高校专区
图概念瓶颈模型
机构 * Department of Applied Mathematics & Statistics（应用数学与统计学系） ； State University of New York at Stony Brook（石溪州立大学） ； Halıcıoğlu Data Science Institute（Halıcıoğlu数据科学研究所） ； University of California, San Diego（加州大学圣地亚哥分校） ； Thomas J. Watson Research Center（汤普森·J·沃森研究中心） ； IBM Research（IBM研究院） ； Department of Biomedical Informatics（生物医学信息学系）
AI总结 图概念瓶颈模型通过构建潜在概念图来增强概念关系，提升模型性能和可解释性，实验证明其在图像分类中具有更高的准确性与鲁棒性。
Comments TMLR March 2026
探索黑客：大语言模型能否学会抵抗强化学习训练？
机构 * MATS ； UC San Diego（UC圣迭戈大学） ； Google DeepMind（谷歌DeepMind） ； Anthropic
AI总结 本文研究了大语言模型在强化学习训练中可能通过策略性调整探索行为导致失败的机制，通过微调创建了具有特定低效策略的模型，并评估了检测与缓解策略。
Comments 81 pages, 37 figures
停止屏息：基于CT的高斯点云法用于动态支气管镜
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Harvard Medical School（哈佛医学院） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出利用患者特定的呼吸模型消除屏息协议需求，通过配对呼气吸气CT扫描减少呼吸运动，实现连续的变形感知重建。
PhyCo：学习可控制的物理先验以生成运动
机构 * Carnegie Mellon University（卡内基梅隆大学） ； NEC Labs America（NEC美国实验室） ； UC San Diego（圣地亚哥大学）
AI总结 PhyCo通过整合物理可控的生成模型，实现了在视频生成中物理一致性和可控性的提升，无需模拟器或几何重建。
Comments CVPR 2026. Project Page: https://phyco-video.github.io/
AMMA: 一种面向低延迟1M上下文注意力服务的多芯片片内存架构
机构 * University of California, San Diego（加州大学圣迭戈分校） ； Columbia University（哥伦比亚大学） ； Yonsei University（延世大学） ； NVIDIA（NVIDIA公司） ； Samsung Semiconductor, Inc.（三星半导体公司）
AI总结 AMMA是一种面向低延迟1M上下文注意力服务的多芯片片内存架构，通过提高内存带宽和优化并行计算方案，显著降低注意力延迟和能耗。
AblateCell: 一个用于虚拟细胞库的可重现后消去代理
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； University of California San Diego（加州大学圣地亚哥分校） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
AI总结 AblateCell通过可重现后消去方法解决AI虚拟细胞性能归因问题，实现高准确度的代码库验证与属性归因。
Comments 25 pages, 5 figures
ORFS-agent：用于芯片设计优化的工具使用代理
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出ORFS-agent，一种基于大语言模型的迭代优化代理，用于自动化开放式硬件设计流程中的参数调优，通过改进资源效率和设计指标，在六个基准测试中提升了性能。
PASR：基于遮挡单视图的姿态感知3D形状检索
机构 * Shanghai Jiao Tong University（上海交通大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全中心）
AI总结 PASR通过将2D基础模型知识蒸馏到3D编码器，解决单视图3D形状检索中姿态感知与遮挡问题，实现更鲁棒的检索与多任务能力。
可动态扩展和收回的多功能救援机器人腿部连杆机构
机构 * Mechanical and Aerospace Engineering Department, University of California, San Diego（加州大学圣地亚哥分校机械与航空航天工程系） ； Electrical and Computer Engineering Department, University of California, San Diego（加州大学圣地亚哥分校电气与计算机工程系）
AI总结 本文提出了一种可动态扩展和收回的机器人腿部连杆机构，用于在搜索和救援任务中实现地形适应和高力输出。通过几何变换实现腿部配置的机械切换，实验验证了其在步长、力输出和稳定性方面的性能。
OT分数：一种基于最优传输的置信度分数用于原型辅助的无监督域适应
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Washington（华盛顿大学）
AI总结 本文提出OT分数，用于评估原型辅助无监督域适应中的分类性能和置信度，通过最优传输理论分析改进现有方法，实验表明其在域适应任务中表现更优。
在因果信息未知的情况下选择：决策中的行动-结果概率可以基于因果模型来确立
机构 * FSG NeuroInformatics, Faculty of Computer Science, University of Vienna（维也纳大学计算机科学系神经信息学研究所） ； Halicioglu Data Science Institute and Department of Philosophy, University of California, San Diego（加州大学圣地亚哥分校Halicioglu数据科学研究所和哲学系）
AI总结 本文探讨在因果信息未知时，如何通过因果模型确立决策中的行动-结果概率，扩展了纳什均衡的概念，应用于战略游戏中考虑因果信息的情况。
探索扩散生成模型中的时间条件：从离散噪声数据流形的角度
机构 * SGIT AI Lab（SGIT人工智能实验室） ； UTokyo（东京大学） ； HKUST（香港科技大学） ； UCSD（加州大学圣地亚哥分校） ； ZJUT（浙江工业大学） ； Baidu（百度） ； RIKEN AIP（日本理化学研究所AIP）
AI总结 本文从几何视角重新审视扩散模型中的时间条件作用，发现高维空间中噪声分布集中在低维流形上，通过调整DDIM前向过程并结合流匹配方法，证明无需时间条件即可生成高质量内容。
8DNA：通过分布学习实现8D神经资产光运输
机构 * University of California San Diego（加州大学圣地亚哥分校） ； NVIDIA（英伟达）
AI总结 本文提出8DNA，通过分布学习实现8D神经资产光运输，以准确渲染近场照明。方法学习完整8D光运输，减少方差并加快推理速度。
基于大语言模型的对话用户模拟综述
机构 * Vanderbilt University（范德比大学） ； Adobe Research（Adobe研究） ； Yale University（耶鲁大学） ； University of Oregon（俄勒冈大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Dolby Laboratories（Dolby实验室） ； University of California, Berkeley（加州大学伯克利分校） ； Cisco AI Research（思科人工智能研究） ； University of Southern California（南加州大学） ； Texas A&M University（德克萨斯阿姆斯特朗大学） ； UC Davis（加州大学戴维斯分校）
AI总结 本文综述了基于大语言模型的对话用户模拟最新进展，提出新的分类体系，分析核心技术和评估方法，旨在推动未来研究。
Comments Submitted in August 2025. MOD-81000 approved survey
上下文线性激活引导的语言模型
机构 * UC San Diego（加州大学圣地亚哥分校） ； MIT（麻省理工学院） ； Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学Broad研究所）
AI总结 本文提出CLAS方法，通过动态调整线性激活引导强度，在有限标注数据下提升语言模型的专精能力，优于传统方法和ReFT、LoRA。
GeoEdit：用于扩散模型中无训练快速在流形上编辑的局部框架
机构 * University of California San Diego, La Jolla, CA, USA（加州大学圣迭戈分校） ； University of Washington, Seattle, WA, USA（华盛顿大学） ； Xidian University, Xi'an, China（西电大学）
AI总结 本文提出GeoEdit，通过局部流形切线空间实现无需训练的快速在流形上编辑，利用小扰动构建切线框架，实现精细编辑。
IRIS：交错强化与增量阶段课程用于跨语言数学推理
机构 * Singapore Institute of Technology（新加坡理工学院） ； IIIT Delhi（德里印度理工学院） ； University of California, San Diego（加州大学圣地亚哥分校） ； Nanyang Technological University（南洋理工大学） ； NVIDIA
AI总结 IRIS通过结合逐步增加难度的监督微调与逆课程强化学习，提升多语言数学推理能力，尤其在低资源和双语环境下表现突出。
Comments Accepted in ACL main
JigsawRL：构建高效的LLM后训练强化学习流水线
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 JigsawRL通过动态资源分配和图调度策略，提升强化学习流水线效率，实现异步和同步任务的性能提升。
CFDLLMBench: 一个用于评估大型语言模型在计算流体力学中的性能的基准套件
机构 * Rensselaer Polytechnic Institute（拉特格斯理工学院） ； University of California, San Diego（加州大学圣地亚哥分校） ； National Laboratory of the Rockies（落基山国家实验室） ； Pacific Northwest National Laboratory（太平洋西北国家实验室）
AI总结 本文提出CFDLLMBench，通过三个互补组件评估LLM在计算流体力学中的能力，包括CFDQuery、CFDCodeBench和FoamBench，旨在测试LLM在流体力学知识、数值与物理推理以及上下文依赖的实现能力。
Comments 40 pages
Journal ref Journal of Data-Centric Machine Learning Research, 2026
EEG基础模型的通道适应：跨架构、任务和训练模式的系统性基准测试
机构 * Swartz Center for Computational Neuroscience, Institute for Neural Computation, University of California San Diego（斯瓦茨计算神经科学中心，神经计算研究所，加州大学圣地亚哥分校） ； Yneuro ； Centre de Recherche Cerveau et Cognition, CNRS, Université Paul Sabatier（脑与认知研究中心，法国国家科学研究中心，保罗·萨巴蒂埃大学）
AI总结 本文系统比较了四种通道适应方法在不同EEG基础模型、任务和训练模式中的表现，发现灵活模型在微调时需外部方法辅助，且5M参数CBraMod在4/5数据集上超越更大模型。
在混合专家调谐中保持长尾专家信息
机构 * Carnegie Mellon University（卡内基梅隆大学） ； MIT（麻省理工学院） ； UCSD（加州大学圣地亚哥分校） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出一种无需辅助损失的MoE SFT框架，通过偏置驱动稀疏化与始终活跃的门控凝结专家，有效保留长尾专家信息，实验显示在数学推理和常识问答基准上优于现有方法。
Comments 36 pages
RCSB PDB AI Help Desk：基于检索增强生成的蛋白质结构沉积支持
机构 * RCSB Protein Data Bank, Rutgers, The State University of New Jersey（RCSB蛋白质数据银行，新泽西州立大学拉特格斯分校） ； RCSB Protein Data Bank, San Diego Supercomputer Center, University of California San Diego（RCSB蛋白质数据银行，圣地亚哥超级计算机中心，加州大学圣地亚哥分校）
AI总结 本文提出基于检索增强生成的AI帮助台系统，用于支持蛋白质结构沉积的验证与生物整理，通过RAG技术提升帮助台效率，实现全天候的存款人支持。
Comments 13 pages, 0 figures
TokenTrace: 通过水印标记令牌恢复实现多概念归因
机构 * Adobe Research（Adobe研究院） ； University of California, San Diego（加州大学圣地亚哥分校） ； DECaDE, University of Surrey（Surrey大学DECaDE实验室）
AI总结 本文提出TokenTrace框架，通过在语义域中嵌入秘密签名，实现对生成图像中多个概念的鲁棒归因，实验表明其在单概念和多概念归因任务中均优于现有方法。
测试时适应用于无监督组合优化
机构 * UC San Diego（加州大学圣地亚哥分校）
AI总结 本文提出TACO框架，通过结合通用模型与实例特定模型，解决无监督组合优化中通用性与实例适应性的矛盾，提升求解质量与效率。
Comments TMLR 2026
RefTon：参考人物辅助虚拟试穿
机构 * The University of Tokyo（东京大学） ； AI Research（360AI研究院） ； University of California, San Diego（加州大学圣地亚哥分校） ； The Hong Kong University of Science and Technology（香港科学与技术大学）
AI总结 RefTon提出一种基于流的人到人的虚拟试穿框架，通过无配对视觉参考提升服装真实感，无需复杂辅助输入或结构引导，利用额外参考图像优化纹理对齐和服装细节。
Comments Accepted by CVPR 2026
用稀疏径向基函数网络求解非线性偏微分方程
机构 * University of California, San Diego（加州大学圣迭戈分校） ； Oak Ridge National Laboratory（橡树岭国家实验室）
AI总结 本文提出一种利用稀疏径向基函数网络求解非线性偏微分方程的新框架，通过稀疏正则化防止过参数化并减少冗余特征，结合传统RBF方法和物理信息神经网络的优劣，建立统一的理论基础和高效算法。
Comments 57 pages, 8 figures
MINT: 多向量搜索索引调优
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Microsoft Research（微软研究院）
AI总结 本文提出MINT框架，针对多向量搜索场景，通过算法优化实现低延迟和存储召回约束下的索引调优，相比基线提升2.1至8.3倍。
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/
编码代理在价值冲突下的非对称目标漂移
机构 * Columbia University（哥伦比亚大学） ； Independent（独立） ； Georgia Tech（佐治亚理工学院） ； UC San Diego（加州大学圣地亚哥分校） ； MATS ； SPAR
AI总结 研究编码代理在价值冲突中如何平衡系统提示与实际任务，发现其目标漂移受价值对齐、对抗压力和累积上下文影响，且环境压力可 override 显式约束。
Comments 5 pages, 4 figures, Published as a workshop paper in Lifelong Agents @ ICLR 2026
非老虎机：在推测解码中具有证明无遗憾的草案模型选择
机构 * Rice University（里士大学） ； Amazon Web Services（亚马逊网络服务） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出一种在推测解码中能证明无遗憾的草案模型选择算法，通过评估所有草案模型而非仅选定模型，显著提升性能，适用于多种解码方法，并在多个领域优于现有方法。
Comments ICLR'26
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