高校专区
具有差分隐私的私有且稳定的测试时自适应
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出将多种测试时自适应方法转化为差分隐私形式，通过逐样本梯度裁剪和高斯噪声保护测试数据隐私，在ImageNet-C上实现隐私与精度的平衡，并发现裁剪机制能提升连续自适应的准确性和稳定性。
Comments ICML 2026. Code: https://github.com/van-hammerheads/private-stable-tta
MLS-Bench：对构建更好AI的AI系统的全面且严格评估
机构 * UC Berkeley（伯克利大学） ； Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of Washington（华盛顿大学） ； Purdue University（Purdue 大学） ； Harvard University（哈佛大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Shanghai Jiao Tong University（上海交通大学） ； UC San Diego（圣地亚哥大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出MLS-Bench基准，包含12个领域140个任务，评估AI系统能否发明通用且可扩展的机器学习方法，发现当前智能体在方法发明上仍远逊于人类，瓶颈在于科学洞察而非单纯搜索或计算。
动态生成视频中3D空间几何一致性的测量
机构 * Tongji University（同济大学） ； Tsinghua University（清华大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出SGC指标，用于评估动态生成视频中的3D空间几何一致性，通过分析多个相机姿态的分歧度来量化几何不一致问题，实验证实其能有效识别现有方法遗漏的关键故障。
Comments Accepted at ECCV 2026. Code is available at https://github.com/tj12323/SGC
Transformer 如何拒绝错误答案：事实约束处理的旋转动力学
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究揭示了Transformer在处理事实性问题时，隐藏状态空间中正确与错误延续路径的旋转分离现象，揭示了模型在深层结构中对错误延续的非局部化偏好。
SVG-EAR：通过误差感知路由实现稀疏视频生成的无参数线性补偿
机构 * UC Berkeley（加州大学伯克利分校）
AI总结 研究视频生成中扩散变换器二次注意力成本瓶颈问题，提出SVG-EAR，利用语义聚类后块内键值相似性，通过质心近似跳过块，用误差感知路由计算需精确补偿块，提升质量效率权衡并提高吞吐量。
CLEAR：认知风险和偶然风险的校准学习
机构 * Department of Operations, HEC, University of Lausanne（洛桑大学运营管理系） ； Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计系） ； Department of Electrical Engineering and Computer Science, University of California, Berkeley（加州大学伯克利分校电气工程与计算机科学系） ； BegooAI
AI总结 提出校准方法CLEAR，用两个参数结合测量噪声偶然不确定性与数据有限认知不确定性，提升回归任务预测区间条件覆盖率，与多种估计器兼容，在多数据集上效果良好。
Comments Project page: https://unco3892.github.io/clear/
Journal ref Published as a conference paper at ICLR 2026
学习发现迭代谱算法
机构 * International Computer Science Institute（国际计算机科学研究所） ； University of California Berkeley（加州大学伯克利分校） ； Dartmouth College（达特茅斯学院） ； Lawrence Berkeley National Laboratory（伯克利国家实验室）
AI总结 介绍用于发现大规模数值线性代数和数值优化迭代谱算法的神经网络框架AutoSpec，用粗谱信息适应输入算子，预测递归系数，应用于代表性任务有显著改进，还与经典理论有联系。
Comments Code available at: https://github.com/zihanghliu/AutoSpec
迈向用于社交机器人导航基准测试的数据驱动指标
机构 * Aston University（阿斯顿大学） ； Logical Robotics（逻辑机器人公司） ； University of California Berkeley（加州大学伯克利分校） ； TOYOTA Motor North America（丰田北美公司） ； Princeton University（普林斯顿大学） ； LAAS-CNRS（LAAS-CNRS研究所） ； George Mason University（乔治·梅森大学）
AI总结 致力于开发数据驱动的社交机器人导航指标以促进地面机器人基准测试和策略优化，介绍方法动机、数据集格式等，给出首个全面的学习社交机器人导航指标及相关结果。
Comments This work was presented at the 18th International Conference on Social Robotics (ICSR'2026)
Ask-to-Clarify: 通过多轮对话解决指令歧义
机构 * College of Computer Science and Artificial Intelligence, Fudan University, Shanghai, China（复旦大学计算机科学与人工智能学院） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院） ； Mechanical Systems Control Lab, UC Berkeley, California, USA（伯克利机械系统控制实验室）
AI总结 本文提出Ask-to-Clarify框架，通过多轮对话解决指令歧义问题，结合视觉语言模型和扩散模型，采用两阶段知识绝缘策略训练，实现多任务中更高效的协作式具身代理。
Comments Accepted by IROS 2026
定位：使用稀疏自编码器发现未知因素
机构 * Cornell University（康奈尔大学） ； UC Berkeley（伯克利大学）
AI总结 研究围绕稀疏自编码器（SAEs）的不同观点，指出其虽在作用于已知概念时效果欠佳，但在发现未知概念上很强大，还给出了在机器学习及社会健康科学等方面的应用案例。
Comments ICML 2026
极端情况下的格兰杰因果关系
机构 * Faculty of Business and Economics, University of Lausanne（洛桑大学商学院） ； Department of Statistics, UC Berkeley（伯克利大学统计学系） ； Research Institute for Statistics and Information Science, University of Geneva（日内瓦大学统计与信息科学研究所） ； Department of Industrial Engineering and Operations Research, Columbia University（哥伦比亚大学工业工程与运筹学系）
AI总结 介绍极端情况下格兰杰因果关系框架，利用因果尾系数从极端事件推断因果，建立与其他因果概念等价关系，证明关键性质，提出无模型新推断方法，性能和速度优于现有方法。
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