高校专区
缩小零样本HAR中的模态差距：基于IMU数据的对比训练与可分性优化原型
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对IMU基零样本人体活动识别中的模态差距问题，提出对比训练与描述性原型结合的方法，在PAMAP2数据集上实现73.2%准确率和0.583宏F1，并指出宏F1更适合作为评估指标。
Comments 17 pages, 7 figures
基于自举流Q学习的离线强化学习快速且高表达性策略学习
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出自举流Q学习（BFQ），通过分治位移向量并自举短程分量，实现单步动作生成，无需辅助网络或蒸馏，显著降低计算成本并提升性能。
Comments ICML 2026, 19 pages
Journal ref ICML 2026
GaussTrace：基于证据的LLM推理的3D高斯泼溅模型溯源分析
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GaussTrace框架，通过属性统计分析和假设驱动的编辑模拟，结合大语言模型链式推理，构建3D高斯泼溅模型的有向溯源图，无需训练或编辑历史。
Comments Accepted by ICML2026
将混合系统嵌入连续潜在向量场
机构 * University of California, Berkeley, CA, USA（加州大学伯克利分校） ； University of Michigan, Ann Arbor, MI, USA（密歇根大学安娜堡分校）
AI总结 证明当m>2n时，n维混合系统可嵌入m维欧氏空间中的连续向量场，并基于此提出一种潜在神经ODE方法，从时间序列数据中准确恢复混合系统流，优于现有方法。
Comments Accepted to ICML 2026
面向多样化科学假设搜索的大语言模型
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对科学假设搜索中多样性崩溃问题，提出基于并行回火的多温度进化框架，在固定验证预算下提升假设质量与多样性。
Comments ICML 2026
LieIPM：用于刚体直接轨迹优化的李群内点法
机构 * University of California, Berkeley（加州大学伯克利分校） ； MIT（麻省理工学院） ； Ohio University（俄亥俄大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 提出一种基于李群结构的约束轨迹优化框架LieIPM，利用二阶刚体模型和变分积分器，实现无奇异、快速收敛的牛顿型更新。
测试时对抗接管：针对机器人扩散策略的实时劫持接口
机构 * Tsinghua University（清华大学） ； Independent Researcher（独立研究员） ； Johns Hopkins University（约翰霍普金斯大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出测试时对抗接管（TAKO）方法，通过可微扩散推理学习可重复使用的通用补丁，在测试时切换补丁以劫持机器人策略，实现远程操控，在多种任务和模型上达到100%接管成功率。
SARM2: 多任务阶段感知奖励建模用于自我改进的机器人操作
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出多任务阶段感知奖励模型RM，结合动作基元阶段估计器和多门控专家混合值头，为机器人操作任务提供密集逐步奖励，并基于RM构建SPIRAL框架，通过廉价自主轨迹改进VLA策略，在10任务基准上显著提升成功率。
基准测试与探索LLM在攻击调查中的能力
机构 * University of Chicago（芝加哥大学） ； University of California, Berkeley（加州大学伯克利分校） ； Google（谷歌）
AI总结 提出AuditBench基准数据集，评估LLM在安全审计日志分析中的性能，涵盖四种常见调查任务，揭示模型在不同设计选择下的表现差异与错误类型。
对齐防御LLM免受属性推断攻击
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Simons Institute, UC Berkeley（伯克利大学Simons研究所）
AI总结 提出基于对齐的防御方法，通过后训练调整模型输出分布，在不修改训练数据的情况下缓解属性推断攻击，并保持效用与机密性的平衡。
本地并非充分的隐私边界：治理操作系统集成的设备端AI
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出一个以操作系统为中心的隐私框架，将隐私视为制度问责问题而非部署属性，通过威胁模型、六部分隐私风险分类、隐私架构控制和四级审计标准来治理设备端AI。
DB-3DME：从数据集到基准测试，实现与人类对齐的自动3D网格评估
机构 * University of California, Berkeley（加州大学伯克利分校） ； Roblox Corporation（Roblox公司）
AI总结 提出DB-3DME数据集与基准，包含2619个合成3D网格及其人类评分，通过微调视觉编码器优化VLM评估性能，显著超越现有模型。
Comments CVPR 2026 workshop paper. 10 pages, 3 figures, 6 tables. Dataset available at GitHub and Hugging Face
公共医学视觉语言基准中预训练污染的受控审计
机构 * Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； Mayo Clinic（梅奥诊所）
AI总结 审计发现公共医学VLM基准存在图像源重叠和文本规范顺序交换性信号，但确认的像素级重复罕见，且现有成员推理检测器在小规模医学VLM队列中不可靠。
Comments 30 pages, 7 figures, 9 tables. Preprint
FailureScope: 语言模型弱点的跨机制行为诊断
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出FailureScope方法，通过跨模型通过/失败模式聚类评估探针，在单轮基准、多轮对话和对抗性代理攻击三种机制下稳定生成可解释的失败分类，实现高效任务采样和跨模型失败预测。
对话者效应：为什么LLMs向智能体泄露的个人数据比向人类多
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 研究发现LLMs在与AI智能体对话时比与人类对话更易泄露个人身份信息，通过注意力抑制假说解释该现象，实验表明安全对齐注意力头在智能体交互中失活导致泄露增加23个百分点。
范围惩罚：理论洞见及其在联邦学习中的应用
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出范围正则化方法，通过极值聚类实现跨客户端正则化，并开发非渐近统计精度与模式恢复的新证明技术，以及利用局部强凸性的快速优化算法。
SynIB: 多模态学习中最大化协同的信息瓶颈
机构 * University of California, Berkeley（加州大学伯克利分校） ； Google Research（谷歌研究院） ； University of Amsterdam（阿姆斯特丹大学）
AI总结 提出SynIB方法，通过信息瓶颈理论直接优化多模态协同，在训练中屏蔽单模态时惩罚高置信度，提升跨模态推理能力，在合成和真实任务上准确率提升达7.8%。
LLM引导的神经架构搜索用于物理神经网络的鲁棒协同设计
机构 * University of California, Berkeley（加州大学伯克利分校） ； DeepMind（深度思维）
AI总结 提出UH-NAS框架，利用大语言模型作为进化算子，协同优化任务准确率和推理能耗，实现跨硬件平台的公平比较，在光学MZI硬件上发现更鲁棒的架构。
通过Lingua Franca实现ROS 2应用的确定性执行
机构 * TU Dortmund University（多特蒙德工业大学） ； University of California, Berkeley（加州大学伯克利分校） ； RWTH Aachen University（亚琛工业大学）
AI总结 提出框架将未修改的ROS 2应用转换为Lingua Franca程序，利用逻辑时间实现确定性执行，解决ROS 2中回调执行顺序和消息交织的非确定性问题。
注意力电路何时形成？三种1B级架构中能力和注意力汇出现的发育轨迹
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文追踪三种1B级语言模型中注意力头电路的形成轨迹，发现归纳电路形成早于注意力汇形成10-20倍令牌，且电路识别无需最终模型。
Comments 27pages, 3 figures
通信动力学神经网络：用于改进Hessian条件数并减少参数数量的FFT对角化层
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出CDLinear块循环线性层，通过FFT对角化Hessian矩阵，在参数减少3.8倍下保持高精度，并给出显式条件数分析。
Comments 17 pages, 5 figures. Includes NumPy implementation, gradient checks, MNIST experiments, and reference PyTorch CD-Transformer implementation
不耐烦的用户混淆AI智能体：用于测试智能体的高保真人类特质模拟
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出TraitBasis方法，通过控制用户特质向量（如不耐烦、不连贯）对AI智能体进行压力测试，发现性能下降2%-30%，揭示当前智能体对用户行为变化的脆弱性。
Comments ACL 2026 [Oral]
AnomaMind：基于工具增强推理的智能体时间序列异常检测
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出AnomaMind框架，将时间序列异常检测重构为顺序决策过程，通过粗到细的工作流（定位可疑区间、工具交互构建诊断证据、自我反思细化决策）结合知识记忆与数值诊断工具包，并采用混合推理机制，显著提升域内和跨域异常检测性能与泛化能力。
通过检索增强生成和多目标对齐统一查询自动补全中的排序与生成
机构 * Apple（苹果公司） ； UC Berkeley（加州大学伯克利分校）
AI总结 提出一个统一框架，通过检索增强生成（RAG）和多目标直接偏好优化（DPO）将查询自动补全重构为端到端列表生成，解决传统流水线长尾覆盖不足和生成方法幻觉风险的问题，并在大规模商业搜索平台上验证了有效性。
Comments 11 pages, 4 figures
Journal ref Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26), August 09--13, 2026, Jeju Island, Republic of Korea
子采样自然梯度算法的草图-投影分析
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 通过将子采样自然梯度下降（SNG）视为草图-投影方法，提出基于平方体积采样的新代理，证明单小批量下SNG方向期望等于预处理梯度下降步，给出全局收敛保证和显式收敛率，并解释SNG相对于SGD的优势在于更有效利用模型雅可比矩阵的谱衰减。
Comments 26 pages, 7 figures
保结构学习提升神经PDE在几何泛化中的表现
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出General-Geometry Neural Whitney Forms (Geo-NeW)方法，通过联合学习微分算子和兼容的降阶有限元空间，结合有限元外微积分精确保持物理守恒律，显著提升对未见几何域的泛化能力。
异常检测是否需要任务特定训练？
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出基于检索的异常检测框架RAD，无需任务特定训练，通过多级检索匹配记忆库中的无异常特征，在多个基准上达到最优性能，挑战了任务特定训练的必要性。
当距离干扰：BT损失中表示距离偏差对奖励模型的影响
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 分析BT损失中表示距离导致的梯度偏差，提出NormBT自适应归一化方案，提升奖励模型在细粒度区分上的性能。
Comments ICML 2026
MMD Guidance: 基于最大均值差异引导的无训练分布适应扩散模型
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出MMD Guidance，一种无训练方法，通过最大均值差异梯度引导扩散模型采样，实现与参考数据分布对齐，无需重新训练。
如何评估人机交互？软件代理设计案例研究
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出PULSE框架，通过用户反馈和模型预测结合评估人机交互，在15k用户实验中验证其能减少40%置信区间，并揭示基准测试与真实结果的差异。
Comments ICML 2026
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