高校专区
批量自适应因果标注
机构 * UC Berkeley（加州大学伯克利分校） ； Fordham University（福特汉姆大学） ； University of Southern California（南加州大学）
AI总结 本文提出一种批量自适应方法，通过优化数据采样策略提高因果效应估计效率，减少标注成本，实验证明在缺失数据下能显著降低均方误差。
Comments Extended journal version. A preliminary version was accepted to AISTATS 2026
基于语言弱监督的开放式CT体积分割
机构 * Department of Electrical Engineering and Computer Science, UC Berkeley（加州大学伯克利分校电气工程与计算机科学系） ； Voio ； Department of Radiology and Biomedical Imaging, UC San Francisco（加州大学旧金山分校放射学与生物医学成像系） ； Computational Precision Health, UC Berkeley and UC San Francisco（加州大学伯克利分校和加州大学旧金山分校计算精准健康中心）
AI总结 研究基于语言弱监督训练CT扫描文本条件分割模型，通过结合体素级与切片级监督，从扫描-报告对提取信息，微调通用2D图像分割模型SAM3，在ReXGroundingCT数据集上提升了分割骰子分数。
用于LoRA微调的Stiefel流形上无回缩优化
机构 * Center for Data Science, Peking University（北京大学数据科学中心） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学丘成桐数学科学中心） ； Beijing International Center for Mathematical Research, Peking University（北京大学北京国际数学研究中心） ； Department of Mathematics, University of California, Berkeley（美国加州大学伯克利分校数学系） ； Center for Machine Learning Research and Changsha Institute for Computing and Digital Economy, Peking University（北京大学机器学习研究中心和长沙计算与数字经济研究院）
AI总结 研究针对Stiefel流形优化中现有方法的问题，提出无回缩且无惩罚参数算法，利用相关特性建立收敛保证。将LoRA微调问题转为流形优化问题，引入Manifold-LoRA，经实验验证其在加速训练及下游性能方面的优势。
常数深度和对数深度神经网络之间的算法分离
机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校）
AI总结 研究常数深度和对数深度神经网络的算法分离，识别出一类布尔函数，对数深度网络能用逐层坐标下降法通过重构谱高效学习，还展示了一个子类，常数深度网络在此子类上有常数\(L^2\)逼近误差。
PreDiff-LM：具有混合注意力的预训练离散掩码扩散语言模型
机构 * University of Southern California（南加州大学） ； New York University（纽约大学） ； Columbia University（哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stevens Institute of Technology（史蒂文斯理工学院） ； University of Notre Dame（圣母大学） ； Nanyang Technological University（南洋理工大学）
AI总结 研究离散掩码扩散语言模型中因果预训练与双向去噪协调问题，提出PreDiff-LM模型，通过混合注意力机制改进无条件困惑度等指标，在多方面优于先前扩散基线，明确与优化AR模型的差距，为预训练因果主干调整提供补充机制。
FIDAC：一种用于从视频中提取和解释人际距离的易用管道
机构 * University of California, Berkeley（加利福尼亚大学伯克利分校） ； University of Florida（佛罗里达大学） ； Stanford University（斯坦福大学）
AI总结 研究如何从视频中提取和解释人际距离，开发开源库FIDAC，合并多模型数据，包含精确跟踪方法，后续计划评估其在不同场景下测量人际距离的有效性并集成新特征。
数据更少，对齐更好：用于偏好优化的数据中心多评估器一致性方法
机构 * University of Southern California（南加州大学） ； New York University（纽约大学） ； Columbia University（哥伦比亚大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； City College of New York, CUNY（纽约市立大学城市学院） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Nanyang Technological University（南洋理工大学）
AI总结 研究聚焦偏好优化，提出DMAPO方法，从目标策略生成候选响应，经多评估器评估、校正后保留高一致性示例。实验表明该方法数据效率高，能提升模型在MT - Bench等指标上的表现，且改变评估器或准则对下游性能影响小。
Comments 19 pages
CADENCE：预测实际MAPF执行时间超越成本总和
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出CADENCE框架，通过分析原始运动负担和交互感知协调特征，发现原始运动负担能显著提高多智能体路径规划执行时间的预测精度，超越传统成本总和指标。
Comments 7 pages, 4 figures, 3 tables and this paper was accepted at Multi-Agent Robotic Systems: Real-World Collaboration and Interaction a workshop at the international conference of robotics and automation (ICRA 2026)
当算法遇见艺术家：在公共AI艺术辩论中艺术家关切的语义压缩
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究发现艺术家关切在公共AI艺术讨论中存在严重的语义压缩，提出基于共识的语义投影方法以解决代表缺口问题。
Comments 43 pages
DiscoLoop: 循环离散嵌入与连续隐藏状态用于多跳推理
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对多跳推理中非循环Transformer的深度局部存储问题，提出DiscoLoop架构，通过循环同时携带离散嵌入和连续隐藏状态，实现近乎完美的泛化，并在符号和合成语言任务中显著减少训练步数。
Comments 16 pages, 7 figures
FARM: 使用关系空间记忆找到任何物体
机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出FARM系统，通过实时构建包含几何、视觉语言描述和视角证据的开放词汇物体级记忆，并利用VLM解析查询和显式空间约束，在44k语言查询中Recall@5和Recall@10分别提升164%和224%，Accuracy@1提升35%。
对齐量子算子与大型语言模型
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出将酉算子映射到LLM潜空间的方法，实现量子与语言输入的联合建模，在Clifford+T电路合成任务上取得与最先进方法竞争的结果，并支持语言条件合成。
人工智能数学推理：语言模型、神经符号系统与验证发现的综合综述
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）
AI总结 本文综述了数学推理领域从早期规则系统到当代推理模型、多智能体系统及验证发现工作流的演变，沿非正式推理、形式推理、数学发现及推理技术四轴组织，并评估了基准测试、失败模式及未来方向。
Comments Under review, 47 pages, 14 figures, 22 tables
物理编码的北极雪深预测逆建模
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出物理编码逆建模框架PhysE-Inv，结合LSTM序列学习与对比学习正则化，在稀疏观测下实现雪深估计，均方误差平均降低24.7%。
Comments Accepted as a short paper in the Special Session on Deep Learning Applications at the 25th International Conference on Machine Learning and Applications (ICMLA), 2026
非对称层次锚定用于音频-视觉联合表示：解决信息分配模糊性以实现鲁棒跨模态泛化
机构 * Zhejiang University, China（浙江大学） ； University of California, Berkeley, USA（加州大学伯克利分校） ； MMLab, Chinese University of Hong Kong, China（香港中文大学MMLab）
AI总结 本文提出非对称层次锚定框架，通过结构化语义锚点解决跨模态泛化中的信息分配模糊性，提升语义一致性和表示纯度。
VLASH: 通过未来状态感知的异步推断实现实时VLAs
机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； Tsinghua University（清华大学） ； UC Berkeley（加州大学伯克利分校） ； UCSD（加州大学圣地亚哥分校） ； Caltech（加州理工学院）
AI总结 VLASH通过未来状态感知的异步推断框架，实现高效、准确的实时VLAs控制，显著提升反应速度和任务执行精度。
跷跷板：通过平衡学习率和批量调度加速训练
机构 * Harvard University（哈佛大学） ； Kempner Institute at Harvard University（哈佛大学 Kempner 机构） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 研究如何加速大语言模型预训练，提出Seesaw框架，通过平衡学习率和批量调度，在保留损失动态时减少串行步骤。理论上给出相关等效性证明并扩展，实验表明该框架能在相同浮点运算量下减少时钟时间，接近理论极限。
通过 KL 散度的轨迹正则化随机最优控制
机构 * Hybrid Robotics（混合机器人实验室） ； UC Berkeley（伯克利大学）
AI总结 研究通过引入轨迹正则化随机最优控制（TRSOC），利用 KL 散度增强标准随机最优控制，推导 HJB 方程刻画最优策略，在 LQ 设置中有闭式解，实验表明正则化参数能在性能与参考保持间权衡。
Comments 8 pages, 4 figures, 65th IEEE Conference on Decision and Control
LatentFlow：用于分子图神经网络潜在空间分析的可视化分析
机构 * Arizona State University（亚利桑那州立大学） ； University of California, Berkeley（加州大学伯克利分校） ； ICSI（国际计算机科学研究所）
AI总结 研究分子图神经网络潜在空间分析问题，提出LatentFlow可视化分析系统，通过聚类嵌入、跟踪跨层及模型状态变化、关联代表性分子等方法，助力科学家理解潜在空间演变、识别分子模式及解释模型行为。
用于少步生成的多掩码扩散语言模型
机构 * ByteDance Seed（字节跳动种子） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； UCLA（加州大学洛杉矶分校） ； UC Berkeley（加州大学伯克利分校）
AI总结 研究针对掩码扩散模型少步生成难的问题，提出多掩码扩散模型MultiMDM，通过特定前向过程使反向过程有起草能力，推导训练目标并制定蒸馏方案，经实验验证其为少步生成提供了有效基础。
Comments Needs corporate approval
HDC-X：面向嵌入式设备的高效医疗数据分类
机构 * Huazhong University of Science and Technology（华中科技大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出HDC-X框架，通过高维超向量编码和聚类原型聚合，实现低功耗医疗数据分类，在心脏病声音分类中比贝叶斯ResNet节能350倍，且具备抗噪声和数据限制的鲁棒性。
Journal ref CAAI International Conference on Artificial Intelligence (CICAI), 2026
PCS-UQ：基于可预测性-可计算性-稳定性框架的不确定性量化
机构 * Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计学系） ； Department of Epidemiology, University of Utah（犹他大学流行病学系） ； Department of Electrical Engineering and Computer Science, 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 提出PCS-UQ框架，通过预测检查、bootstrap采样和乘法校准实现不确定性量化，在回归和分类任务中优于或媲美共形预测方法，并提供理论保证。
AXIS：用于可扩展机器人操作的可增长社区驱动数据引擎
机构 * Axis Robotics（轴机器人公司） ； University of California, Berkeley（加州大学伯克利分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Texas A&M University（德州农工大学） ； Johns Hopkins University（约翰·霍普金斯大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学）
AI总结 研究针对机器人操作策略学习中数据管道难扩展的问题，提出AXIS这一可增长社区驱动数据引擎，它能收集、处理数据并组织成任务快照，通过实验表明其能提升模型性能且随数据量增加有一致扩展性。
Comments Project Website: https://axisaiorg.github.io/AXIS-V1/
SPORD：一种用于供应链规划的模拟-提出-然后-优化-处置方法
机构 * Department of Industrial Engineering, Tsinghua University（清华大学工业工程系） ； College of Engineering, UC Berkeley（加州大学伯克利分校工程学院） ； Faculty of Business and Economics, University of Hong Kong（香港大学经管学院）
AI总结 针对电商供应链规划中孤立项目及面临的难题，提出模拟-提出-然后-优化-处置方法（SPORD）及NetSim平台，通过解耦实现加速模拟与操作闭环，应用后提升服务质量、降低履约率并实现碳减排，推动模拟用于主动规划。
HypNO：一种基于图的神经算子，用于双曲守恒律的物理信息消息传递
机构 * Laboratory of Computer Science (LIX), École Polytechnique（计算机科学实验室（LIX），巴黎综合理工学院） ； Department of Electrical Engineering and Computer Sciences, University of California, Berkeley（电气工程与计算机科学系，加利福尼亚大学伯克利分校）
AI总结 研究针对双曲守恒律，提出基于图的神经算子HypNO，通过邻接因子分解和物理信息消息传递，在时空图上运行，在LWR和ARZ交通流模型基准测试中，能准确预测解快照并捕捉激波和不连续性。
JAXBench：自主TPU内核优化基准测试
机构 * Harvard University（哈佛大学） ； Google（谷歌公司） ； UC Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind）
AI总结 该研究针对TPU缺乏内核优化基准测试的问题，提出JAXBench套件，包含多个工作负载和算子。通过评估四种反馈驱动方法，发现特定上下文对优化更关键，条件设定和搜索结构能提升性能，最后发布相关基准测试等支持开源。
SymQNet: 低延迟自适应哈密顿量学习的摊销获取
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出SymQNet，一种摊销强化学习方法，通过离线学习后验条件获取策略，在线快速前向传播，显著降低自适应哈密顿量学习的获取延迟。
Comments IEEE International Conference on Quantum Computing and Engineering QCRL Workshop (QCE 2026)
图强化学习用于校准感知的量子电路路由
机构 * University of California, Berkeley（加州大学伯克利分校） ； National Institute of Standards and Technology（国家标准与技术研究院）
AI总结 提出一种利用图强化学习进行校准感知的量子电路路由方法，通过IBM Heron r2校准数据选择SWAP操作，在MQT Bench电路上平均保真度达0.727，优于SABRE-best20的0.440。
Comments IEEE International Conference on Quantum Computing and Engineering AI4QC Workshop (QCE 2026)
基于几何卷积的高斯圆格点用于合成高维图像源房间脉冲响应
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种将图像源模型中的格点计数问题转化为经典高斯圆问题的方法，通过几何卷积将计算复杂度从O(k^N)降低到O(N k^2 log k)，并扩展至频率依赖和反射加权的更高维图像源。
Comments Accepted for publication at the 29th International Conference on Digital Audio Effects 2026
Cambrian-P: 基于姿态的视频理解
机构 * New York University（纽约大学） ； UC Berkeley（加州大学伯克利分校） ； Meta FAIR
AI总结 该研究提出Cambrian-P，一种增强的视频多模态大语言模型，通过引入可学习的相机令牌和姿态回归头，利用姿态作为轻量级监督信号，显著提升了空间推理能力，并在多个视频问答基准上实现了SOTA表现。
Comments Project Page: https://cambrian-mllm.github.io/
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