高校专区
HyperLiDAR: 一种基于超维度计算的自适应部署后激光雷达分割方法
机构 * UCSD（加州大学圣迭戈分校） ； UC Merced（加州大学默塞德分校） ； SDSU（南达科他州立大学） ； UMich（密歇根大学）
AI总结 本文提出HyperLiDAR，一种基于超维度计算的轻量级激光雷达分割框架，解决部署后适应性问题，通过缓冲区选择策略提升效率，实现实时适应与高效率重训练。
INTARG：有信息的实时对抗攻击生成用于时间序列回归
机构 * San Diego State University（圣地亚哥州立大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出了一种在线有限缓冲设置下的时间序列回归对抗攻击框架，通过有信息的选择策略生成更有效的攻击，实验表明攻击效率提升显著。
LINSCAN -- 一种基于线性的聚类算法
机构 * Computational and Applied Mathematics University of Chicago（计算与应用数学大学芝加哥） ； Institute of Geophysics and Planetary Physics Scripps Institution of Oceanography University of California San Diego（地球物理与行星物理研究所斯克里普斯海洋研究所加州大学圣地亚哥分校） ； Department of Structural Engineering University of California San Diego（结构工程系加州大学圣地亚哥分校） ； Department of Mathematics and Halicioğlu Data Science Institute University of California San Diego（数学系哈利奇奥格卢数据科学研究所加州大学圣地亚哥分校）
AI总结 本文提出LINSCAN算法，利用DBSCAN和OPTICS的优势，通过局部邻域的正态分布近似和KL散度距离函数，检测空间接近但协方差正交的线性聚类，并应用于地震数据识别活动断层。
Journal ref Proc. Mach. Learn. Res. 321:269-286 (2026)
BridgeSim: 揭示端到端自动驾驶中的OL-CL差距
机构 * UCLA（加州大学洛杉矶分校） ； UCSD（加州大学圣地亚哥分校） ； Qualcomm（高通公司）
AI总结 本文揭示了OL策略在闭环部署中转移效果差的根本原因，提出Test-Time Adaptation框架以校正观测域偏移和状态-动作偏差，提升端到端自动驾驶性能。
工作论文：从范畴论视角迈向基于模式的学习
机构 * Cognodata I+D & Universidad Autonoma de Madrid（Cognodata I+D 与马德里自治大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本文提出一种分层范畴框架，用于基于模式的学习，通过四个相互关联的层次结构，构建了模式、实现、语义和智能体等层面，实现了模式语义、认知、具身化和架构抽象的弱分层n-范畴结构。
Comments 43 pages, 3 figures
诊断LLM代理记忆中的检索与利用瓶颈
机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of North Carolina（北卡罗来纳大学）
AI总结 本文通过3x3实验分析写入策略、检索方法和记忆利用行为对性能的影响，发现检索方法是主要瓶颈，且原始分块存储在无需LLM调用时表现优异。
Comments Accepted at the MemAgents Workshop, ICLR 2026
EvoLen：基于进化的标记化方法用于DNA语言模型
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Washington University in St. Louis（圣路易斯华盛顿大学）
AI总结 EvoLen通过整合进化信息优化DNA标记化，优先保留功能序列模式，提升基因组上下文区分和进化约束对齐，优于标准BPE。
可证明的训练后量化：OPTQ和Qronos的理论分析
机构 * UC San Diego（加州大学圣地亚哥分校） ； AMD
AI总结 本文首次为OPTQ及Qronos提供了定量误差界，分析了训练后量化的迭代过程对量化误差的影响，并为参数选择和特征排序提供了理论依据。
语言模型在自动驾驶运动规划中的在线策略蒸馏
机构 * Stanford University（斯坦福大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
AI总结 本文研究如何将大模型的运动规划知识迁移到小模型，提出在线通用知识蒸馏方法，在nuScenes基准测试中表现优于强化学习基线，模型规模缩小5倍仍保持高性能。
实时人机音乐合奏：基于潜在扩散模型和MAX/MSP的伴奏生成
机构 * University of California San Diego（加州大学圣迭戈分校）
AI总结 本文提出实时人机音乐合奏框架，利用潜在扩散模型生成伴奏，结合MAX/MSP实时音频处理与Python服务器，实现低延迟的伴奏生成与评估。
Comments 12 pages, 6 figures
M-ArtAgent：基于证据的多模态代理用于隐式艺术影响发现
机构 * China Electronics Technology Group Co., Ltd.（中国电子科技集团有限公司） ； School of Information Science and Engineering, Southeast University（东南大学信息科学与工程学院） ； Department of Chemical and Biological Engineering, Hong Kong University of Science and Technology（香港科技大学化学与生物工程系） ； University of California San Diego（加州大学圣迭戈分校） ； Northeastern University（东北大学）
AI总结 本文提出M-ArtAgent，通过概率裁决框架解决隐式艺术影响发现问题，结合多模态感知与领域约束的反驳机制，实现83.7%的F1分数和0.910的ROC-AUC。
Comments 13 pages, 5 figures, submitted to IEEE Access
LangDriveCTRL: 通过多模态代理实现自然语言可控的驾驶场景编辑
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； NEC Labs America（NEC美国实验室） ； UC San Diego（加州大学圣迭戈分校）
AI总结 LangDriveCTRL通过多模态代理实现驾驶视频的自然语言可控编辑，生成多样化的交通场景，提升真实感和交通场景的真实性。
Comments Project Page: https://yunhe24.github.io/langdrivectrl/
通过物理信息神经表示和自适应采样加速4D超光谱成像
机构 * Dept. of Electrical and Computer Engineering, UC San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； Dept. of Chemistry, UC San Diego（加州大学圣地亚哥分校化学系） ； Materials Science and Engineering Program, UC San Diego（加州大学圣地亚哥分校材料科学与工程项目）
AI总结 本文提出利用物理信息神经网络和自适应采样方法，从稀疏测量中重建高分辨率4D超光谱图像，显著减少实验时间，适用于多维光谱和超光谱成像。
Comments 18 pages, 14 figures
院内抑郁症检测：从常规初级保健会话中自动分析语言信号
机构 * University of Washington（华盛顿大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 研究通过分析初级保健会话中的语言信号，利用GPT-OSS等模型检测抑郁症，发现双人转录文本表现更优，且前128个患者词能有效检测，支持实时临床决策支持。
以笔触而非像素思考：通过交错推理实现过程驱动的图像生成
机构 * Meta Superintelligence Labs（Meta超级智能实验室） ； University of California, San Diego（加州大学圣迭戈分校） ； Worcester Polytechnic Institute（伍斯特理工学院） ； Northwestern University（西北大学）
AI总结 本文提出过程驱动的图像生成方法，通过交错推理轨迹分解合成过程，通过文本规划、视觉草图、文本反思和视觉细化四个阶段，使生成过程显式、可解释且可监督。
学习中的近似可复制性
机构 * Institute for Advanced Study, Princeton（普林斯顿高等研究院） ； University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本文探讨在PAC学习中，通过三种放松的可复制性定义（点wise、近似、Semi）实现学习的可能性，提出在常数可复制性下获得接近样本最优的agnostic PAC学习器。
Comments 73 pages, 1 figure
图上的电阻距离与线性最优传输
机构 * UC San Diego（加州大学圣地亚哥分校） ； University of Missouri（密苏里大学） ； Halicioğlu Data Science Institute, UC San Diego（加州大学圣地亚哥分校Halicioğlu数据科学研究所）
AI总结 研究图上概率分布间离散传输距离的线性化方法，揭示其与图结构的联系，通过伪逆图拉普拉斯矩阵的二次型定义电阻距离，并展示其几何意义与收敛性。
Comments 34 pages, 1 figure
混合发起式上下文：为人类-人工智能协作结构和管理上下文
机构 * George Mason University（乔治梅森大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） ； City University of Hong Kong（香港城市大学）
AI总结 本文提出混合发起式上下文，通过结构化和可操作的交互对象，动态组织协作流程中的上下文，提升人机协作效率与可控性。
Comments 19 pages, 3 figures, 1 table. Appendix on pages 13-19 (main text is self-contained)
命令行图形界面指南：通过AI从man页生成图形界面
机构 * University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本文提出通过AI将man页转化为图形界面规范，开发GUIde系统以可视化展示命令行工具选项，验证其在实际任务中的有效性。
Comments 5 pages, 4 figures, In Proceedings of the IEEE Symposium on Visual Languages and Human Centric Computing (VL/HCC), October 2025
从推理到像素：统一多模态模型中对齐差距的基准测试
机构 * University of California San Diego（加利福尼亚大学圣迭戈分校） ； University of Southern California（南加利福尼亚大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文通过UReason基准测试，探讨统一多模态模型中模态对齐问题，发现去上下文生成在图像生成任务中表现更优，揭示了文本推理与生成图像之间存在对齐差距。
Comments Project page: https://ureason.github.io
上下文就是一切
机构 * Department of Medicine, University of California, San Diego（加州大学圣地亚哥分校医学系） ； Microsoft Corporation（微软公司）
AI总结 本文提出CONTXT方法，通过简单的特征变换实现上下文适应，提升模型在不同领域和任务中的鲁棒性，方法轻量易用且无需额外复杂性。
Q学习中LDTZ学习率的尖锐渐近理论及其泛化
机构 * University of Chicago（芝加哥大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文研究了Q学习中线性衰减学习率的理论性质，推导了非渐近误差界，并提出新的尾部Polyak-Ruppert平均估计器的中心极限理论，同时提供了时间均匀的高斯近似以支持推断。
Journal ref ICLR 2026, Main Conference Track, Poster
xRFM：用于表格数据的准确、可扩展且可解释的特征学习模型
机构 * Computer Science and Engineering（计算机科学与工程） ； INRIA Saclay ； Halıcıoğlu Data Science Institute（Halıcıoğlu数据科学研究所） ； UC San Diego（加州大学圣地亚哥分校） ； MIT Mathematics（麻省理工学院数学系） ； Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学博德研究所）
AI总结 本文提出xRFM，结合特征学习核机与树结构，实现数据局部结构适应和大规模训练数据处理，优于31种方法，在100个回归数据集和200个分类数据集上表现优异且具备可解释性。
RESIST: 基于共识梯度下降的鲁棒去中心化学习
机构 * Rutgers University（罗格斯大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出RESIST算法，通过多步共识梯度下降框架和鲁棒统计筛选方法，解决去中心化学习中对抗性中间人攻击问题，实现强凸、Polyak-Lojasiewicz及非凸ERM问题的鲁棒收敛。
Comments preprint of a journal paper; 110 pages, 14 figures, and 1 table
实时适应神经机器人动力学用于预测控制
机构 * University of California San Diego（加州大学圣迭戈分校） ； Kuwait University（科威特大学）
AI总结 本文提出一种结合离线训练与高效在线更新的方法，用于实时适应神经机器人动力学模型，实现快速更新和鲁棒预测跟踪控制。
Comments This work has been submitted to the IEEE for possible publication
Lotka-Sharpe 神经算子用于种群 PDE 的控制
机构 * University of California, San Diego（加州大学圣迭戈分校） ； National Technical University of Athens（雅典国家技术大学）
AI总结 本文提出利用神经算子解决年龄结构捕食者-猎物积分偏微分方程中反馈设计的关键挑战，证明Lotka-Sharpe算子的Lipschitz连续性，并展示神经算子在保持系统稳定性方面的有效性。
Comments 16 pages. In submission
格式税
机构 * UC San Diego（加州大学圣地亚哥分校）
AI总结 本文发现要求大语言模型以JSON等结构化形式输出会显著降低推理和写作性能，提出分离推理与格式生成的方法可恢复大部分损失的准确性。
人机协同数据高效模仿学习
机构 * UC San Diego（加州大学圣地亚哥分校）
AI总结 本文提出人机协同框架，通过调整缩放因子实现灵活远程操作，同时兼容多种工业和研究机械臂，实验显示在相同演示轨迹数下性能更优，数据收集更高效。
作曲向量：在潜在空间中实现风格引导的符号音乐生成
机构 * University of California, San Diego（加州大学圣迭戈分校）
AI总结 本文提出Composer Vector，一种在模型潜在空间中直接控制作曲风格的推理方法，无需重新训练，通过连续控制系数实现流畅可解释的风格引导，并实现多种风格的无缝融合。
光学上下文压缩只是（糟糕）的自编码
机构 * UC San Diego（加州大学圣迭戈分校）
AI总结 研究比较了光学上下文压缩与直接方法，发现直接方法在重建和语言建模中表现更优，光学压缩未超越最佳直接基线。
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