高校专区
通过多智能体强化学习进行协作信息感知以监控动态室内环境
机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Riverside（加州大学河滨分校）
AI总结 本文提出利用多智能体强化学习进行协作信息感知，以提高动态室内环境监控的准确性，优于传统覆盖和学习无关的多机器人方法。
Comments 8 pages, 10 figures, 2 tables
UpstreamQA：一个用于视频问答任务显式推理的模块化框架
机构 * Lincoln North Star High School（林肯北星高中） ； The Charter School of Wilmington（威尔明顿 charter 学校） ； Greenwich High School（格林威治高中） ； Santa Susana High School（圣塔苏娜高中） ； UC Berkeley（伯克利大学）
AI总结 本文提出UpstreamQA框架，通过显式推理模块分离和评估视频推理核心组件，提升视频问答任务的性能和可解释性，但可能在基线性能高时导致性能下降。
从优化到预测：基于Transformer的路径-流量估计到交通分配问题
机构 * Institute of Transportation Studies, University of California, Berkeley, USA（加州大学伯克利分校交通研究学院）
AI总结 本文提出基于Transformer的深度学习方法，直接预测交通均衡路径流量，提升大规模网络计算效率和预测精度。
残差特征整合足以防止负迁移
机构 * University of California, Berkeley（加州大学伯克利分校） ； Harvard University（哈佛大学） ； Rutgers University（罗格斯大学）
AI总结 本文提出通过整合冻结的预训练源特征与可训练的目标编码器，有效防止负迁移，理论证明其收敛率不低于从头训练，并在多个数据集上验证了方法的鲁棒性与广泛适用性。
Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026)
NVILA：高效的前沿视觉语言模型
机构 * NVIDIA ； MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校） ； UC San Diego（加州大学圣地亚哥分校） ； University of Washington（华盛顿大学） ； Tsinghua University（清华大学）
AI总结 NVILA通过'缩放后再压缩'方法提升效率与准确性，降低训练和推理成本，适用于高分辨率图像和长视频处理。
Comments CVPR 2025. Project page: https://z-lab.ai/projects/nvila/
QPP能否选择正确的查询变体？评估RAG流水线中的查询变体选择
机构 * UC Berkeley（伯克利大学） ； Databricks（Databricks公司）
AI总结 本文研究了在RAG流水线中如何选择最佳查询变体，通过大规模实验评估了预检索和后检索预测器的性能，发现检索相关性与生成保真度之间存在'效用差距'，但QPP能有效提升端到端质量。
VLAA-GUI: 知何时停止、恢复和搜索，一个用于GUI自动化模块化框架
机构 * UC Santa Cruz ； CMU（卡内基梅隆大学） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Salesforce ； UC Berkeley（伯克利加州大学）
AI总结 VLAA-GUI通过模块化框架解决GUI代理的早期停止和重复循环问题，引入完整性验证器、循环打破器和搜索代理，提升自动化性能。
Comments The first two authors contribute equally
无需授权的识别：大语言模型与在线建议的道德秩序
机构 * Social Sciences Data Lab（社会科学数据实验室） ； UC Berkeley（伯克利大学）
AI总结 本文研究大语言模型在处理日常人际困境时的建议倾向，发现其在识别问题时较少给予行动授权，特别是在社区共识强烈的情况下，模型推荐退出的比例显著低于人类，且保持较高的谨慎和治疗框架。
声音的修订：大型语言模型与个人叙述的规范化
机构 * Social Sciences D-Lab, University of California, Berkeley（社会科学D实验室，加州大学伯克利分校）
AI总结 研究探讨大型语言模型如何通过改写影响个人叙述的风格和叙述质感，发现改写导致风格规范化，包括功能词、缩略语和第一人称代词减少，而词汇多样性、词长和标点使用增加，影响叙述方式和因果推理。
校准预测驱动推断
机构 * Department of Statistics, University of Washington（华盛顿大学统计学系） ； Department of Statistics and Division of Biostatistics, Center for Targeted Machine Learning and Causal Inference, University of California, Berkeley（加州大学伯克利分校统计学系与生物统计学系，目标机器学习与因果推断中心） ； Targeted ML Solutions, targetedml.com（Targeted ML Solutions公司）
AI总结 本文提出校准预测驱动推断方法，通过后处理校准预测分数提升半监督估计效率，证明线性与等距校准的优化性，并展示其在模拟和真实数据中优于PPI和AIPW。
Comments Paper website: https://larsvanderlaan.github.io/ppi-aipw/
分数匹配扩散模型在本质上低维数据中的泛化性质
机构 * Department of Statistics, University of Michigan（密歇根大学统计学系） ； Google DeepMind（谷歌DeepMind） ； Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计学系） ； Department of Electrical Engineering and Computer Sciences, UC Berkeley（加州大学伯克利分校电气工程与计算机科学系）
AI总结 本文研究了分数匹配扩散模型在学习未知分布时的统计收敛性，得出了基于Wasserstein-p距离的有限样本误差界，并引入了(p,q)-Wasserstein维度概念，展示了扩散模型对数据内在几何的适应性及缓解维度灾难的能力。
基本语法来自言语：无监督深度神经网络中的自发拼接
机构 * Department of Linguistics, University of California, Berkeley（加州大学伯克利分校语言学系） ； Department of Computer Science, Iowa State University（爱荷华州立大学计算机科学系）
AI总结 研究通过无监督深度神经网络发现，从原始语音中可自发生成多词拼接，揭示了语法演化的潜在机制。
Onyx: 低成本的磁盘无关ANN搜索
机构 * UC Berkeley, NVIDIA（伯克利大学，NVIDIA） ； NVIDIA ； UT Austin, NVIDIA（奥斯汀大学，NVIDIA）
AI总结 Onyx通过优化ANN和ORAM层的资源利用，降低ANN搜索成本和延迟，采用紧凑中间表示和局部意识浅树设计提高效率。
UCCL-Zip: 无损压缩增强的GPU通信
机构 * UC Davis（加州大学戴维斯分校） ； Harvard University（哈佛大学） ； Amazon Web Services（亚马逊网络服务） ； UC Berkeley（加州大学伯克利分校）
AI总结 UCCL-Zip通过无损压缩提升GPU通信效率，支持点对点和集体通信，无需修改API且保持数值精度，实测加速强化学习权重同步达47.5%。
罗德里格斯网络用于学习机器人动作
机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 本文提出罗德里格斯网络，通过引入运动学先验知识提升机器人动作学习性能，验证了其在动作预测和手部重建中的有效性。
Comments ICLR 2026
近期偏倚的因果注意力用于时间序列预测
机构 * UC Berkeley（加州大学伯克利分校） ； ICSI（国际计算机科学研究所） ； LBNL（劳伦斯伯克利国家实验室）
AI总结 本文提出一种引入近期偏倚的因果注意力机制，通过平滑的重尾衰减重新加权注意力分数，增强局部时间依赖性，提升时间序列预测性能。
Journal ref Proceedings of the 29th International Conference on Artificial Intelligence and Statistics (AISTATS) 2026
COMPASS：持续多语言PEFT与自适应语义采样
机构 * UC Berkeley（加州大学伯克利分校）
AI总结 COMPASS通过自适应语义采样策略，利用参数高效微调方法，在多语言任务中提升模型性能，减少跨语言干扰，实现持续学习框架以适应动态环境。
Journal ref Transactions on Machine Learning Research, 2025, https://openreview.net/forum?id=oapsbIO1Bd
将几何与概率分离在一般化分析中
机构 * University of Illinois（伊利诺伊大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出通过优化问题对扰动的敏感性分析，以确定一般化界限，采用确定性方法建立变分原理，通过误差项量化样本数据与训练数据的接近程度，后用统计假设分析误差项的大小。
Comments 19 pages
增强的组合结构生成：Ramsey数
机构 * University of California, Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind） ； Google（谷歌）
AI总结 本文通过AlphaEvolve算法改进了九个经典Ramsey数的下界，同时恢复了所有已知精确Ramsey数的下界，并在许多其他情况下匹配了最佳下界。
SpecAgent：一种用于代码补全的推测性检索与预测代理
机构 * UC Berkeley（加州大学伯克利分校） ； Amazon Web Services（亚马逊网络服务）
AI总结 SpecAgent通过预索引探索和构建推测上下文，提升代码生成质量与推理效率，实验显示其在代码补全任务中比基线模型提升9-11%，显著降低推理延迟。
Comments In Proceedings of the Sixty-Fourth Annual Meeting of the Association for Computational Linguistics (2026)
多步高斯过程传播用于自适应路径规划
机构 * Department of Electrical Engineering and Computer Sciences, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系） ； Department of Engineering Cybernetics, Norwegian University of Science and Technology (NTNU)（挪威科技与自然大学（NTNU）工程控制系） ； Department of Electronic Systems, Norwegian University of Science and Technology (NTNU)（挪威科技与自然大学（NTNU）电子系统系）
AI总结 本文提出基于高斯过程的多步路径规划方法OLAhGP，通过融合多模态环境传感数据和状态输入约束，提升自主水面舰在藻类监测中的路径规划效率与鲁棒性。
位置：LLM水印应使所有相关方的利益一致以实现实际应用
机构 * UC Santa Barbara（加州大学圣芭芭拉分校） ； UC Berkeley（加州大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文探讨了LLM水印技术中利益相关方激励不一致的问题，提出通过设计激励一致的水印方法，如上下文水印，来解决实际应用中的障碍，强调在特定领域内实现可靠工具的重要性。
Comments ACL2026
RepIt：通过概念特定拒绝向量引导语言模型
机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 RepIt通过隔离语言模型激活中的概念特定表示，揭示当前安全评估的漏洞，展示如何利用少量资源实现针对特定概念的拒绝抑制。
Comments ICLR 2026
分开训练，合并一起：模块化后训练与专家混合
机构 * University of Washington（华盛顿大学） ； University of California, Berkeley（加州大学伯克利分校） ； Allen Institute for AI（人工智能研究院）
AI总结 本文提出BAR方法，通过独立训练领域专家并采用专家混合架构实现高效更新，避免了传统重训练的高成本和性能下降问题，实验显示其在多个领域任务中表现优异。
Comments 9 content pages, 23 pages overall, 3 figures
无标度自适应规划用于确定性动力学与折扣奖励
机构 * University of California, Berkeley, USA（加州大学伯克利分校） ； Noah's Ark Lab, Huawei Technologies, London, UK（华为技术伦敦诺亚实验室） ； Adobe Research, San Jose, USA（Adobe研究实验室） ； SequeL team, INRIA Lille - Nord Europe, France（INRIA里尔-北欧洲SequeL团队）
AI总结 本文提出Platypoos算法，针对确定性动力学和折扣奖励的规划问题，提供改进的样本复杂度分析，并建立下界证明其最优性。
Comments 36th International Conference on Machine Learning (ICML 2019)
Journal ref Proceedings of the 36th International Conference on Machine Learning (ICML 2019)
机构 * EPFL Lausanne（日内瓦联邦理工学院拉沃斯分校） ； UC Berkeley（伯克利大学） ； Courant Institute, NYU（纽约大学Courant研究所）
Comments Accepted at ICLR 2026. Camera-ready version
SLO-Guard：面向SLO约束的LLM服务自动调优：崩溃感知、预算一致
机构 * Inland Norway University of Applied Sciences（内陆挪威应用科学大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 SLO-Guard通过结合热预算退火与树结构帕泽估计器，实现崩溃感知的自动调优，提升LLM服务在SLO约束下的预算一致性与稳定性。
Comments 20 pages, 6 figures, 5 tables. Code and raw per-trial JSONL data: https://github.com/Chrislysen/SLO-Guard
推测解码用于自回归视频生成
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文探讨了推测解码在自回归视频生成中的应用，通过引入SDVG框架，利用图像质量路由替代token验证，实现高效视频生成，同时保持高质量并提升生成速度。
HORIZON：一个面向真实世界用户行为建模的基准
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Microsoft Research India（微软印度研究院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 HORIZON基准通过跨领域、长时域的数据和任务设计，解决传统用户建模基准的局限性，提出新的任务和评估方法，评估模型在异构环境中的泛化能力。
Comments 19 pages, accepted to ACL 2026 (Findings)
离线材料优化与CliqueFlowmer
机构 * BAIR, UC Berkeley, Berkeley, California, USA（BAIR，加州大学伯克利分校，伯克利，加利福尼亚州，美国） ； FAIR, Meta, San Francisco, California, USA（FAIR，Meta，旧金山，加利福尼亚州，美国）
AI总结 本文提出基于离线模型优化的材料发现方法，结合CliqueFlowmer模型优化目标材料属性，优于生成方法。
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