高校专区
从儿童视角表征物体的可视化分析
机构 * Department of Psychology, University of California San Diego（加州大学圣地亚哥分校心理学系） ； Department of Psychology, Stanford University（斯坦福大学心理学系） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
AI总结 研究分析了儿童日常经验中物体类别表征的视觉输入，发现常见物体如杯子、椅子占据主导地位，而多数类别出现频率低。尽管物体视角多样，但检测到的类别在上位类别中表现出更强的聚类特征。
Comments 19 pages, 6 figures
通过增强操作子推断法以实现物理一致的预测降阶建模
机构 * Department of Mechanical and Aerospace Engineering, University of California San Diego, CA, United States（机械与航空航天工程系，加州大学圣地亚哥分校，加州，美国）
AI总结 本文提出一种通过嵌入状态约束增强操作子推断法的方法，以提高复杂多物理系统降阶模型的稳定性与准确性，适用于炭燃烧等应用。
Comments 33 pages, 13 figures
CreFlow：稀疏奖励具身视频扩散强化学习的纠正回流
机构 * Northwestern University（西北大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Oxford（牛津大学）
AI总结 本文提出CreFlow框架，通过信用感知NFT损失和纠正回流损失提升高维视频生成性能，有效解决稀疏奖励下的具身任务执行问题。
MetaAgent-X：通过端到端强化学习打破自动多智能体系统的天花板
机构 * Oregon State University（俄勒冈州立大学） ； UCSD（加州大学圣迭戈分校） ； Amazon AGI（亚马逊人工智能实验室） ； Pennsylvania State University（宾夕法尼亚州立大学） ； AG2AI, Inc.（AG2AI公司）
AI总结 本文提出MetaAgent-X，通过端到端强化学习框架联合优化自动多智能体系统的设计与执行，实现脚本化生成、执行回放收集及信用分配，提升训练稳定性与可扩展性，取得21.7%的性能提升。
在长周期学习中利用随机矩阵理论检测神经网络中的过拟合
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Data Science and Engineering（数据科学与工程） ； Calculation Consulting（计算咨询）
AI总结 本文提出一种基于随机矩阵理论的方法，用于检测深度学习模型在长周期学习中过拟合的起始阶段，通过分析权重矩阵的随机化经验谱分布来识别异常的相关陷阱，揭示了过拟合与学习过程的不同阶段。
Comments 24 pages, 24 figures
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 大型语言模型（LLMs）在解决问题前后能够产生自我监控信号，如对自身能否成功解决问题的预判以及对答案正确性的后验判断，但这些信号通常未被用于控制推理过程。本文提出一种元认知控制框架，基于认知心理学中的纳尔逊-纳雷恩斯理论，将监控与推理分离，使模型在推理过程中根据预判和后验判断动态决定是否信任当前结果、是否重试或汇总多轮结果。实验表明，该框架无需参数更新或特定任务微调，即可显著提升基础模型在文本、代码和多模态任务中的表现。
BOOKMARKS: 为角色扮演高效主动故事线记忆
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 BOOKMARKS通过主动初始化和维护任务相关书签，提升角色扮演代理的长期一致性，有效避免信息丢失。
TeDiO：基于时间对角优化的训练自由一致视频扩散
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Futurewei Technologies Inc（未来科技有限公司） ； UCSD（加州大学圣迭戈分校）
AI总结 TeDiO通过优化内部注意力模式提升视频生成的时序一致性，无需训练或外部监督，实现更流畅的动态表现。
Comments CVPR'26 Workshop on Agentic AI for Visual Media
贝尔曼值分解用于安全最优控制中的任务逻辑
机构 * UCSD（加州大学圣地亚哥分校） ； MIT（麻省理工学院）
AI总结 本文提出通过贝尔曼值的结构分解来优化高维任务中的安全性和性能，引入新的贝尔曼方程并提出VDPPO算法，通过神经网络实现隐含依赖的 bootstrap，验证了在复杂任务中的有效性。
功能层面的不确定性量化用于校准微调的大型语言模型
机构 * Department of Computer Science and Engineering, University of California San Diego（加州大学圣地亚哥分校计算机科学与工程系）
AI总结 本文提出UQ4CT方法，通过混合专家微调框架校准LLM微调中的功能空间不确定性，减少ECE并提升可靠性与泛化能力。
扩散编码器
机构 * Department of Physics（物理系） ； University of California San Diego（加州大学圣地亚哥分校） ； Independent Researcher（独立研究者）
AI总结 本文提出一种新型编码器，利用扩散模型的表达能力，通过交替训练方案解决解码器与编码器之间的同步问题，保持了标准扩散模型的简单高效训练目标。
Comments 22 pages + references, 10 figures
TouchGuide: 通过触觉引导在推理时操控视觉-触觉策略
机构 * Shanghai Jiao Tong University（上海交通大学） ； Xense Robotics（Xense机器人公司） ； Sun Yat-sen University（中山大学） ； Oxford（牛津大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； University of Science and Technology of China（中国科学技术大学） ； UCSD（加州大学圣地亚哥分校）
AI总结 本文提出TouchGuide，一种新的跨策略视觉-触觉融合方法，通过触觉引导在推理时优化预训练的视觉-触觉策略，提升机器人精细接触操作能力。
无需攻击：用于代理技能规范违规的语义模糊测试
机构 * University of California, San Diego（加州大学圣迭戈分校）
AI总结 本文提出Sefz框架，通过语义模糊测试发现代理技能中的规范违规问题，揭示了安全规则漏洞对用户信任的影响。
F-GRPO：基于统一候选生成与排序的因子化组相对策略优化
机构 * UC San Diego（南加州大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Adobe Research（Adobe研究院）
AI总结 本文提出F-GRPO，通过因子化组相对策略优化统一完成候选生成与排序，解决传统方法中因反馈滞后导致的优化不稳定问题，提升推荐系统性能。
ChipMATE: 通过强化学习进行多智能体训练以提升RTL生成
机构 * UCSD（加州大学圣迭戈分校） ； Columbia University（哥伦比亚大学）
AI总结 ChipMATE是首个自训练多智能体RTL生成框架，通过相互验证的智能体和混合数据生成框架提升生成质量，实现75.0%和80.1%的VerilogEval V2通过率。
通过反思增强的自我蒸馏实现稀有成功但丰富的反馈学习
机构 * UC San Diego（UC圣地亚哥大学） ； Amazon（亚马逊） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出反思增强的自我蒸馏框架，通过将失败反馈转化为主动监督信号，提升在稀有成功场景下的持续学习能力，实验表明其在多个连续学习任务中优于传统方法。
Comments Work in progress
从通用到专业表征
机构 * CMU（卡内基梅隆大学） ； UIUC（伊利诺伊大学香槟分校） ； UCSD（加州大学圣地亚哥分校） ； MBZUAI（穆斯林人工智能研究所） ； UMD（马里兰大学） ； UBC（不列颠哥伦比亚大学）
AI总结 研究在非参数设置下如何通过非监督方式识别时间步间任务结构，并利用稀疏正则化分离任务相关潜在表征，为从通用到专业模型的理论保障提供新思路。
Comments ICML 2026
SimWorld Studio：基于进化编码代理的自动环境生成用于具身学习
机构 * UC San Diego（加州大学圣迭戈分校） ； New York University（纽约大学）
AI总结 本文提出SimWorld Studio平台，通过进化编码代理生成动态3D环境，提升具身学习性能。环境生成与学习相互促进，使代理在未见基准上表现更优。
SocialLM：利用LLMs和上下文聚合进行患者-提供者沟通的社会信号处理
机构 * University of Washington（华盛顿大学） ； UC San Diego（圣地亚哥大学）
AI总结 本文探讨了LLMs在无需微调的情况下能否有效跟踪临床转录中的20种社会行为，并通过群体一致性模式提升检测准确性与稳定性。
Comments To be presented at CHIL 2026
一念之差：多轮对话中针对隐藏恶意意图的响应感知防御
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； UCSD（加州大学圣地亚哥分校） ； National Taiwan University（台湾大学） ； IBM Research（IBM研究院） ； Virtue AI
AI总结 本文提出TurnGate，通过检测最早使交互达到有害行为阈值的轮次，提升多轮对话中恶意意图检测效果，同时保持低拒绝率。
Comments Project Website: https://turn-gate.github.io/
单次曝光HDR恢复通过视频扩散先验
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Creare LLC（Creare公司）
AI总结 本文提出通过视频扩散模型生成曝光序列并融合生成HDR图像，提升单次曝光HDR重建的保真度和可解释性，优于现有方法。
选项，而非点击：基于同意的MCP授权的晶格细化
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； University of California, Santa Barbara（加州大学圣芭芭拉分校）
AI总结 本文提出Conleash，一种客户端中间件，通过风险晶格自动允许安全调用，提升MCP授权的安全性与用户信任。
OLIVIA：通过推理时间动作适应实现LLM ReAct代理的在线学习
机构 * UC San Diego（加州大学圣地亚哥分校） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Adobe Research（Adobe研究）
AI总结 OLIVIA通过在推理时对动作进行适应，改进LLM ReAct代理在部署中的决策能力，提供可跟踪、细粒度和不确定性感知的适应方法。
BenchCAD: 一个全面的、行业标准的程序化CAD基准测试
机构 * University of Virginia（弗吉尼亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Rice University（莱斯大学）
AI总结 BenchCAD通过视觉问答、代码问答、图像到代码生成和指令引导的代码编辑评估模型，发现当前系统在生成精确参数化CAD程序方面存在不足，需进一步改进工业应用能力。
Comments 9 page 7 figures
FERA：面向大语言模型的不确定性感知联邦推理
机构 * Indiana University（印第安纳大学） ； The University of New South Wales（新南威尔士大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Adobe Research（Adobe研究院）
AI总结 FERA通过迭代服务器-客户端协同细化，解决联邦推理中客户端可靠性依赖查询的问题，提升多步骤推理能力，实验表明其在多个推理基准上优于联邦训练和无训练基线。
Comments 44 pages, 8 figures
Materialist: 基于物理的单图像逆渲染中的材质编辑
机构 * Technical University of Denmark（丹麦技术大学） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 Materialist提出一种基于物理的单图像逆渲染方法，利用神经网络预测初始材质属性并优化，实现材质编辑、物体插入和光照调整，同时引入高效的光线追踪折射方法进行透明度编辑。
Comments More Comprehensive IJCV Camera-Ready Version. Project website: https://lez-s.github.io/materialist_project/
Journal ref International Journal of Computer Vision (IJCV), 134(6), 267 (2026)
MASS-DPO：多负样本主动采样用于直接策略优化
机构 * UC San Diego（UC圣地亚哥大学） ； Adobe Research（Adobe研究院）
AI总结 MASS-DPO通过多负样本主动采样方法，在Plackett-Luce模型下扩展直接偏好优化，通过选择信息丰富的负样本子集提升策略更新效率，减少冗余梯度，提升模型性能。
Skill-R1：通过强化学习实现智能体技能进化
机构 * UC San Diego（UC圣地亚哥大学） ； Adobe Research（Adobe研究院）
AI总结 Skill-R1通过强化学习框架实现实例级递归技能优化，利用可验证奖励训练轻量级技能生成器，提升智能体在复杂多步骤任务中的表现。
建立稳健的视网膜眼追踪：一种弱监督的算法框架
机构 * Meta Reality Labs（Meta现实实验室） ； University of California, San Diego（加州大学圣地亚哥分校） ； Independent Researcher（独立研究员）
AI总结 本文提出一种弱监督学习框架，用于提高视网膜眼追踪的鲁棒性，实验显示在6名受试者中，眼位误差低于0.45度。
Comments 2026 IEEE International Conference on Image Processing (Accepted for Publication)
Reddit2Deezer: 一个可扩展的现实世界基础对话音乐推荐数据集
机构 * University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出Reddit2Deezer数据集，基于19万独特的线程和叶子评论对，提供真实对话音乐推荐资源，包含原始和改写版本，链接音乐实体到Deezer标识符，支持未来内容基础对话推荐研究。
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