高校专区
人类与人工智能的共演与知识崩溃：一种动态系统视角
机构 * Fudan University（复旦大学） ； Tongji University（同济大学） ； Shanghai Jiao Tong University（上海交通大学） ； The University of Hong Kong（香港大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Nanjing University of Posts and Telecommunications（南京邮电大学）
AI总结 本文从动态系统视角探讨人类与语言模型的共演及知识崩溃问题，提出人类与模型形成反馈闭环的耦合系统，通过三变量模型揭示共进化增强、脆弱均衡和退化收敛三种动态模式。
Comments 5 pages, 3 figures, ICML EIML Workshop submitted
基于噪声偏好的LLM奖励建模中的最优传输
机构 * Zhejiang University（浙江大学） ； Peking University（北京大学） ； National University of Singapore（新加坡国立大学） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出SelectiveRM框架，利用最优传输对噪声偏好进行去噪，通过联合一致性差异对齐模型预测分布与偏好数据，并引入质量放松机制以排除矛盾样本，提升奖励建模性能。
针对基于策略的强化学习中批评学习的低秩适应
机构 * University of Connecticut（康涅狄格大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Texas at Arlington（德克萨斯理工大学） ； Qualcomm（高通）
AI总结 本文提出利用低秩适应（LoRA）作为结构正则化方法，通过冻结基础矩阵并优化低秩适配器，约束批评学习更新到低维子空间，实验表明该方法有效降低批评损失并提升整体策略性能。
BioTool: 一个全面的工具调用数据集，用于增强大语言模型的生物医学能力
机构 * UC San Diego（圣迭戈大学） ； MBZUAI（马克斯·普朗克智能系统研究所）
AI总结 BioTool通过整合生物医学领域常用工具及高质量查询-API调对，提升大语言模型在生物医学任务中的工具调用能力，实验表明其在生物医学领域表现优于现有商业模型。
Comments Published at ACL 2026; Code and data available at https://github.com/gxx27/BioTool
在无偏非利普希茨需求下的最优上下文定价
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文研究了具有线性估值和有界支持无偏噪声的上下文动态定价问题，提出了一种多项式时间算法，通过随机参数估计、保守残差网格探测和基于置信度的一步重定向，实现了最优的 regret，改进了之前的上界。
Comments 30 pages, 1 figure, 1 table
超越语义相似性：通过直接语料交互重新思考代理搜索的检索
机构 * Texas A&M University（德克萨斯A&M大学） ； University of Waterloo（滑铁卢大学） ； UC San Diego（圣地亚哥大学） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Verdent AI ； Lambda
AI总结 本文提出直接语料交互（DCI）方法，通过通用终端工具直接搜索原始语料，无需嵌入模型或检索接口，有效提升代理搜索性能。
Laya: 一种基于联合嵌入预测架构的EEG方法
机构 * Department of Medical Informatics（医学信息学系） ； UCLA（美国加利福尼亚大学洛杉矶分校） ； Department of Cognitive Science（认知科学系） ； UCSD（美国圣地亚哥大学） ； David Geffen School of Medicine（大卫·盖弗医学院） ； Mattel Children’s Hospital（马特尔儿童医院）
AI总结 本文提出Laya，一种基于LeJEPA的EEG基础模型，通过预测潜在表示而非信号重建，提升EEG表示的语义结构和临床准确性。
稀疏连接是否能提高泛化能力？卷积网络在稳定性边缘以下
机构 * UC San Diego（圣迭戈大学）
AI总结 研究稀疏连接在卷积网络中如何在稳定性边缘以下提升泛化能力，揭示其与数据几何和梯度下降的联合影响。
Comments Under Review. Comments welcome!
相同词语，不同判断：偏好如何在不同模态间变化
机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； University of California San Diego（加州大学圣地亚哥分校） ； Department of Psychology（心理学系）
AI总结 研究探讨了文本与语音模态在偏好标注中的差异，发现需9名评阅者才能达到较高一致性，且语音评阅者在决策阈值、长度偏差和用户导向标准上存在显著差异，合成评分可有效预测评阅者一致性，强调音频偏好数据评估需模态特定设计。
Comments Submitted to NeurIPS 2026 for review
在稳定性边缘以下的泛化：数据几何的作用
机构 * UC San Diego（圣迭戈大学）
AI总结 本文研究了过参数化神经网络中数据几何对泛化能力的影响，通过理论分析揭示了数据几何如何控制隐式偏置，提出在稳定性边缘以下的两层ReLU网络的泛化界限，并探讨了梯度下降在不同数据分布下的学习机制。
Comments Accepted by ICLR 2026
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