高校专区
通过可靠性感知多引擎融合实现可靠的蛋白质-配体结合亲和力预测
机构 * University of Southern California（南加州大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 研究针对蛋白质-配体结合亲和力预测中引擎结果不一致问题，提出RELIABLE-BA框架，通过三步实现多引擎预测，经实验验证其能提升预测竞争力和不确定性校准，可筛选高置信对减少误差，是首个结合证据融合与上下文可靠性的预测框架。
MIS-HCC：用于高效医学图像分割的分层通道聚类
机构 * Yale University（耶鲁大学） ； University of Florida（佛罗里达大学） ； Wichita State University（威奇托州立大学） ； Purdue University（普渡大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Zhejiang University（浙江大学）
AI总结 针对医学图像分割模型在资源受限平台部署的挑战，提出分层聚类压缩方法MIS-HCC，利用瓦瑟斯坦距离表示通道相似性形成矩阵指导聚类，融合通道生成压缩网络，实验证明其在精度和压缩效率上优于现有方法。
用人类策略解释和调整基于Transformer的语言模型在算术任务中的表现
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong Polytechnic University（香港理工大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 研究基于Transformer的语言模型在算术任务中的表现，通过分解任务、分析损失收敛等，应用人类策略和方法提升其性能，并经多种验证展示有效性，探索其与人类学习者相似性以增强关键应用中的信任。
DROID-ANCHOR：基于里程计锚定的循环度量深度估计
机构 * UC Berkeley（加州大学伯克利分校）
AI总结 研究针对单目系统尺度问题，提出Metric-DROID架构，通过集成里程计，利用LSTM更新算子、不确定性感知度量后端及选择性残差微调策略，实现视觉SLAM与物理现实锚定，有效解决尺度模糊等问题。
在移动NPU推理中减轻随着电池电量耗尽由编译器融合引起的功率突发
机构 * UC Berkeley（加州大学伯克利分校） ； Sony（索尼公司）
AI总结 研究移动设备低电压下NPU推理因编译器融合致功率突发问题，提出测量引导的预编译图重写方法，可减少峰值电流、降低延迟开销、保持稳定延迟并偏移DVFS裕度。
Comments 16 pages, 6 figures
BACON：用于多人工智能评判器建模与评估的预算人类校准
机构 * Adobe Research（Adobe研究院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 研究针对人工智能评判器输出有偏差等问题，提出BACON四阶段流程，结合预算人类校准与多人工智能评判器输出。通过构建辅助特征、收集人类标签训练模型，实现总体指标估计和个体级替代评分，提高了预测准确性等，提供实用评估框架。
电影的自回归建模及其在视频蒙太奇中的应用
机构 * TTI-Chicago（芝加哥丰田理工学院） ； Adobe（奥多比公司） ； Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University（捷克技术大学捷克信息学、机器人学与控制论研究所） ； UC Berkeley（加州大学伯克利分校）
AI总结 研究针对视频蒙太奇挑战，提出FilmGPT自回归Transformer，通过在电影语料库训练捕捉电影“语法”，推理时用镜头约束解码算法选最佳镜头，在镜头预测和电影编辑任务中表现出色，还适用于多种视频蒙太奇应用。
Journal ref SIGGRAPH Conference Papers '26, Article 129, 1-11, ACM, 2026
CyberGym-E2E：面向AI代理端到端网络安全能力的可扩展真实世界基准
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CyberGym-E2E，一个大规模、真实的端到端网络安全基准，通过自动化流水线将开源漏洞数据转化为评估环境，全面评估AI代理在漏洞发现、PoC生成和补丁生成全生命周期中的能力。
Comments ICML 2026
LLMs中RL越狱的系统性研究
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文首次系统分解RL越狱框架，通过分析奖励函数、动作空间、回合长度等环境形式化因素和算法措施，发现密集奖励和延长回合长度是越狱成功的主要驱动因素，并提供了提升RL越狱效率及强化模型防御的工具。
Comments Warning: This paper may contain unfiltered and potentially offensive jailbreaking examples. Accepted at the Second Workshop on Agents in the Wild: Safety, Security, and Beyond (AIWILD) at ICML 2026
STAC：当无害工具形成危险链以劫持LLM代理
机构 * AWS AI Labs（AWS人工智能实验室） ； UC Berkeley（伯克利大学）
AI总结 STAC通过多轮工具链攻击揭示LLM代理的安全漏洞，提出基于推理的防御策略，显著降低攻击成功率。
Comments Long version with 15 pages in main draft and a total of 39 pages including references and appendix. Data and code \url{https://github.com/amazon-science/MultiTurnAgentAttack}
BADTV：揭示第三方任务向量中的后门威胁
机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） ； University of California, Berkeley（加州大学伯克利分校） ； RIKEN（理化学研究所） ； National Chengchi University（国立成功大学） ； CISPA Helmholtz Center for Information Security（CISPA 河岸信息安全中心） ； Institute of Science Tokyo（东京科学研究所）
AI总结 研究大规模预训练模型中任务向量易受后门攻击问题，提出BadTV攻击方法，通过创建非对称复合后门，在多种操作下保持有效，实验表明其成功率高，现有防御失效，凸显保障任务向量安全需有力对策。
Comments This paper has been accepted to the ACM SIGSAC Conference on Computer and Communications Security (ACM CCS)
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