高校专区
协变量能否解释这些群体差异？参考组的选择可能逆转Oaxaca-Blinder分解的结论
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文通过理论和实证证明，在Oaxaca-Blinder分解中，参考组的选择可能导致实质性不同的结论，且该问题在复杂回归模型中更为常见，建议研究者报告两种方向的分解结果。
Comments 28 pages, 4 figures
泊松梯度估计的旅行者指南
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Reality Labs, Meta（Meta现实实验室） ； Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航空信息研究所） ； Redwood Center for Theoretical Neuroscience, UC Berkeley（伯克利大学理论神经科学中心） ； VERSES AI Research Lab, Los Angeles, USA（洛杉矶VERSES AI研究实验室）
AI总结 本文系统比较了指数到达时间模拟和Gumbel-SoftMax松弛两种方法，提出改进的EAT方法以降低偏差，并在泊松潜变量模型上验证其优越性能。
Comments Published at ICML2026 --- code: https://github.com/hadivafaii/PoissonGradientEstimation
Shapley 值的一个奇估计器
机构 * Department of Statistics, LMU Munich（LMU慕尼黑统计系） ； Department of Electrical Engineering and Computer Science, UC Berkeley（伯克利电子工程与计算机科学系） ； Mathematical Sciences Department, Claremont McKenna College（克莱门茨麦肯纳学院数学科学系）
AI总结 本文证明 Shapley 值仅依赖于集合函数的奇分量，并基于此提出 OddSHAP 估计器，通过在奇子空间上进行多项式回归实现高效近似，在较大采样预算下达到最先进精度。
Comments Accepted to ICML 2026
成本感知的贝叶斯优化停止规则
机构 * Cornell University, Ithaca, New York, USA（康奈尔大学） ； University of California, Berkeley, Berkeley, California, USA（加州大学伯克利分校）
AI总结 针对贝叶斯优化中成本感知的停止问题，提出一种基于理论连接成本感知采集函数的停止规则，并证明其能保证期望成本调整简单遗憾的界。
Comments Accepted by ICML 2026
HUNT：通过瞬时相对帧在非结构化环境中进行高速无人机导航与跟踪
机构 * New York University（纽约大学） ； University of California Berkeley（加州大学伯克利分校）
AI总结 提出HUNT框架，利用瞬时相对帧统一搜索与跟踪，实现高速飞行和鲁棒自主性。
单因素物理视频到音频生成的基准测试
机构 * UC Berkeley（伯克利大学） ； NVIDIA（英伟达） ； University of Washington（华盛顿大学）
AI总结 提出FlatSounds基准，通过控制反事实对和单视频模式测试评估视频到音频模型的物理推理能力，发现模型依赖文本描述而非视觉流，且物理准确性与时序对齐存在权衡。
Comments CVPR 2026
通过一致性训练减少政治操纵
机构 * Center for AI Safety（人工智能安全中心） ； UC Berkeley（加州大学伯克利分校）
AI总结 针对大语言模型在敏感话题中表现出的隐性政治偏见，提出政治一致性训练（PCT）方法，通过情感一致性和帮助一致性两个指标及相应训练范式来减少偏见。
当2D任务遇到1D序列化：结构化任务中的序列化摩擦
机构 * Northeastern University（东北大学） ； University of Pennsylvania（宾夕法尼亚大学） ； UC Santa Cruz（加州大学圣克鲁兹分校） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； University of Montreal（蒙特利尔大学） ； BAIR, UC Berkeley（伯克利大学BAIR实验室）
AI总结 研究通过矩阵转置、康威生命游戏和LU分解三个任务，发现将二维布局任务序列化为一维文本会因表示不匹配导致性能下降，且错误呈现空间结构模式。
S-MARC：全双工对话行为建模的因果流式推理
机构 * University of California, Berkeley（加州大学伯克利分校） ； Zhejiang University（浙江大学） ； South China University of Technology（华南理工大学）
AI总结 提出S-MARC框架，通过流式因果层次建模意图到动作路径，预测高层交际功能和低层交互行为，并构建高质量语料库，实现全双工对话中的鲁棒行为检测与可解释推理。
AV-EMO-Reasoning: 在具有视听线索的全模态大语言模型中基准测试情感推理能力
机构 * UC Berkeley（加州大学伯克利分校） ； South China University of Technology（华南理工大学） ； Zhejiang University（浙江大学） ； National Taiwan University（台湾大学） ； University of Southern California（美国南加州大学）
AI总结 提出AV-EMO-Reasoning基准，通过合成和真实世界的视听对话数据集及情感感知与交互推理指标，系统评估全模态大语言模型的情感推理能力。
MonoDuo: 使用单机械臂学习双臂策略
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出MonoDuo框架，利用单臂机器人演示和人类协作数据，通过数据增强生成合成演示，训练双臂机器人策略，在五项任务中实现零样本部署和少样本微调，成功率高达70%。
Comments Accepted to appear in the 2026 IEEE International Conference on Robotics and Automation (ICRA), Vienna, Austria, 1-5 June 2026
揭示科学机器学习中的多机制模式：不同的失败模式与机制特定优化
机构 * Dartmouth College（达特茅斯学院） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Berkeley（加州大学伯克利分校） ； National University of Singapore（新加坡国立大学） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； International Computer Science Institute（国际计算机科学研究所）
AI总结 通过机制感知诊断框架，研究科学机器学习模型在不同超参数设置下的多机制行为，发现三种一致机制结构、优化效果的机制特异性以及精细失败模式，为提升鲁棒性提供指导。
Comments Accepted by ICML 2026
SCDBench: 基于大语言模型的智能合约反编译基准
机构 * University of Warwick（沃里克大学） ； UC Berkeley（伯克利大学） ； University College London（伦敦大学学院）
AI总结 针对现有智能合约反编译评估缺乏统一基准的问题，提出SCDBench数据集与评估方法，通过四阶段累积评估（格式完整性、可编译性、ABI恢复、语义一致性）测试前沿LLM的反编译能力，发现语义一致性仍远未解决。
测量基于LLM的简历筛选中真实世界的提示注入攻击
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Duke University（杜克大学） ； Arizona State University（亚利桑那州立大学） ； hireEZ ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本研究首次系统性地分析了基于LLM的简历筛选应用中的提示注入攻击，通过设计专用检测器对约20万份真实简历进行测量，发现约1%的简历包含隐藏的提示注入，且近年来其流行度显著增加。
Comments Published in USENIX Security Symposium 2026; Code and artifacts are available at https://github.com/UNITES-Lab/resume-injection-measurement
价格反转现象：当更便宜的推理模型成本更高时
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； CMU（卡内基梅隆大学） ； Microsoft Research（微软研究院）
AI总结 本文首次系统研究推理模型标价与实际成本的偏差，发现32%的模型对比较中存在价格反转现象，并基于Shapley值建立成本归因框架，揭示思考令牌消耗和交互轮次的高度异质性是主要原因。
TACO：用于连续神经映射的时间共识优化
机构 * School of Intelligence Science（智能科学学院） ； Department of Aerospace Engineering（航空航天工程系） ； Department of Mechanical Engineering and Technology（机械工程与技术系） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California Berkeley（加州大学伯克利分校） ； Nanjing University（南京大学）
AI总结 提出TACO框架，通过将映射建模为时间共识优化问题，无需回放历史数据即可实现动态环境下的连续神经映射，平衡了内存效率与适应性。
Comments In: Robotics: Science and Systems (RSS 2026)
超越二元：基于物理接触表示的仿真到现实灵巧操作
机构 * ETH Zürich（苏黎世联邦理工学院） ； UC Berkeley（伯克利加州大学）
AI总结 提出基于物理原理的中心压力（CoP）触觉表示，结合可微动力学传感器标定，实现多指手的零样本仿真到现实迁移，在插销入孔和球平衡任务中优于二元接触和原始触觉基线。
Comments Project site: https://mpan31415.github.io/tactile_rep/
Transformer可证明地内化思维链
机构 * UC Berkeley（伯克利大学） ； Princeton University（普林斯顿大学）
AI总结 提出Log-ICoT课程训练，使L层Transformer用多项式样本学习k-奇偶性，匹配显式CoT的样本效率且消除推理开销。
TCP-MCP：面向多智能体系统的提示与通信拓扑的景观引导协同进化
机构 * National Institute of Metrology, China（中国计量科学研究院） ； University of California, Berkeley（加州大学伯克利分校） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Nanjing University of Chinese Medicine（南京中医药大学） ； WEEX Exchange（WEEX交易所） ； National University of Singapore（新加坡国立大学） ； Wuhan University（武汉大学） ； Peking University（北京大学）
AI总结 提出TCP-MCP框架，通过协同进化智能体提示和通信拓扑，在任务性能、令牌成本和结构复杂度三个目标下实现多智能体系统的成本感知与任务自适应设计。
对称性击败审计
机构 * UC Berkeley Forecasting Research Institute（伯克利大学预测研究所） ； Northeastern University（东北大学）
AI总结 本文展示了对内省适配器（Shenoy et al., 2026）的一种攻击方法。
Transformer中上下文事实回忆的微调动力学
机构 * Duke University（杜克大学） ； Princeton University（普林斯顿大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 研究Transformer在上下文学习中如何利用存储的参数化事实知识，通过引入上下文事实回忆任务并分析单层Transformer的微调动力学，证明模型收敛到特定的成对注意力模式，且所需样本量极少。
顿悟时刻可以是假的吗？——量化思维链中的装饰性思考与真实思考
机构 * Northeastern University（东北大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出真实思考得分（TTS）量化思维链中每一步对最终答案的因果贡献，发现模型常混合真实思考与装饰性思考，并利用TTS实现有效剪枝与自训练，揭示前沿模型常表述未因果使用的推理步骤。
重新评估不完美信息博弈的策略梯度方法
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Berkeley（加州大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； NYU Tandon School of Engineering（纽约大学坦顿工程学院）
AI总结 通过实现五种大型博弈的精确可剥削性计算，对比发现基于虚构博弈、双预言机和反事实遗憾最小化的深度强化学习算法未能超越通用策略梯度方法（如PPO）。
Comments International Conference on Learning Representations (ICLR) 2026
抗体序列的条件性位点无关神经进化
机构 * University of California, Berkeley ； Columbia University ； Mila - Qu \'e bec AI Institute ； Fred Hutchinson Cancer Research Center ； University of Washington ； Howard Hughes Medical Institute
AI总结 提出CoSiNE模型，用深度神经网络参数化的连续时间马尔可夫链桥接系统发育模型与深度学习，实现抗体序列进化建模，在零样本变异效应预测中优于现有语言模型，并引入引导吉莱斯皮采样优化抗体亲和力。
Comments 28 pages, 15 figures. Accepted as a poster at ICML 2026
基于证伪驱动的强化学习用于海上运动规划
机构 * Technical University of Munich（慕尼黑技术大学） ； University of California, Berkeley（加州大学伯克利分校） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
AI总结 提出一种证伪驱动的强化学习方法，通过生成对抗性训练场景（违反信号时态逻辑规范的海上交通规则）来提升自主船舶的规则遵守能力，实验表明该方法能提供更相关的训练场景并实现更一致的规则遵守。
Comments 11 pages, 9 figures. Code available at https://fdrl-maritime.github.io
Journal ref Ocean Engineering 361 (2026) 125579
面向检索代理的自然语言查询到配置
机构 * UC Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Microsoft Azure Research - Systems（微软Azure研究 - 系统）
AI总结 提出BRANE方法，利用LLM将查询转换为工作负载特征，并训练轻量级预测器选择最优配置，在多个基准上实现成本-质量帕累托前沿的优化。
Recon：基于重建指导的推理合成用于用户建模
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出Recon方法，通过动作重建分数评估推理轨迹的预测能力，以改进用户建模中的推理合成，在多个领域优于事后合理化基线。
MemFail: LLM记忆系统的故障模式压力测试
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出MemFail基准测试，通过形式化记忆系统为摘要、存储和检索三个操作并构建对抗性数据集，系统性地评估和诊断LLM记忆系统的故障模式。
审计与修复离散选择中表格基础模型的经济有效性
机构 * University of California, Berkeley, CA, USA（加州大学伯克利分校） ； Duke University, Durham, NC, USA（杜克大学） ； Northeastern University, Boston, MA, USA（东北大学） ； University of Illinois Urbana-Champaign, IL, USA（伊利诺伊大学厄巴纳-香槟分校） ； Southern Methodist University, Dallas, TX, USA（南方 Methodist 大学）
AI总结 提出两阶段适配器，将表格基础模型预测嵌入效用最大化框架，在保证经济一致性的同时提升选择预测精度。
Comments 5 pages, 1 table. Accepted at the FMSD Workshop, ICML 2026
开源权重大语言模型微调防御易受简单攻击
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Simons Institute, UC Berkeley（Simons研究所，伯克利大学）
AI总结 本文发现针对开源权重大语言模型的防御措施易受abliteration和prefilling等低成本攻击，并提出abliteration-resistant tuning (ART) 方法将攻击成功率降低10%-20%。
Comments main body: 9 pages, 3 figures
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