Generalized Schrödinger Bridge on Graphs
图上的广义薛定谔桥
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出GSBoG框架，通过似然优化学习图上可控连续时间马尔可夫链策略，满足端点边际分布并优化中间状态成本，实现可扩展的拓扑感知运输。
高校专区
University of California, Berkeley（加州大学伯克利分校）
Efficient Stochastic Optimisation via Sequential Monte Carlo
通过序贯蒙特卡洛实现高效随机优化
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对梯度难以计算的优化问题，提出用序贯蒙特卡洛（SMC）采样器替代昂贵的内采样循环，实现高效随机优化，并在能量模型奖励调优中验证有效性。
Comments Accepted to ICML 2026
Bulk-Calibrated Credal Ambiguity Sets: Fast, Tractable Decision Making under Out-of-Sample Contamination
批量校准的置信模糊集：样本外污染下的快速、可处理决策
机构 * University of Bristol（布里斯托大学） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Oxford（牛津大学）
AI总结 提出批量校准置信模糊集，通过分离批量内污染和尾部贡献，得到闭式有限风险目标，转化为线性或二阶锥规划，实现高效鲁棒优化。
Comments Accepted for publication (spotlight) at ICML 2026
PLaID++: A Preference Aligned Language Model for Targeted Inorganic Materials Design
PLaID++: 一种用于定向无机材料设计的偏好对齐语言模型
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PLaID++，通过对称性感知的Wyckoff文本表示和温度缩放熵正则化，结合可验证奖励的强化学习，实现稳定、新颖且满足空间群属性的晶体生成，比先前方法效率提高约50%。
Comments Code available at https://github.com/andaero/PLaID, model weights at https://huggingface.co/HOPE-Lab-HMC/PLaID
GAE: Unleashing Physical Potential of VLM with Generalizable Action Expert
GAE: 利用可泛化动作专家释放VLM的物理潜力
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 提出通用动作专家（GAE），通过稀疏几何接口将VLM的高层意图转化为连续动作轨迹，采用动作预训练-点云微调（APPF）方案解耦动作动力学与几何基础，实现跨视觉域、视角和指令的强泛化。
Prism: Cost-Efficient Multi-LLM Serving via GPU Memory Ballooning
Prism: 通过GPU内存气球实现经济高效的多LLM服务
机构 * UCLA（加州大学洛杉矶分校） ； UC Berkeley（伯克利加州大学） ； Harvard University（哈佛大学） ； CMU（卡内基梅隆大学） ； University of Edinburgh（爱丁堡大学） ； Intel（英特尔） ； Stanford University（斯坦福大学） ； LMSYS（灵州市系统实验室） ； ByteDance（字节跳动） ； Alibaba Cloud（阿里云） ； Tsinghua University（清华大学） ； Novita AI ； Rice University（里士满大学）
AI总结 针对多LLM服务中资源效率低下的问题，提出基于内存气球的内存中心化LLM协同服务框架Prism，统一空间与时间共享，已在10K+ GPU生产环境部署。
Comments OSDI'26
Conformal Risk-Averse Decision Making with Action Conditional Guarantee
具有行动条件保证的共形风险规避决策
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出行动条件共形预测方法，通过分位数损失最小化算法实现行动条件风险价值优化，在有限样本下提供行动条件安全保证。
Geometric Erasure by Contrastive Velocity Matching in Rectified Flows
整流流中对比速度匹配的几何擦除
机构 * University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出GEM框架，通过对比速度匹配实现整流流模型中的概念擦除，结合生成流网络与教师引导的流匹配，有效抑制有害内容生成。
A theory of learning data statistics in diffusion models, from easy to hard
扩散模型中学习数据统计的理论：从容易到困难
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文研究了扩散模型在学习数据统计时的分布简单性偏差，揭示了学习 pairwise 统计和 higher-order 统计所需的样本复杂度差异，并引入了扩散信息指数这一不变量。
Journal ref ICML 2026
Right Predictions, Misleading Explanations: On the Vulnerability of Vision-Language Model Explanations
正确预测，误导性解释：关于视觉-语言模型解释的脆弱性
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究探讨了视觉-语言模型中解释热图在对抗条件下是否忠实反映推理过程，提出X-Shift攻击揭示解释与预测行为的脱节，验证了解释机制的脆弱性。
Comments Accepted at the ICML 2026 Workshop on Trustworthy AI for Good (AI4GOOD), Seoul, South Korea
DynaRetarget: Dynamically-Feasible Retargeting using Sampling-Based Trajectory Optimization
DynaRetarget: 基于采样的轨迹优化的动态可行重定向
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出DynaRetarget框架，通过采样轨迹优化将人体运动重定向为人形机器人控制策略，实现长时域动态可行运动，在数百个演示中取得更高成功率。
The Latent Color Subspace: Emergent Order in High-Dimensional Chaos
潜在颜色子空间：高维混沌中的涌现秩序
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 本文揭示了FLUX.1变分自编码器潜在空间中颜色表示的HSL结构，并提出一种无需训练的闭式潜在空间操作方法，实现对生成图像颜色的预测与显式控制。
Comments Accepted at ICML 2026
Position: Stop Anthropomorphizing Intermediate Tokens as Reasoning/Thinking Traces!
立场：停止将中间令牌拟人化为推理/思考痕迹！
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文论证将模型生成的中间令牌拟人化为“推理痕迹”或“思考痕迹”具有误导性，呼吁社区避免此类拟人化。
Comments Appears in ICML 2026. [This is a fork of v1. This fork, while overlapping with v1 in background section, differs both in the overall focus as well as the specific argument against anthropomorphization of reasoning traces]
Journal ref ICML 2026
Human-Guided Agentic AI for Multimodal Clinical Prediction: Lessons from the AgentDS Healthcare Benchmark
人类引导的智能体AI用于多模态临床预测：来自AgentDS医疗基准的教训
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 通过人类引导智能体AI在多模态临床预测任务中取得领先性能，提炼出领域知识引导特征工程、任务特定多模态融合和临床动机模型集成三大通用经验。
Comments Presented at the Data Challenge track at the 14th IEEE International Conference on Healthcare Informatics (ICHI) 2026 on June 3, 2026
Global Geometry Is Not Enough for Vision Representations
全局几何不足以用于视觉表示
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文通过实验发现全局嵌入几何与组合绑定能力几乎无关，而输入-输出雅可比矩阵衡量的功能敏感性可靠地追踪该能力，并分析指出这是由于现有损失函数显式约束嵌入几何但未约束局部输入-输出映射所致。
AI4SLT: Empirical Processes in Lean 4 for Formal Statistical Learning Theory
AI4SLT: 基于 Lean 4 的形式化统计学习理论实证过程
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文首次在 Lean 4 中完整形式化统计学习理论，基于实证过程理论，通过人机协作工作流构建了可验证的定理证明工具箱，并揭示了教材中的隐含假设。
Comments Accepted by ICML 2026
Prediction-Powered Risk Monitoring of Deployed Models for Detecting Harmful Distribution Shifts
预测驱动的已部署模型风险监控：检测有害分布漂移
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出预测驱动风险监控（PPRM），一种基于预测驱动推断的半监督方法，通过结合合成标签与少量真实标签构建运行风险的随时有效下界，实现对有害漂移的检测，并在图像分类、大语言模型和电信监控任务中验证有效性。
Comments Accepted by ICML2026
FOCUS: DLLMs Know How to Tame Their Compute Bound
FOCUS: DLLMs 知道如何驯服它们的计算瓶颈
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学）
AI总结 针对扩散大语言模型解码中大部分计算浪费在不可解码令牌上的问题，提出 FOCUS 推理系统，通过动态聚焦可解码令牌并驱逐不可解码令牌，提升有效批大小，实现高达 3.52 倍的吞吐量提升。
Comments ICML 2026 camera-ready version
Semantic search for 100M+ galaxy images using AI-generated captions
基于AI生成描述的1亿+星系图像语义搜索
机构 * New York University（纽约大学） ； University of Toronto（多伦多大学） ； Dunlap Institute for Astronomy & Astrophysics（达伦普天文与天体物理研究所） ； University of California, Berkeley（加州大学伯克利分校） ； Center for Data Science（数据科学中心） ； Lawrence Berkeley National Lab（伯克利国家实验室） ； Flatiron Institute（Flatiron研究所） ； Université Paris-Saclay（巴黎-萨克莱大学） ； CEA（法国原子能委员会） ； CNRS（法国国家科学研究中心） ； AIM（应用数学研究所） ； Princeton University（普林斯顿大学）
AI总结 提出利用视觉语言模型生成星系图像描述，并对比对齐预训练天文学基础模型，构建可搜索嵌入，实现大规模星系图像的语义搜索，在稀有现象发现上取得最先进性能。
Comments ApJ, in press
Bypassing Prompt Guards in Production with Controlled-Release Prompting
绕过生产环境中的提示守卫：受控释放提示攻击
机构 * UC Berkeley（加州大学伯克利分校） ； zkBricks Inc（zkBricks公司） ； Ethereum Foundation（以太坊基金会） ； NYU Shanghai（纽约大学上海分校）
AI总结 针对AI对齐的提示过滤存在理论上的不可能性，本文提出受控释放提示攻击，利用轻量级输入过滤器与主模型之间的资源不对称性，在实际部署的大语言模型系统中成功绕过提示守卫。
Comments Accepted to USENIX Security 2026
\texttt{Range-Arithmetic}: Verifiable Deep Learning Inference on an Untrusted Party
Range-Arithmetic: 在不可信方上进行可验证的深度学习推理
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出Range-Arithmetic框架，通过将非算术运算转化为可验证的算术步骤，实现高效的深度神经网络推理验证，降低了计算和通信开销。
RAG over Thinking Traces Can Improve Reasoning Tasks
RAG 基于思考轨迹可提升推理任务
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出检索思考轨迹而非文档，通过 T3 方法将其转化为结构化表示，在推理任务上显著提升性能，超越标准 RAG 和无 RAG 基线。
Deterministic Execution of ROS 2 Applications via Lingua Franca
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。
When Do Attention Circuits Form? Developmental Trajectories of Capability and Attention-Sink Emergence Across Three 1B-ClassArchitectures
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
Communication Dynamics Neural Networks: FFT-Diagonalized Layers for Improved Hessian Conditioning at Reduced Parameter Count
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
Impatient Users Confuse AI Agents: High-fidelity Simulations of Human Traits for Testing Agents
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: Agentic Time Series Anomaly Detection with Tool-Augmented Reasoning
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。
A Sketch-and-Project Analysis of Subsampled Natural Gradient Algorithms
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
Structure-Preserving Learning Improves Geometry Generalization in Neural PDEs
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。
Is Task-Specific Training Necessary for Anomaly Detection?
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。
