高校专区
EgoPhys: 从第一人称视频学习可变形物体的通用物理模型
机构 * UC San Diego（加州大学圣地亚哥分校）
AI总结 提出EgoPhys框架，从第一人称RGB视频中通过可泛化先验构建可变形物体的物理数字孪生，无需测试时优化即可预测弹簧刚度场，在重建、未来预测和零样本泛化上优于基线。
Comments Project Page: https://hjhyunjinkim.github.io/EgoPhys
嵌入式竞技场：通过硬件反馈的迭代优化
机构 * University of Washington（华盛顿大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Northeastern University（东北大学）
AI总结 提出硬件在环智能体框架，通过迭代编译、烧录和测量真实硬件，实现模型与固件的闭环优化，在嵌入式设备上达到250倍压缩且精度损失<3.3%。
Comments Code: https://github.com/ubicomplab/embedded-arena
遗忘即保留：面向3D医学图像分割的机器遗忘
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 针对数据隐私法规，研究基于四种机制的近似遗忘策略在3D医学图像分割中的应用，通过Dice系数和MAE评估，发现噪声标签策略在遗忘集和保留集间取得最佳平衡。
Comments 9 pages, 5 figures
Dr-DCI: 通过动态工作空间扩展实现直接语料交互的规模化
机构 * University of Toronto（多伦多大学） ； Texas A&M University（德克萨斯A&M大学） ； University of Waterloo（滑铁卢大学） ； UC San Diego（加州大学圣迭戈分校） ； Verdent AI ； Netmind AI
AI总结 提出DR-DCI框架，将检索作为智能体可调用的动作来动态扩展本地工作空间，结合检索器的召回能力与DCI的局部操作精度，实现大规模语料上的高效搜索与验证。
Comments 25 pages, 4 figures, 22 tables
MolE-RAG：面向化学的分子结构增强检索增强生成
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出无需训练的分子中心检索增强生成框架MolE-RAG，通过整合检索文献、分子特定信息和结构相似分子三种上下文，显著提升LLM在分子性质预测任务中的性能。
先派侦察兵：提示注入防御中自适应检测器分配的预推理方法
机构 * UC San Diego（加州大学圣迭戈分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 针对提示注入检测器异构且不可靠的问题，提出SCOUT框架，通过预测每个检测器对每个样本的可靠性和延迟，动态分配检测器，实现安全性与效率的权衡。
Comments We propose SCOUT, a detector allocation framework that predicts each detector's accuracy and latency on a given input before running it, letting operators control the safety-utility trade-off with a single threshold and route to an LLM judge only when needed
SkillsBench: 基准测试智能体技能在不同任务中的有效性
机构 * BenchFlow ； OSU ； Amazon ； UC Berkeley ； UC Santa Cruz ； UC Davis ； Dartmouth ； RLWRLD ； Independent ； Princeton University ； Oxford University ； Stanford University ； USC ； CMU ； Foxconn ； Zenity ； UNSW ； UT Austin ； MSU ； Duke University ； ByteDance ； UT Dallas ； UC San Diego ； Columbia University ； University of Rochester ； Cornell Tech ； Georgia Tech ； Cornell University ； NEU ； UCLA ； Snap Inc. ； Fanshawe College ； University of Science and Technology of China ； HKUST(GZ) ； Anyscale
AI总结 提出SkillsBench基准，包含8领域87个任务，通过配对评估证明技能提升平均通过率16.6个百分点，小模型配备技能可匹敌大模型。
图学习应超越对谱图神经网络和消息传递图神经网络的狭隘观点
机构 * RWTH Aachen University（亚琛工业大学） ； Massachusetts Institute of Technology（麻省理工学院） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Stanford University（斯坦福大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Univ. de Montréal（蒙特利尔大学） ； Mila（Mila人工智能研究所） ； Technion – Israel Institute of Technology（技术学院–以色列理工学院）
AI总结 本文澄清了谱图神经网络与消息传递图神经网络的异同，提出基于特征基对称性的谱GNN精确定义，并倡导统一理论框架以推动图学习发展。
Comments 44 pages, 1 figure
OLR-WA：多变量数据流中的在线加权平均线性回归
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出OLR-WA模型，用于多变量数据流的在线线性回归，通过处理数据漂移和置信度场景，实现与批量回归相当甚至更优的性能。
Journal ref 2023 IEEE International Conference on Big Data (BigData), 1039-1046
一种可泛化的全局光照光传输3D嵌入
机构 * UC San Diego and NVIDIA USA（加州大学圣迭戈分校和美国NVIDIA公司） ； UC San Diego USA（加州大学圣迭戈分校（美国）） ； NVIDIA USA（美国NVIDIA公司） ； UC San Diego USA and NVIDIA USA（加州大学圣迭戈分校和美国NVIDIA公司）
AI总结 提出一种可泛化的3D光传输嵌入方法，通过点云和Transformer直接预测全局光照，无需光栅化或路径追踪线索，适用于多种室内场景。
Comments SIGGRAPH 2026
LoLA: 低秩线性注意力与稀疏缓存
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出LoLA，一种无需训练的线性注意力增强方法，通过三种记忆系统（局部滑动窗口、稀疏全局缓存和循环隐状态）提升关联回忆，在pass-key检索任务上将准确率从0.6%提升至97.4%，且缓存大小比Llama-3.1 8B小4.6倍。
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