高校专区
TopoEdge：基于拓扑的代理框架用于边缘网络代码生成与修复
机构 * University of California San Diego（加州大学圣地亚哥分校） ； The Chinese University of Hong Kong（香港中文大学） ； University of Copenhagen（哥本哈根大学） ； Duke University（杜克大学）
AI总结 TopoEdge通过拓扑引导的检索增强生成框架，实现边缘网络配置的生成与修复，利用图神经网络和三个专门化代理协调生成-验证-修复循环。
Comments 6 pages, 4 figures, 3 tables
Journal ref IEEE Wireless Communications and Networking Conference (WCNC) 2026
逐步惩罚以实现高效推理链
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Amazon（亚马逊）
AI总结 SWAP通过逐步自适应惩罚减少推理链长度并提升准确性。
Comments Preprint
HorizonForge: 通过任意轨迹和任意车辆驱动场景编辑
机构 * NEC Labs America（NEC美国实验室） ； Stony Brook University（石溪大学） ； UC San Diego（圣地亚哥大学）
AI总结 HorizonForge通过任意轨迹和车辆实现驾驶场景的可控编辑，利用高斯溅射体和网格表示，结合视频扩散技术，提升生成场景的真实性和可控性。
Comments Accepted by CVPR 2026
FASA: 基于频率的稀疏注意力
机构 * AMAP, Alibaba Group（阿里巴巴集团AMAP） ； UCSD（加州大学圣迭戈分校） ； UIUC（伊利诺伊大学香槟分校） ； Texas A&M University（德克萨斯农工大学）
AI总结 FASA通过动态预测令牌重要性，实现基于频率块的稀疏注意力机制，在长上下文任务中表现出色，达到接近全缓存性能且显著提升效率。
Comments Accepted by ICLR 2026
关于吸收离散扩散的ε-免费推断复杂度
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Hong Kong（香港大学）
AI总结 本文提出AATU方法，通过吸收离散扩散的结构优势，实现了ε-TV收敛的O(d ln d)复杂度，消除了传统均匀化推理的分数限制假设，并在时间不变参数化中展示了更高效的推理策略。
Comments 48 pages
我预测因此我存在：仅靠下一个令牌预测是否足以从数据中学习人类可解释的概念？
机构 * Responsible AI Research Centre（负责任人工智能研究中心） ； Australian Institute for Machine Learning（澳大利亚机器学习研究所） ； Adelaide University（阿德莱德大学） ； School of Computer Science and Engineering（计算机科学与工程学院） ； The University of New South Wales（新南威尔士大学） ； Halıcıoğlu Data Science Institute（哈利奇奥格卢数据科学研究所） ； University of California San Diego（加州大学圣地亚哥分校） ； School of Mathematics and Statistics（数学与统计学学院） ； The University of Melbourne（墨尔本大学）
AI总结 本文提出了一种新的生成模型，通过理论分析证明LLM通过下一个令牌预测能学习人类可解释的概念，并验证了该理论在模拟数据和现有模型上的有效性。
通过图像实现高效的物品表示用于LLM推荐系统
机构 * KAIST（韩国科学技术院） ； Amazon Alexa（亚马逊Alexa） ； UC San Diego（加州大学圣地亚哥分校）
AI总结 本文提出I-LLMRec方法，通过利用图像替代文本描述，提高LLM推荐系统的效率和有效性，同时增强对噪声的鲁棒性。
Comments ICLR 2026
HumanOrbit：3D人体重建作为360°轨道生成
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Qualcomm（高通公司）
AI总结 HumanOrbit通过视频扩散模型实现多视角人体生成，生成360°轨道视频并重建高保真3D模型。
Comments CVPR 2026 Findings
视觉属性如何影响网络代理？对用户界面设计因素的全面评估
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Columbia University（哥伦比亚大学） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出VAF框架，通过系统评估视觉属性对网络代理决策的影响，发现背景颜色对比、项目大小等属性对代理行为有显著影响。
CSyMR：在符号音乐推理中进行组合音乐信息检索的基准测试
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 CSyMR-Bench通过工具增强的检索和推理框架，在符号音乐推理中实现组合音乐信息检索的准确率提升。
小草稿，大结论：通过推测进行信息密集的视觉推理
机构 * New York University（纽约大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 SV通过结合多个轻量级草稿专家和大型结论模型，提升信息密集视觉推理的效率和准确性。
Comments Accepted to ICLR 2026
实时精调近似安全价值函数
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出refineCBF和HJ-Patch方法，通过实时在线适应提升机器人系统的安全性和鲁棒性。
视频变形到掩码：用于指认视频分割的流匹配
机构 * SGIT AI Lab, State Grid Corporation of China（国网信通研究院） ； University of California, San Diego（加州大学圣地亚哥分校） ； The Hong Kong University of Science and Technology（香港科技大学） ； The University of Tokyo（东京大学） ； University of Cambridge（剑桥大学） ； Zhejiang University of Technology（浙江工业大学） ； Baidu（百度）
AI总结 本文提出FlowRVS框架，将指认视频分割视为条件连续流问题，通过学习视频整体表示到目标掩码的直接语言引导变形，在多个基准上取得新突破。
可测试学习一般半空间在马萨尔噪声下的研究
机构 * UW Madison（威斯康星大学麦迪逊分校） ； UC San Diego（加州大学圣地亚哥分校）
AI总结 本文提出了一种可测试学习算法，用于在马萨尔噪声和高斯分布下学习一般半空间，其复杂度与已知下界相匹配，并引入了新的多项式近似方法。
在存在均值位移污染的情况下对鲁棒均值估计的样本复杂性界
机构 * UW Madison（威斯康星大学麦迪逊分校） ； UC San Diego（加州大学圣迭戈分校）
AI总结 本文研究了在均值位移污染模型下鲁棒均值估计的样本复杂性界，证明在基本分布满足谱条件时存在高效算法。
Bob的彩纸：音乐和视频生成中的语音记忆攻击
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of California San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究揭示了生成音乐和视频AI系统中语音记忆攻击的漏洞，通过同音替代词绕过版权过滤，展示语音结构对跨模态检索的关键作用。
SplatSDF：通过架构级融合提升SDF-NeRF
机构 * Dept. of Electrical and Computer Engineering, University of California, San Diego (UCSD), La Jolla, CA, USA（电子与计算机工程系，加州大学圣迭戈分校（UCSD））
AI总结 SplatSDF通过架构级融合3DGS提升SDF-NeRF收敛速度和精度
基于向量符号架构的几何先验用于通用世界模型
机构 * University of California Irvine（加州大学伊文斯分校） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出基于向量符号架构的几何先验方法，通过学习复数空间的群结构，实现高效且可解释的世界模型，提升多步组合和泛化能力。
Comments 9 pages, accepted to Neurips 2025 Workshop Symmetry and Geometry in Neural Representations
MINAR: 图神经网络中神经算法推理的机制可解释性
机构 * Pacific Northwest National Laboratory, Richland, WA（太平洋西北国家实验室） ； Halıcıoğlu Data Science Institute, University of California, San Diego, San Diego, CA（哈利奇奥格鲁数据科学研究所，加州大学圣地亚哥分校） ； Department of Computer and Information Science, University of Pennsylvania, Pennsylvaina, PA（计算机与信息科学系，宾夕法尼亚大学） ； Department of Mathematics, University of Washington, Seattle, WA（数学系，华盛顿大学）
AI总结 MINAR是一种用于图神经网络中神经算法推理的机制可解释性工具，通过归因修补方法发现电路，揭示训练过程中的电路形成和剪枝机制。
HEART：一个评估人类和大语言模型在情感支持对话中能力的统一基准
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 Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 HEART通过多轮情感支持对话评估人类与大语言模型的能力差异，揭示两者在共情、一致性等维度上的表现及趋同趋势。
光滑鲁棒学习的统计查询下界
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出光滑鲁棒学习中半空间学习的统计查询下界，证明$ L_1 $-多项式回归的上界接近最优。
一个非常大的视频推理套件
机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。
Comments Homepage: https://video-reason.com/
BabyLM四周年暨多语言研究：2026年BabyLM研讨会征文通知
机构 * IBM Research（IBM研究院） ； MIT（麻省理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； Cornell University（康奈尔大学） ； University of Groningen（格罗宁根大学） ； NYU（纽约大学） ； Boston University（波士顿大学） ； University of Cambridge（剑桥大学） ； Georgia Tech（佐治亚理工学院） ； UC San Diego（南加州大学） ； Georgetown University（乔治城大学）
AI总结 BabyLM研讨会征文通知，聚焦多语言预训练与认知建模，包含训练效率、小规模数据集、模型评估等主题
Comments 8 pages, 1 table. arXiv admin note: substantial text overlap with arXiv:2502.10645
DANCE: 双重自适应邻域符合估计
机构 * North Carolina State University（北卡罗来纳州立大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Brookhaven National Laboratory（布鲁赫斯国家实验室）
AI总结 DANCE通过结合双重局部自适应最近邻方法，提升预训练模型在不确定性量化中的集大小效率和鲁棒性。
图像修复伪影如何传播到语言？
机构 * UC San Diego（圣迭戈大学）
AI总结 研究图像修复伪影对视觉-语言模型语言生成的影响，通过两阶段诊断方法分析重建保真度与描述质量的关系。
3DSPA：一种用于评估视频真实性的3D语义点自编码器
机构 * University of California, San Diego, CA, USA（加州大学圣迭戈分校） ； University of British Columbia, Vancouver, BC, Canada（不列颠哥伦比亚大学） ； Vector Institute, Toronto, ON, Canada（向量研究所）
AI总结 3DSPA通过整合3D语义与时空点轨迹，实现无需参考视频的视频真实性自动评估。
LD-MoLE: 可学习动态路由用于LoRA专家混合
机构 * University of Connecticut（康涅狄格大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California San Diego（圣地亚哥大学）
AI总结 LD-MoLE通过可学习动态路由机制实现自适应的token依赖和层间专家分配，提升大型语言模型在下游任务中的性能。
Comments International Conference on Learning Representations (ICLR 2026)
青少年能否欺骗AI？评估低成本的外貌攻击对年龄估计系统的影响
机构 * Reality Inc ； UC Berkeley（伯克利大学） ； Duke University（杜克大学） ； Georgia Tech（佐治亚理工学院） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； UC San Diego（南加州大学）
AI总结 研究评估了低成本外貌攻击对年龄估计系统的影响，发现合成胡须等修改可使AI将未成年人误判为成年人，视觉-语言模型的鲁棒性略低于专门模型。
Comments 13 pages, 6 figures
时间序列、视觉与语言：探讨对比表示空间中对齐的极限
机构 * University of California San Diego, USA（加州大学圣地亚哥分校）
AI总结 研究探讨了时间序列、视觉和语言在对比表示空间中的对齐问题，发现模型规模越大对齐性越强，但对齐是不对称的，图像可作为中介，文本和视觉信息的密度影响对齐效果。
Comments 24 Figures, 12 Tables
部分软匹配距离用于神经表征比较的局部单元对应
机构 * Department of Cognitive Science University of California, San Diego（认知科学系加州大学圣地亚哥分校） ； Center for Neural Science, New York University（纽约大学神经科学中心） ； Center for Computational Neuroscience, Flatiron Institute（Flatiron研究所计算神经科学中心） ； Department of Cognitive Science Department of Computer Science and Engineering University of California, San Diego（认知科学系计算机科学与工程系加州大学圣地亚哥分校）
AI总结 本文提出部分软匹配距离，通过允许部分神经元未匹配，提高了神经表征比较的鲁棒性和效率。
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