高校专区
scCBGM：可解释的单细胞反事实编辑
机构 * University of Copenhagen（哥本哈根大学） ； University of Cambridge（剑桥大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Tokyo（东京大学） ； University of Washington（华盛顿大学） ； University of Oxford（牛津大学）
AI总结 提出scCBGM框架，通过概念瓶颈架构和解耦惩罚实现单细胞反事实编辑，在组合泛化和反事实预测上表现优异。
Comments Accepted to ICML 2026; code at https://github.com/almaan/scCBGM
检测多人在线游戏中的自瞄作弊者
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PATCH主动防御策略，通过对抗性补丁作为游戏蜜标，触发作弊者目标检测模型，实现检测或干扰，在定制Unreal Engine游戏中白盒检测率超90%，跨模型迁移率达60-90%。
立场：基因组模型研究必须超越可解释性方法的轶事评估
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 本文通过转录因子结合基准测试，揭示不同可解释性方法常产生矛盾解释、无法定位已知调控基序且不能忠实反映模型决策，主张采用类似临床试验的系统验证框架。
训练-推理核契约：约束后训练与部署中的偏差
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出核契约框架，通过数值、统计、运行时和可观测性条款约束训练核与推理核之间的分布偏差，并推导偏差界以保障策略梯度无偏性。
AI科学家何时应停止？可验证实验引导与自主发现的拒绝机制
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CARTOGRAPH验证层，通过未解析子空间引导、模糊闭合和残差库检测，在多个测试中优于原始投影，并能识别和撤销库外机制。
Comments Accepted at AI for Science Workshop at ICML 2026
多模态大语言模型作为视频研究中的合成参与者：一项评估
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本研究评估多模态大语言模型在视频感知任务中模拟人类主观评分的表现，发现模型存在偏差且与人类一致性有限。
Comments Accepted to SocialLLM @ ICWSM 2026
深度单指标弗雷歇回归
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出DeSI框架，通过深度神经网络估计单指标方向，在度量空间中进行弗雷歇回归，缓解维数灾难并保持可解释性，理论保证收敛率，在分布、网络等数据上表现优异。
超越有界差分的稳定性：有限 $L_p$ 矩下的尖锐泛化界
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对重尾或无界损失，提出仅需有限 $L_p$ 矩条件的稳定性框架，导出尖锐高概率泛化界，覆盖经验风险最小化、转导回归和元学习。
训练任务多样性对上下文学习的影响：基于低维子空间的视角
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学）
AI总结 本文通过低秩高斯混合模型分析训练任务多样性（由子空间非重叠列数定义）如何提升线性注意力上下文学习的泛化与优化，解释训练多样性缩短学习平台期及实现分布外泛化的现象，并扩展至非线性场景。
流式视频生成与流力控制
机构 * Northeastern University（东北大学） ； Impossible Research ； University of California, Berkeley（加州大学伯克利分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出StreamForce框架，通过统一力表示和蒸馏流程实现因果、统一的流式视频生成，支持局部和全局时变力控制，在单GPU上达到16.6 FPS，力遵循和运动真实性达最优。
通过动态策略梯度对离散潜在结构进行生成建模
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出GReinSS框架，使用动态缩放奖励学习潜在状态分布以最大化观测数据似然，在模拟潜在集和图重建中优于基线，并在RNA测序数据中比RSEM更准确地重建异构体。
Comments ICML 2026
RETROSPECT: 通过序列预测和化学变换排序的逆合成
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出RETROSPECT系统，将单步逆合成分解为候选生成和重排序，结合ChemAlign Transformer生成器和LambdaMART重排序器，在USPTO-50K上实现55.00% top-1准确率。
Comments Accepted at the AI for Science workshop (ICML 2026)
理解稀疏自编码器中概念学习与神经元解释的几何视角
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出统一数学框架，将概念学习形式化为集合对齐问题，区分检测、分离和近似三种学习强度，并给出几何条件与误差界，通过形式概念分析连接概念学习与神经元解释。
自动驾驶任务级运行时保证框架
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 提出一种评估驾驶安全与任务完成能力的运行时保证框架，通过监控系统拒绝不可行命令，实验证明其优于仅关注平台安全的方法。
微调陷阱：评估负迁移及PEFT在亚十亿参数数学推理中的作用
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 本研究评估了五种亚十亿参数模型在数学推理任务中的微调策略，发现全量微调对小于3亿参数的模型造成负迁移，而参数高效微调（PEFT）是稳定性要求。
Comments 8 pages, 6 figures, 2 tables
基于证据的802.11数据包捕获集成诊断：具有确定性可靠性评分的多阶段流水线
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出PROBE多阶段流水线，通过确定性证据框架和集成方法解决LLM在802.11诊断中的幻觉、置信度偏差和评估偏见问题，在87个企业Wi-Fi捕获上实现0.957的加权证据F1分数和96%的自动接受率。
Comments 37 pages, 9 figures, 9 tables
MedSIGHT：迈向医学大型视觉语言模型中的基础视觉理解
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出MedSIGHT框架，通过区域感知器、医学区域码本和渐进训练策略，统一医学视觉语言模型的语义理解和像素级分割，在72K数据上达到多模态理解与分割的SOTA。
Comments Accepted at ICML 2026
固定预算噪声进化策略中深度优先于保真度
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对固定评估预算下的噪声进化策略，提出概率精英成员（PEM）方法，通过条件期望秩权重替代硬秩权重，实现Rao-Blackwell化降噪，在COCO基准和RL等任务中取得一致提升。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026). 28 pages, 16 figures, 7 tables, including appendices
Wasserstein空间中平滑变化分布的时空极小极大速率
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究在Wasserstein空间中，基于过去有限噪声快照估计未来曲线值的极小极大速率，提出时空下界并证明其匹配上界。
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