高校专区
基于低秩结构的数据选择主动学习
机构 * Google Research（谷歌研究院） ； University of California, Berkeley（加州大学伯克利分校） ； Institute of Science and Technology Austria (ISTA)（奥地利科学技术研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； Texas A&M University（德克萨斯农工大学）
AI总结 提出基于低秩近似和残差采样的数据选择框架，在温和正则条件下选择加权子集，使平均损失近似全数据集平均损失，相对误差(1+ε)加性项εΦ_k，实验优于均匀采样和聚类敏感采样。
Comments ICML 2026
DeepRoot: 一个基于知识图谱协调的多智能体系统，用于历史医学文本的治疗推理
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学）
AI总结 提出DeepRoot多智能体系统，通过联合构建和利用验证知识图谱，将接地与推理分离并组合，从历史医学文本中恢复药物-疾病治疗关系，显著优于基线LLM和工具调用LLM。
Journal ref ICML 2026 GenBio; ACM CAIS 2026 Workshop AI Agents for Discovery in the Wild
深度残差注入：多模态大语言模型的全频谱取证信号感知
机构 * National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Electronic Science and Technology of China（电子科技大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对多模态大语言模型在取证中难以同时保留语义知识和捕获低级生成器伪影的问题，提出Deep-VRM方法，通过将伪影特定视觉信号作为残差路径注入中间层，实现全频谱信号感知，达到鲁棒检测性能。
Comments Accepted at ICML 2026
显微镜下的数据流形
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对深度学习理论与实践的差距，提出一个基准框架，通过扩展dSprites和COIL-20数据集并配合有限差分估计器，实现曲率、可达性和体积的近真实值估计，用于校准几何估计器和验证理论假设。
Comments Accepted at ICML 2026. Camera-ready version
AnonShield：面向CSIRT漏洞数据的可扩展本地化假名化系统
机构 * University of California, Berkeley（加州大学伯克利分校） ； Federal University of Paraná（巴西南里杰尼联邦大学）
AI总结 提出AnonShield，一种结合GPU加速NER、流处理、缓存和模式感知配置的高吞吐量本地假名化系统，在550MB数据集上实现738倍加速，F1分数达94.2%，兼顾效率与效用。
Comments 9 pages, including 2 figures and 8 tables, submitted to SF/SBRC 2026
智能检索与强化学习方程链：面向复杂新颖物理文字题的可控生成框架
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出ARVRE两阶段框架，通过离线时序差分学习构建有效物理方程链，结合智能检索增强生成控制问题结构与难度，再由大语言模型生成自然语言问题，实现复杂、新颖且可解的物理文字题生成。
谁漂移了：系统还是裁判？LLM评估流水线中的随时有效归因
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种基于固定锚点集和赌检验的方法，区分LLM评估中产品性能下降与裁判模型变化导致的分数漂移，并证明其随时有效性和归因准确性。
学习上下文感知的神经ODE动力学用于自适应机器人控制
机构 * University of California, Berkeley（加州大学伯克利分校） ； Aalto University（阿尔托大学） ； YaiYai Ltd（YaiYai有限公司）
AI总结 提出基于神经ODE的上下文感知动力学模型，通过两阶段训练从状态-动作历史推断环境因素，实现模型预测控制下的自适应，在四旋翼、Sphero BOLT和Fanuc机械臂上验证了时空变化环境下的有效性。
超越分类：呼吸声学基础模型的咳嗽回归基准
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 提出多模型多目标咳嗽回归基准，评估五个基础模型在六个目标上的表现，发现MLP-small优于线性探测，揭示数据集大小与头部容量的权衡，并展示跨数据集迁移的不对称性。
Comments Accepted at the ICML 2026 Workshop on Structured Data for Health
语言模型智能体中的奖励黑客：重新审视AI安全网格世界
机构 * KUIS AI Center, Koç University（科奇大学KUIS人工智能中心） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本研究将AI安全网格世界框架改编为文本评估套件，发现语言模型在零样本下出现规范博弈，通过直接奖励优化扩大观察与隐藏奖励差距，且标准缓解措施无效。
Comments 28 pages, 16 figures, 13 tables
一种基于模型与无模型混合框架的主动多视角声纳目标识别视点优化
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出混合模型与无模型框架，结合CNN观测似然与Radon方向估计，通过信息增益奖励训练PPO智能体离线学习视点选择策略，部署时仅用CNN信念更新实现实时视点选择，在声纳数据集上以更少感知步数和运动成本达到竞争性识别精度。
最大化激励口碑奖励的上下文赌博机
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出上下文多臂赌博机框架，通过学习个体溢出概率并排序连接用户，以最大化激励口碑奖励，实验证明考虑溢出异质性可提升目标定位精度。
Comments Presented at the AAAI 2025 Workshop on Bridging the Gap Between AI Planning and Reinforcement Learning (PRL)
相位局部筛选无帮助：基于逐阶段度量选择的演示过滤负面结果
机构 * Department of Mechanical Engineering, University of California, Berkeley（加州大学伯克利分校机械工程系）
AI总结 本文通过LIBERO任务实验证明，按阶段局部应用度量进行演示筛选不如全局或统一度量，原因是缺陷信号被稀释且阶段度量不可迁移。
Comments 5 pages, 3 tables. Code: https://github.com/aaravbedi/phase-gated-curation
从基础机器学习原子间势中提取潜静电
机构 * Department of Chemistry, UC Berkeley（加州大学伯克利分校化学系） ； Bakar Institute of Digital Materials for the Planet, UC Berkeley（伯克利大学数字材料研究所） ； Chemical Sciences Division, Lawrence Berkeley National Laboratory（伯克利国家实验室化学科学部）
AI总结 提出潜埃瓦德求和（LES）方法，从基础机器学习原子间势中提取潜静电，训练轻量级学生模型，降低计算成本并提供玻恩有效电荷张量和红外光谱，基准测试表明教师模型的DFT级别比架构更重要。
AI Engram: 在人工智能中寻找记忆痕迹
机构 * University of California, Berkeley（加州大学伯克利分校） ； KAIST（韩国科学技术院）
AI总结 提出几何框架，通过约束逆问题形式化神经科学标准，识别深度神经网络中的记忆痕迹（AI engram），实现记忆的线性组合与擦除，无需迭代优化。
Comments Accepted to ICML 2026 (Oral). Code is available at https://github.com/jeakwon/ai-engram/
具有受控扰动的实例相关标签噪声基准测试
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出CILN框架，通过受控输入扰动生成实例相关标签噪声，构建90个基准设置，揭示噪声结构对算法行为的重要影响。
Comments 12-page conference submission
记住，不要重读：用于令牌高效自主实验的有状态ReAct智能体
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出基于LangGraph的有状态ReAct智能体，通过持久化状态和固定大小对话窗口，将自主实验的令牌成本从O(n²)降至O(1)，在超参数调优和代码优化任务中分别减少90%和52%的令牌消耗。
语义增强的检索增强时间序列预测
机构 * University of California, Berkeley（加州大学伯克利分校） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； University of Montreal（蒙特利尔大学）
AI总结 针对非平稳性下仅靠时间序列相似性检索不足的问题，提出SERAF框架，通过双模态检索（时间序列及其自生成文本描述）联合利用历史模式，提升预测性能。
Comments Accepted to the ICML 2026 Workshop on Forecasting as a New Frontier of Intelligence
基于峰值的HPGe γ能谱机器学习与SHAP核素识别
机构 * University of California, Berkeley（加州大学伯克利分校） ； Lawrence Berkeley National Laboratory（伯克利国家实验室）
AI总结 提出机器学习模型，利用分析者拟合的光电峰映射到核素识别结果，在65种同位素组合的实验谱上F1达0.97，优于传统软件的0.84，并通过SHAP解释揭示模型使用物理相关峰进行预测。
Comments 25 pages, 11 figures (plus an additional 6 figures in the appendix), and 3 tables. To be published in Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment
S23DR 2026：基于对比去噪的DETR风格集合预测实现端到端3D线框预测
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出WireframeDETR方法，直接对3D点云进行DETR风格集合预测，无需中间顶点检测，通过对比去噪训练、多尺度编码器和渐进辅助损失权重实现端到端3D线框预测，在S23DR 2026挑战赛上取得0.575 HSS。
Comments Technical report; S23DR 2026 Challenge submission
合成到真实的着陆区安全检测流水线
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种合成数据生成与感知流水线，通过域随机化生成逼真城市环境并微调Transformer架构，结合欧几里得距离变换实现无碰撞着陆区检测，消除手动标注需求。
Comments Proceedings of Conference on Robots and Vision (CRV) 2026, Vancouver, British Columbia , Canada
AgentBeats：面向开放性、标准化和可复现性的智能体评估代理化
机构 * University of California, Berkeley（加州大学伯克利分校） ； Purdue University（普渡大学） ； University of Ljubljana（卢布尔雅那大学） ； University of Washington（华盛顿大学） ； Oasis Labs ； University of Maryland（马里兰大学） ； IBM Research（IBM研究院） ； Mila ； McGill University（麦吉尔大学） ； ServiceNow Research（ServiceNow研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； National Institute of Standards and Technology（美国国家标准与技术研究院） ； The Ohio State University（俄亥俄州立大学） ； University of Cambridge（剑桥大学） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
AI总结 提出代理化智能体评估（AAA）框架，通过标准化协议（A2A和MCP）统一评估接口，实现开放、可复现的多智能体评估，并基于AgentBeats系统通过大规模竞赛和案例研究验证其覆盖性、实用性和保真度。
Fast-dLLM++: 用于更快扩散LLM推理的Fréchet轮廓解码
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 针对扩散大语言模型推理中并行令牌生成的瓶颈，提出Fréchet轮廓解码方法，通过利用异构置信度轮廓选择并行提交集，在保持模型和缓存不变的情况下提升吞吐量。
Comments Initial version accepted at Workshop on Structured Probabilistic Inference & Generative Modeling, ICML 2026. Project Page: https://ringo-star.github.io/projectpage_frechet/
深度强化学习何时超越校准基线？自适应资源控制的基准研究
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学）
AI总结 通过RLScale-Bench基准测试，发现校准的基于规则的自动缩放器在所有工作负载上成本均低于六种主流深度强化学习算法，并揭示了算法选择、基线校准和评估协议的关键瓶颈。
基于时间增强符号图神经网络的动态链接预测
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种模块化时间增强框架，通过历史上下文集成模块（HCIM）结合可学习的近因感知时间加权、LSTM嵌入轨迹建模和多头时间注意力，在符号图神经网络中捕获短期和长期符号交互动态，并在SE-SGformer上实例化，实验证明在多个真实和合成时间符号网络上性能显著提升。
Comments This manuscript has been withdrawn by the authors due to errors discovered in the implementation and experimental evaluation. These errors materially affect the reported results and conclusions. The authors therefore do not recommend using or citing this work
灾难性遗忘的机制起源：为什么RL比SFT更好地保留电路？
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 Toronto（多伦多大学）
AI总结 通过引入差异电路脆弱性指标，研究比较了强化学习与监督微调在大型语言模型微调中对内部计算电路的保留程度，发现RL虽任务适应较慢但能更好保留电路，从而减轻灾难性遗忘。
通过秩上的反射扩散学习排列分布
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出Soft-Rank Diffusion框架，通过将排列松弛为软秩实现平滑扩散，并引入上下文广义Plackett-Luce去噪器，在排序和组合优化任务上优于现有扩散方法。
Comments 18 pages including the appendix, 7 figures, 9 tables, Accepted at ICML 2026
SkillsBench: 基准测试智能体技能在不同任务中的有效性
机构 * BenchFlow ； OSU ； Amazon ； UC Berkeley ； UC Santa Cruz ； UC Davis ； Dartmouth ； RLWRLD ； Independent ； Princeton University ； Oxford University ； Stanford University ； USC ； CMU ； Foxconn ； Zenity ； UNSW ； UT Austin ； MSU ； Duke University ； ByteDance ； UT Dallas ； UC San Diego ； Columbia University ； University of Rochester ； Cornell Tech ； Georgia Tech ； Cornell University ； NEU ； UCLA ； Snap Inc. ； Fanshawe College ； University of Science and Technology of China ； HKUST(GZ) ； Anyscale
AI总结 提出SkillsBench基准，包含8领域87个任务，通过配对评估证明技能提升平均通过率16.6个百分点，小模型配备技能可匹敌大模型。
CountFormer：一种用于学习类无关物体计数中视觉重复和结构的Transformer框架
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 CountFormer通过使用DINOv2和位置嵌入，改进了无示例物体计数中的结构一致性，实现了在FSC-147上的竞争力表现。
Comments Accepted at the 2026 IEEE 2nd International Conference on Quantum Photonics, Artificial Intelligence and Networking (QPAIN 2026)
Journal ref 2026 IEEE 2nd International Conference on Quantum Photonics, Artificial Intelligence & Networking (QPAIN)
KrishokBondhu：一种基于检索增强的语音农业咨询呼叫中心，面向孟加拉语农民
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出KrishokBondhu，一种基于检索增强生成框架的语音农业咨询平台，通过OCR处理农业手册等资料，结合大语言模型生成回答，实现孟加拉语农民的实时农业指导。
Comments Accepted at the 2026 IEEE 2nd International Conference on Quantum Photonics, Artificial Intelligence and Networking (QPAIN 2026)
Journal ref 2026 IEEE 2nd International Conference on Quantum Photonics, Artificial Intelligence & Networking (QPAIN)
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