模态时惩罚高置信度，提升跨模态推理能力，在合成和真实任务上准确率提升达7.8%。
LLM引导的神经架构搜索用于物理神经网络的鲁棒协同设计
机构 * University of California, Berkeley（加州大学伯克利分校） ； DeepMind（深度思维）
AI总结 提出UH-NAS框架，利用大语言模型作为进化算子，协同优化任务准确率和推理能耗，实现跨硬件平台的公平比较，在光学MZI硬件上发现更鲁棒的架构。
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