Bayesian Membership Privacy for Graph Neural Networks
图神经网络的贝叶斯成员隐私
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对图神经网络中结构相关性和随机训练图采样导致的成员推断问题，提出贝叶斯成员隐私（BMP）框架，通过贝叶斯假设检验量化节点级成员隐私，并设计采样感知审计机制以评估隐私泄露。
高校专区
University of California, Berkeley（加州大学伯克利分校）
Channel-Oriented Design for EEG-to-Music Reconstruction
面向脑电到音乐重建的通道导向设计
机构 * UC Berkeley（加州大学伯克利分校） ； Harvard University（哈佛大学）
AI总结 针对脑电信号弱、易受噪声和通道变异影响的问题，提出通道导向设计（包括通道级标记化、多视角自蒸馏和数据增强），在编码-对齐-解码流水线中实现稳定的音乐语义空间对齐，显著提升重建性能。
PaCX-MAE: Physiology-Augmented Chest X-Ray Masked Autoencoder
PaCX-MAE: 生理增强的胸部X光掩码自编码器
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Tokyo（东京大学） ； University of Michigan（密歇根大学）
AI总结 提出PaCX-MAE跨模态蒸馏框架，通过双对比预测目标将生理先验注入胸部X光编码器，在保持单模态推理的同时提升生理相关任务性能。
Comments Accepted at the ICML 2026 3rd Workshop on Multi-modal Foundation Models and Large Language Models for Life Sciences (FM4LS)
No More K-means: Single-Stage Sparse Coding for Efficient Multi-Vector Retrieval
不再需要K-means：用于高效多向量检索的单阶段稀疏编码
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 针对多向量检索中K-means聚类导致的索引延迟和语义损失问题，提出单阶段稀疏检索（SSR），利用稀疏自编码器将词元嵌入投影为高维稀疏表示，结合倒排索引实现高效检索，在BEIR基准上索引时间减少15倍、检索延迟减半且性能提升。
Comments Accepted by ICML2026
DiscreteRTC: Discrete Diffusion Policies are Natural Asynchronous Executors
DiscreteRTC：离散扩散策略是自然的异步执行器
机构 * UC Berkeley（加州大学伯克利分校） ； UIUC（伊利诺伊大学香槟分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UCLA（加州大学洛杉矶分校）
AI总结 针对同步执行器在动态任务中的致命停顿问题，提出DiscreteRTC方法，利用离散扩散策略的原生修复能力实现异步执行，在动态模拟和真实操作任务中取得更高成功率。
SBASH: a Framework for Designing and Evaluating RAG vs. Prompt-Tuned LLM Honeypots
SBASH：用于设计和评估RAG与提示调优的LLM蜜罐框架
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出SBASH框架，利用轻量级本地LLM和RAG技术构建蜜罐，通过多种指标评估RAG与提示调优对LLM蜜罐真实性和响应延迟的影响。
Comments to be published in: The 3rd International Conference on Foundation and Large Language Models (FLLM2025), IEEE, 2025
Journal ref 2025 3rd International Conference on Foundation and Large Language Models (FLLM), IEEE, 2025
Fixed Budget is No Harder Than Fixed Confidence in Best-Arm Identification up to Logarithmic Factors
固定预算在最佳臂识别中不比固定置信度难（对数因子范围内）
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 Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出元算法FC2FB，将固定置信度算法转化为固定预算算法，证明固定预算的样本复杂度在log因子内不高于固定置信度。
Journal ref International Conference on Machine Learning (ICML'26), Seoul, Korea, 2026
AlgoVeri: An Aligned Benchmark for Verified Code Generation on Classical Algorithms
AlgoVeri：面向经典算法的验证代码生成对齐基准
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 为解决跨范式验证代码生成评估缺乏统一方法的问题，提出AlgoVeri基准，在Dafny、Verus和Lean三种语言上评估77个经典算法的验证代码生成，揭示不同验证系统的能力差距。
Comments Accepted to ICML 2026, 32 pages
PersistBench: When Should Long-Term Memories Be Forgotten by LLMs?
PersistBench: 大型语言模型何时应忘记长期记忆？
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出 PersistBench 基准，评估 LLM 长期记忆带来的跨域泄露和记忆诱导的谄媚安全风险，发现主流模型失败率高达 53% 和 97%。
Comments 76 pages, 34 figures, ICML (2026)
Optimal Transport under Group Fairness Constraints
群体公平约束下的最优运输
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对最优运输中的群体公平问题，提出通过修正Sinkhorn算法实现完美公平，并开发两种松弛策略（惩罚OT和双层优化学习成本）以平衡公平与匹配质量，给出理论保证和实证结果。
Comments Accepted at ICML 2026 (spotlight)
Tuning the Implicit Regularizer of Masked Diffusion Language Models: Enhancing Generalization via Insights from $k$-Parity
调整掩码扩散语言模型的隐式正则化器：通过$k$-奇偶问题的见解增强泛化能力
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$k$-奇偶问题研究掩码扩散语言模型的泛化特性，理论分解其目标函数为信号和噪声两部分，并利用噪声作为隐式正则化器，通过优化掩码概率分布显著提升模型性能。
Comments ICML 2026
From Segments to Scenes: Temporal Understanding for Agentic Autonomous Driving via Vision-Language Models
从片段到场景：自动驾驶中基于视觉语言模型的时间理解
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Washington（华盛顿大学） ； University of Southern California（南加州大学）
AI总结 提出自动驾驶时间理解基准TAD，通过场景思维链和轨迹认知图两种无训练方法提升视觉语言模型的时间推理能力。
Platonic Transformers: A Solid Choice For Equivariance
柏拉图式Transformer：等变性的坚实选择
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出Platonic Transformer，通过基于柏拉图立体对称群参考帧的注意力机制实现等变性，在不增加计算成本的前提下提升性能。
Constrained Adaptive Rejection Sampling
约束自适应拒绝采样
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出约束自适应拒绝采样（CARS），通过自适应剪枝无效前缀来提高拒绝采样的样本效率，同时保持无分布扭曲，在程序模糊测试和分子生成等任务中优于现有方法。
Overclocking Electrostatic Generative Models
超频静电生成模型
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出逆泊松流匹配（IPFM）蒸馏框架，加速所有维度D下的静电生成模型，实现少步采样且质量接近甚至超越教师模型。
AutoNumerics-Zero: Automated Discovery of State-of-the-Art Mathematical Functions
AutoNumerics-Zero：自动发现最先进的数学函数
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文通过符号回归的进化方法，在不依赖任意精度的情况下，自动发现比传统方法更高效的数学函数近似程序，例如一个10操作的程序逼近指数函数达到14位有效数字。
Comments v2: Accepted to the International Conference on Machine Learning (ICML 2026); added results, clarified framing, and added proofs
Flow: A Modular Learning Framework for Mixed Autonomy Traffic
Flow: 一种用于混合自主性的模块化学习框架
机构 * Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策实验室，麻省理工学院） ； Institute of Data, Systems, and Society, Massachusetts Institute of Technology（数据、系统与社会研究所，麻省理工学院） ； Department of Mechanical Engineering, University of California, Berkeley（机械工程系，加州大学伯克利分校）
AI总结 本文提出了一种模块化学习框架，利用深度强化学习解决复杂交通动态问题，通过提高系统层面的速度，使学习到的控制法则在仅有4-7%的自动驾驶汽车参与度下，相比人类驾驶性能提升高达57%。此外，在单车道交通中，一个仅使用局部观测的小型神经网络控制法则能够消除拥堵现象，达到近最优性能。
Comments 17 pages, 8 figures, 5 tables. 2021 IEEE Transactions on Robotics (T-RO)
On Identification of Distribution Grids
配电网络的识别
机构 * Department of Electrical Engineering and Computer Sciences, UC Berkeley, USA（伯克利大学电气工程与计算机科学系，美国）
AI总结 本文研究了如何通过遥测数据联合估计配电网络的模型参数和运行结构，利用lasso方法进行回归收缩和选择，提出可处理配电系统低秩结构的可行凸优化程序，并开发了用于早期检测和定位引起电导矩阵变化的关键事件的在线算法。
Inverse Statics Optimization for Compound Tensegrity Robots
复合张力结构机器人的逆静态优化
机构 * Department of Mechanical Engineering, University of California Berkeley（加州大学伯克利分校机械工程系） ； Intelligent Systems Division, NASA Ames Research Center（NASA阿姆斯研究中心智能系统部）
AI总结 本文提出了一种方法，用于计算复合张力结构机器人的电缆张力，以实现静态平衡。该方法基于改进的力密度法，通过二次优化问题解决电缆张力计算，并通过仿真和硬件实验验证了其在脊柱机器人和四足机器人设计与控制中的有效性。
On the Powerball Method for Optimization
关于优化的Powerball方法
机构 * School of Automation, Huazhong University of Science and Technology（华中科技大学自动化学院） ； Department of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学系） ； Department of Applied Mathematics, University of Waterloo（滑铁卢大学应用数学系） ； Department of Electrical Engineering and Computer Sciences, University of California, Berkeley（加州大学伯克利分校电气工程与计算机科学系）
AI总结 本文提出了一种新的方法来加速优化算法的收敛，通过在优化过程中添加一个功率系数γ∈[0,1)，称为Powerball方法，并分析了该方法在强凸函数中的收敛率。尽管理论上Powerball方法与梯度方法有相同的线性收敛率，但实验证明其在初始迭代中显著优于梯度下降和牛顿方法，尤其在多个真实数据集上提供了10倍的收敛加速。
Combining Optimal Control and Learning for Visual Navigation in Novel Environments
将最优控制与学习相结合用于新环境中的视觉导航
机构 * University of California, Berkeley（加州大学伯克利分校） ； Facebook AI Research（脸书人工智能研究）
AI总结 本文提出了一种结合模型控制与学习感知的方法，用于在新环境中实现可靠的视觉导航，通过生成无碰撞路径的 waypoints，使机器人能够高效地到达目标位置，同时在低帧率和仿真到现实的迁移中表现良好。
Comments Project website: https://vtolani95.github.io/WayPtNav/
Attentional Policies for Cross-Context Multi-Agent Reinforcement Learning
面向跨上下文多智能体强化学习的注意力策略
机构 * University of California Berkeley（加州大学伯克利分校）
AI总结 本文提出了一种新的神经策略架构，用于解决多智能体问题，通过在策略层面学习多智能体关系，利用注意力机制实现智能体间的协作，优于传统方法并在大规模智能体场景中表现更优。
A Dynamical Systems Perspective on Nesterov Acceleration
从动力系统角度看待Nesterov加速法
机构 * Electrical Engineering and Computer Science Department, UC Berkeley, Berkeley, California, USA（加州大学伯克利分校电子工程与计算机科学系）
AI总结 本文提出一个动力系统框架来理解Nesterov加速梯度方法，通过分析连续时间动力学和离散化过程，揭示了曲率依赖的阻尼项是加速现象的核心，并建立了离散和连续时间动力学之间的联系。
Comments 11 pages, 4 figures, to appear in the Proceedings of the 36th International Conference on Machine Learning
SOTER: A Runtime Assurance Framework for Programming Safe Robotics Systems
SOTER：一种用于安全机器人系统编程的运行时保证框架
机构 * University of California at Berkeley, CA, USA（加州大学伯克利分校） ； SRI International（SRI国际） ； Microsoft（微软）
AI总结 本文提出SOTER框架，通过一种编程语言和集成的运行时保证系统，为安全机器人系统提供保障，确保在使用未经认证组件时仍能满足安全要求。
A Bootstrap Method for Error Estimation in Randomized Matrix Multiplication
一种用于随机矩阵乘法误差估计的自助法
机构 * Department of Statistics University of California at Davis（加州大学戴维斯分校统计学系） ； Department of Computer Science Stevens Institute of Technology（史蒂文斯理工学院计算机科学系） ； International Computer Science Institute and Department of Statistics University of California at Berkeley（伯克利大学国际计算机科学研究所和统计学系）
AI总结 本文提出了一种自助方法，用于直接估计随机矩阵乘法（降维）的准确性，作为解决一般问题的原型设置。该方法在计算上不显著增加标准降维方法的成本，并通过插值技术实现，同时提供了理论和实证结果以证明其有效性。
Journal ref Journal of Machine Learning Research, 20(39): 1-40, 2019
A New Simulation Metric to Determine Safe Environments and Controllers for Systems with Unknown Dynamics
一种新的仿真度量用于确定具有未知动态系统的安全环境和控制器
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出了一种基于规范的仿真度量（SPEC），用于在系统动态未知的情况下，通过更严格的规范修改来合成安全控制器，从而扩大安全环境集。
Comments 22nd ACM International Conference on Hybrid Systems: Computation and Control (2019)
Simulation to Scaled City: Zero-Shot Policy Transfer for Traffic Control via Autonomous Vehicles
模拟到缩放城市：通过自动驾驶车辆实现交通控制的零样本策略迁移
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Delaware（德克萨斯大学）
AI总结 本文通过深度强化学习训练自动驾驶车辆在环形交叉口的控制策略，并将训练好的策略迁移至缩放智能城市进行测试，发现注入噪声的策略在迁移后表现更佳，实现了交通流的优化。
Comments To be published at the International Conference on Cyber Physical Systems (ICCPS) 2019. 10 pages, 9 figures
Regression-based Inverter Control for Decentralized Optimal Power Flow and Voltage Regulation
基于回归的逆变器控制用于分布式最优功率流和电压调节
机构 * 2 Department of Electrical Engineering \& Computer Sciences, UC Berkeley, Berkeley, USA ； 3 Department of Mechanical Engineering, UC Berkeley, Berkeley, USA ； 4 Delft Center for Systems ； Control, Delft University of Technology, Delft, The Netherlands
AI总结 本文提出了一种系统化的数据驱动方法，通过本地测量确定逆变器输出无功功率，以实现接近最优的结果，该方法通过网络模型和历史负荷和发电数据进行最优功率流计算，然后利用回归找到每个逆变器的函数，将本地历史数据映射到其最优无功功率注入的近似值，从而实现分布式控制，以在电压和容量约束下最小化损耗并实现电压平坦化，同时允许高效的电压-无功优化（VVO）方案，使传统控制设备与现有逆变器协同工作，以安全运行高分布式发电水平的配电网。
Comments Cite as: Oscar Sondermeijer, Roel Dobbe, Daniel Arnold, Claire Tomlin and Tamás Keviczky, "Regression-based Inverter Control for Decentralized Optimal Power Flow and Voltage Regulation", IEEE Power & Energy Society General Meeting, Boston, July 2016
Detecting and Diagnosing Incipient Building Faults Using Uncertainty Information from Deep Neural Networks
利用深度神经网络的不确定性信息检测和诊断建筑初期故障
机构 * Department of EECS, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系） ； Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所） ； The Berkeley Education Alliance for Research in Singapore（新加坡伯克利教育联盟）
AI总结 本文提出利用蒙特卡洛dropout方法增强监督学习流程，以检测和诊断未见过的初期故障，并在RP-1043数据集上验证其在指示最可能的初期故障类型方面的有效性。
A One-Class Support Vector Machine Calibration Method for Time Series Change Point Detection
一种用于时间序列变化点检测的一类支持向量机校准方法
机构 * Department of EECS, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系） ； California Institute of Technology（加州理工学院） ； Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所）
AI总结 本文提出了一种校准一类支持向量机（OC-SVM）的方法，用于时间序列变化点检测，通过启发式搜索方法找到输入数据和超参数的最优组合，实验表明OC-SVM在少量训练数据下也能有效检测变化点，优于现有深度学习方法。
