University of California, Berkeley（加州大学伯克利分校）

Traditional machine learning vs. deep learning from dynamic graph representations of proteins' 3D folds in the task of protein structure classification

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

Aydin Wells, Francis A. Gatsi, Aaron Striegel, Tijana Milenković

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

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: Mitigating Rotational Misalignment in Federated LoRA

FedRot-LoRA: 缓解联邦LoRA中的旋转偏移

Haoran Zhang, Dongjun Kim, Seohyeon Cha, Haris Vikalo

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

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

Where's the Plan? Locating Latent Planning in Language Models with Lightweight Mechanistic Interventions

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

Nicole Ma, Nick Rui

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

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

Boundary-Centric Clip-Budgeted Active Learning for Temporal Action Segmentation

面向时间动作分割的边界中心剪辑预算主动学习

Halil Ismail Helvaci, Sen-ching Samson Cheung

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

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: Neuron Selective Tuning for LLM Safety

NeST: 面向LLM安全的神经元选择性调优

Sasha Behrouzi, Lichao Wu, Mohamadreza Rostami, Ahmad-Reza Sadeghi

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） 纠错

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。

Metabolic cost of information processing in Poisson variational autoencoders

泊松变分自编码器中信息处理的代谢成本

Hadi Vafaii, Jacob L. Yates

机构 * Redwood Center for Theoretical Neuroscience（理论神经科学红木中心） ； UC Berkeley（伯克利大学） 纠错

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

Rethinking the Trust Region in LLM Reinforcement Learning

重新思考LLM强化学习中的信任区域

Penghui Qi, Xiangxin Zhou, Zichen Liu, Tianyu Pang, Chao Du, Min Lin, Wee Sun Lee

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） 纠错

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。

Residual Context Diffusion Language Models

残差上下文扩散语言模型

Yuezhou Hu, Harman Singh, Monishwaran Maheswaran, Haocheng Xi, Coleman Hooper, Jintao Zhang, Aditya Tomar, Michael W. Mahoney, Sewon Min, Mehrdad Farajtabar, Kurt Keutzer, Amir Gholami, Chenfeng Xu

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

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。