高校专区
超越训练分布：评估分布偏移和选择偏差下的预测
机构 * Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计学系）
AI总结 针对协变量偏移和选择性标签共存时的模型评估问题，提出双机器学习程序估计目标风险，并通过eICU数据验证其准确性优于单独处理任一种偏差的方法。
自适应核截断用于长形式推理
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出自适应核截断采样（ANTS），通过熵条件控制器动态调整截断宽度，在长文本生成中提升推理性能，在33B参数稀疏MoE模型上平均提升1.9-5.2分。
PLAIground: 边缘-云-空间连续体中复合AI系统的SLO驱动运行时模型选择
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出PLAIground框架，通过CAIM抽象和Pixie算法实现复合AI系统的运行时模型选择，在满足准确率、延迟和成本SLO的同时，动态切换模型，实验显示准确率达91.3%且SLO合规。
Journal ref Proceedings of the 2026 IEEE International Conference on Smart Computing (SMARTCOMP), pp. 261-266, 2026
跳出聊天框：融合计算机科学与工业设计的认知包容性生成式人工智能
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对当前GenAI界面认知门槛高、对智力障碍者不友好等问题，通过跨学科设计挑战，提出融合计算机科学的结构化支架与工业设计的体验式支架的双层框架，以扩展认知包容性交互设计空间。
数值分析的形式化：超越内核接受的智能体流水线与质量审计
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种编码智能体流水线，将数值分析教材形式化为Lean 4代码，并引入三维质量评估框架（语义正确性、Mathlib复用、跨文件复用），发现编译通过掩盖了不忠实的形式化模式。
隐于无形：使用DECOMPBENCH基准测试代理安全对抗分解攻击
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Simons Institute, UC Berkeley（Simons研究所，伯克利大学）
AI总结 提出DeCompBench基准，通过分解攻击将有害任务拆分为良性子任务，揭示现有代理安全机制在对抗分解攻击时的脆弱性。
掩码、采样、修正：面向引导离散流匹配文本转语音的可修正CTMC推理栈
机构 * Federal University of Goiás（戈亚斯联邦大学） ； Federal University of Uberlândia（乌贝兰迪亚联邦大学） ； University of São Paulo（圣保罗大学） ； University of Brasília（巴西利亚大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校）
AI总结 提出Mask, Sample, Revise推理栈，结合无预测器引导、提示匹配条件耦合和调度约束重掩码机制，在低步数下提升离散流匹配TTS的鲁棒性和可懂度。
ADORE: 基于检索反馈的迭代查询扩展
机构 * University of Waterloo（滑铁卢大学） ； Mila – Quebec AI Institute（魁北克人工智能研究所） ； University of Toronto（多伦多大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出ADORE框架，通过迭代生成伪段落、检索语料库并评估相关性，利用检索反馈指导查询扩展，显著提升检索性能。
基于蒸馏视觉语言可靠性的引导扩散用于空中导航
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 提出一种可靠性感知的扩散规划器，通过蒸馏视觉语言模型生成场景级可靠性热图，引导去噪过程处理不可靠区域，显著降低无人机导航中的障碍物违反率并提高区域可靠性。
AnyGoal: 视觉-语言引导的多智能体探索实现免训练终身导航
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出AnyGoal，一种免训练多机器人架构，利用视觉-语言模型（VLM）驱动前沿探索，通过共享2D高斯贝叶斯价值图（BVM）协调智能体，实现终身证据积累，在GOAT-Bench上达到52.4%子任务成功率，优于模块化方法27.7个百分点。
Comments 17 pages, 3 figures
原生不可学习的大语言模型
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出NULLs模型，通过共享骨干和稀疏激活的sinks分离数据源贡献，实现无需梯度更新的高效遗忘，在维基百科上验证了单篇文章遗忘的有效性和鲁棒性。
多变量时间序列无训练时滞谱嵌入的平稳性与耦合准则
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出基于时滞相关矩阵截断的固定长度描述符D(τ)，通过平稳高斯VAR(1)模型推导其适用条件：信号近似平稳且类别信息存在于跨通道时间耦合而非边际功率。
Comments 25 pages, 2 figures, 10 tables
通过进化搜索和不确定性感知学习发现分布外处理协议的闭环方法
机构 * Department of Materials Science and Engineering, University of Tennessee, Knoxville（田纳西大学材料科学与工程系） ； Materials Science and Engineering Department, Materials Research Institute, the Pennsylvania State University（宾夕法尼亚州立大学材料研究学院材料科学与工程系） ； Department of Materials Science and NanoEngineering, Rice University（Rice大学材料科学与纳米工程系） ； Rice Advanced Materials Institute, Rice University（Rice大学先进材料研究所） ； Department of Materials Science and Engineering, University of California, Berkeley（加州大学伯克利分校材料科学与工程系） ； Departments of Chemistry and Physics and Astronomy, Rice University（Rice大学化学与天文物理系） ； Physical Sciences Division, Pacific Northwest National Laboratory（太平洋西北国家实验室物理科学部）
AI总结 提出一种闭环工作流，结合紧凑波形表示的进化搜索与不确定性感知深度核学习，自动发现提升铁电薄膜非线性响应的分布外处理协议，并通过实验验证其机制。
通过流反转引导改进机器人通用策略
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出流反转引导（FRS）方法，通过逆向流策略找到次优动作的潜在噪声并映射到通用策略的动作模式，提升零样本控制、行为克隆和强化学习效果。
边界框作为目标：通过神经符号规划实现语言条件抓取
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出GRASP框架，利用预训练VLM将自然语言查询转化为神经符号目标状态，通过边界框检测实现零样本桌面操作，无需任务特定训练。
Comments Project website: https://allisonandreyev.github.io/grasp.github.io/
传统机器学习 vs. 深度学习在蛋白质三维折叠动态图表示中的蛋白质结构分类任务
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本研究比较了传统机器学习与深度学习在基于动态蛋白质结构网络进行蛋白质结构分类时的准确性和效率，发现两者准确性相近但深度学习慢10倍以上。
Comments Main paper: 16 pages, 4 figures, and 1 table; Supplementary information: 13 pages, 9 figures
FedRot-LoRA: 缓解联邦LoRA中的旋转偏移
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出FedRot-LoRA框架，通过正交变换对齐客户端更新以减少子空间不匹配，提升联邦LoRA在异质数据下的性能。
Comments ICML 2026
计划在哪里？通过轻量级机制干预定位语言模型中的潜在规划
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 通过押韵对句补全任务，使用线性探针和激活修补方法，研究语言模型在生成过程中是否形成并因果依赖未来约束的潜在规划，发现仅Gemma-3-27B模型存在因果依赖，并定位到五个注意力头。
Comments 13 pages, 20 figures, 3 tables. Accepted to Workshop on Mechanistic Interpretability @ ICML 2026
面向时间动作分割的边界中心剪辑预算主动学习
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出B-ACT框架，通过边界中心监督策略，在有限标注预算下优先标注动作边界帧，显著提升时间动作分割的标签效率，在多个数据集上超越现有方法。
NeST: 面向LLM安全的神经元选择性调优
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NeST框架，通过激活探测识别安全相关前馈神经元并训练共享簇级更新，仅用普通恶意提示即可泛化防御多种越狱攻击，在14个模型上以极少参数实现接近全微调的鲁棒性。
泊松变分自编码器中信息处理的代谢成本
机构 * Redwood Center for Theoretical Neuroscience（理论神经科学红木中心） ； UC Berkeley（伯克利大学）
AI总结 通过泊松变分自编码器，发现KL散度项与先验发放率成正比，产生代谢成本项，从而在编码保真度和能量消耗之间实现权衡。
Comments Published in CCN 2026 Proceedings: https://doi.org/10.32470/6ff31r0
重新思考LLM强化学习中的信任区域
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学）
AI总结 针对PPO在LLM微调中因词表大导致的训练不稳定问题，提出基于策略散度直接约束的DPPO算法，并引入高效近似方法。
残差上下文扩散语言模型
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出残差上下文扩散（RCD）模块，通过回收丢弃令牌的上下文残差提高扩散语言模型的解码效率，在长/短CoT任务上以极少额外计算提升准确率4-11个百分点。
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