高校专区
基础模型先验增强特征空间中的目标聚焦以实现无源目标检测
机构 * IIT Hyderabad（印度海得拉尔理工学院） ； MBZUAI, Abu Dhabi（阿布扎赫尔MBZUAI） ； UC San Diego（圣地亚哥大学） ； IIT Jodhpur（乔普尔理工学院） ； Microsoft Research India（微软印度研究院）
AI总结 FALCON-SFOD通过增强特征空间中的目标聚焦，利用基础模型先验和噪声鲁棒伪标签方法，提升无源目标检测在领域偏移下的性能。
Comments Accepted at CVPR 2026
PhysConvex: 基于物理的3D动态凸辐射场用于重建与模拟
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Univesity of North Texas（北卡罗来纳州立大学） ； Copenhagen University（哥本哈根大学）
AI总结 PhysConvex通过物理基础的凸原形和降阶模拟，实现了高保真度的动态3D场景重建与物理模拟。
Agent Banana: 基于代理思维与工具的高质量图像编辑
机构 * TAMU（德克萨斯大学） ； Brown University（布朗大学） ； UW-Madison（威斯康星大学麦迪逊分校） ； UCSD（加州大学圣地亚哥分校） ； USC（南加州大学） ； xAI（xAI公司） ； Adobe Research（Adobe研究院） ； Meta AI ； Princeton University（普林斯顿大学）
AI总结 Agent Banana通过分层代理规划-执行框架实现高质量图像编辑，解决多轮次编辑一致性与背景忠实度问题，同时保持指令遵循能力。
Comments Project Website: agent-banana.github.io
比较和整合神经系统中不同表征对应性的概念
机构 * Department of Computer Science（计算机科学系） ； Department of Electrical（电气系） ； Department of Cognitive Science, UC San Diego, San Diego, CA 92037, USA（认知科学系，UC San Diego，圣地亚哥，CA 92037，USA）
AI总结 本文提出通过整合不同表征对应性度量，提升神经系统中结构分离和层次组织识别的准确性。
Comments Update title and reframe the contents
在未知环境中使用符合化语义地图进行安全规划
机构 * Department of Electrical and Systems Engineering, Washington University in St. Louis（华盛顿大学圣路易斯分校电气与系统工程系） ； Department of Electrical and Computer Engineering, University of California, San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系）
AI总结 本文提出了一种在未知环境中使用符合化语义地图进行安全规划的方法，能够实现用户指定的任务完成率，无需依赖传感器模型或噪声知识。
Comments 8 pages, 5 figures, 2 algorithms, 1 table
重新思考波束管理：在硬件异质性下的泛化限制
机构 * Tampere University（塔尔皮奥大学） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文探讨了在硬件异质性环境下基于机器学习的波束管理面临的泛化限制，并提出了改进策略。
Comments This work has been submitted to the IEEE for possible publication
无需训练的学习
机构 * Claremont Graduate University（克莱蒙特研究生大学） ； Claremont McKenna College（克莱蒙特麦肯纳学院） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本研究通过三个项目探讨了监督学习、迁移学习和分类任务中的理论问题与方法改进。
Comments PhD Dissertation of Ryan O'Dowd, defended successfully at Claremont Graduate University on 1/28/2026
同伦信息增益用于稀疏主动目标跟踪
机构 * Australian Centre for Robotics, School of Aerospace, Mechanical and Mechatronic Engineering, University of Sydney（澳大利亚机器人中心，航空航天、机械与机电工程学院，悉尼大学） ； Department of Electrical and Computer Engineering, UC San Diego（电气与计算机工程系，UC圣地亚哥大学） ； School of Mechanical and Mechatronics Engineering, University of Technology Sydney（机械与机电工程学院，技术大学悉尼）
AI总结 本文提出同伦信息增益方法，通过最大化目标高层运动信息实现更高效的稀疏主动目标跟踪。
Comments 12 pages, 12 figures, accepted to Transactions on Robotics
两个平静的终点与野性中间：扩散模型中记忆的几何图景
机构 * Department of Mathematics, University of Missouri（数学系，密苏里大学） ； Halıcıoğlu Data Science Institute, University of California San Diego（哈利奇奥数据科学研究所，加州大学圣地亚哥分校）
AI总结 本文提出了一种几何框架，通过分析噪声调度的不同区域，揭示了扩散模型中记忆与泛化的机制，并提出针对性干预以减少记忆风险。
通过裁判之眼：推断的思考轨迹提升LLM评分器的可靠性
机构 * University of Michigan（密歇根大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Minnesota（明尼苏达大学）
AI总结 通过人与LLM协作框架推断思考轨迹，提升LLM评分器的可靠性及人类与LLM之间的一致性。
研究脑部MRI分割中的人口统计学偏差：深度学习与非深度学习方法的比较研究
机构 * École de technologie supérieure ； University of California San Diego（加州大学圣地亚哥分校） ； Boston University School of Medicine（波士顿大学医学院）
AI总结 本研究比较了深度学习和非深度学习方法在脑MRI分割中的性能，发现种族匹配数据能提升分割准确性，但种族效应在部分模型中消失。
Comments 17 pages, 2 figures, Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2025:035
Journal ref Machine.Learning.for.Biomedical.Imaging. " (2026)
ChoiceMates: 通过多智能体对话交互支持陌生在线决策
机构 * University of California, San Diego（加州大学圣迭戈分校） ； School of Computing, KAIST（韩国科学技术院计算机学院） ； Information and Interaction Design, Yonsei University（延世大学信息与交互设计） ； Hong Kong University of Science（香港科学大学）
AI总结 ChoiceMates通过多智能体对话交互帮助用户更高效地进行陌生在线决策。
Comments Accepted to IUI 2026
多模态高斯散射的3D场景渲染
机构 * UCSD Centers for Machine intelligence, computing, and security (MICS) and Wireless Communications (CWC)（UCSD 机器智能、计算与安全中心（MICS）和无线通信中心） ； UCSD ； NVIDIA
AI总结 本文提出多模态框架，结合射频传感与高斯散射技术，实现高效且鲁棒的3D场景渲染。
WS-GRPO：弱监督组相对策略优化用于高效推理
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Toronto（多伦多大学） ； Adobe Research（Adobe研究） ； The University of New South Wales（新南威尔士大学）
AI总结 WS-GRPO 通过将终端奖励转换为正确性感知的指导，提高推理效率并减少冗余思考，同时保持准确性。
SourceBench: 人工智能答案能否引用高质量的网络来源？
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； GenseeAI Inc.（GenseeAI公司）
AI总结 SourceBench通过评估AI引用的网络来源质量，揭示了生成式AI在信息检索中的关键挑战与改进方向。
语音到语音合成用于语音模仿
机构 * University of California San Diego（加州大学圣迭戈分校）
AI总结 本文提出STSSN模型，通过融合语音识别与合成技术，实现语音到语音风格迁移，用于语音模仿任务，实验表明其生成逼真音频效果优于生成对抗模型。
Comments Original work completed in April 2020. This version includes minor formatting updates
超越实体 haystack 中的针（针）：环境、架构和训练考虑因素在长上下文推理中的应用
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出 $\infty$-THOR 框架，通过长上下文推理任务和数据集提升实体 AI 的长期推理能力。
语言统计与虚假信念推理：来自41个开放权重语言模型的证据
机构 * Rutgers University - Newark（新泽西罗格斯大学-新布朗斯维尔） ； UC San Diego（加州大学圣地亚哥分校） ； Stony Brook University（史泰文斯理工学院） ； MIT（麻省理工学院）
AI总结 该研究通过41个开放权重语言模型测试，发现人类和模型在非事实性动词提示下对虚假信念的归因存在偏差，揭示语言统计学在解释人类认知中的局限性。
Comments 15 pages, 7 figures, submitted to conference
PartUV: 基于部分的3D网格UV展开
机构 * Hillbot Inc.（Hillbot公司） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 PartUV通过基于部分的UV展开方法，在保持低失真的同时减少图表数量，提升AI生成网格的展开效果和应用范围。
Comments project page: https://www.zhaoningwang.com/PartUV
Qronos：通过塑造未来修正过去……在训练后量化中
机构 * Department of Mathematics University of California, San Diego（数学系加州大学圣地亚哥分校） ； Software Architecture Advanced Micro Devices, Inc.（软件架构先进微器件公司） ； Department of Mathematics & HDSI University of California, San Diego（数学系及HDSI加州大学圣地亚哥分校）
AI总结 Qronos通过迭代优化框架在训练后量化中显式纠正误差并超越现有方法，提升模型精度。
深度神经网络低秩压缩的理论保证
机构 * Department of Mathematics, University of California San Diego（加州大学圣地亚哥分校数学系） ； Department of Mathematics（数学系） ； Hal c o g lu Data Science Institute, University of California San Diego（Hal c o g lu数据科学研究所，加州大学圣地亚哥分校）
AI总结 本文提出了一种数据驱动的后训练低秩压缩分析框架，通过理论证明在不同假设下恢复定理，以解释低秩压缩方法优于数据无关方法的原因，并推动理论支持的压缩算法发展。
Journal ref Applied and Computational Harmonic Analysis 2026
通过规范化的扩散模型重新思考对称性：应用于分子图生成
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Zhejiang University（浙江大学） ； Peking University（北京大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Princeton University（普林斯顿大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出通过规范化的扩散模型生成分子图，利用几何谱和位置编码提升生成效果，优于等变基线方法。
Comments 32 pages
BiasFreeBench: 一个用于减轻大型语言模型响应偏见的基准测试
机构 * UC San Diego（加州大学圣地亚哥分校） ； Columbia University（哥伦比亚大学） ； Zhejiang University（浙江大学） ； Stanford University（斯坦福大学）
AI总结 BiasFreeBench通过统一测试平台评估八种主流偏见缓解方法，提供响应层面的偏见自由分数，旨在提升大型语言模型的公平性和安全性。
Comments Accepted by ICLR 2026
CellMaster: 单细胞分析中的协作细胞类型注释
机构 * Halicioglu Data Science Institute, University of California, San Diego, CA, USA（哈利奇奥格卢数据科学研究所，加州大学圣地亚哥分校） ； Department of Electrical & Computer Engineering, Texas A&M University, College Station, TX, USA（电气与计算机工程系，德克萨斯A&M大学） ； Department of Medicine, University of California, San Diego, CA, USA（医学系，加州大学圣地亚哥分校） ； Department of Chemistry and Biochemistry, University of California San Diego, La Jolla, CA, USA（化学与生物化学系，加州大学圣地亚哥分校） ； Moores Cancer Center, University of California, San Diego, La Jolla, CA, USA（摩尔癌症中心，加州大学圣地亚哥分校） ； Mohamed bin Zayed University of AI, Abu Dhabi, UAE（穆罕默德·本·扎耶德人工智能大学） ； School of Computer Science, Carnegie Mellon University, Pittsburgh, PA, USA（计算机科学学院，卡内基梅隆大学）
AI总结 CellMaster通过利用LLM编码知识实现零样本细胞类型注释，提升单细胞分析的准确性和可解释性。
Comments Preprint
ROMA：递归开放元代理框架用于长周期多代理系统
机构 * Sentient ； Virginia Tech（弗吉尼亚理工大学） ； 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 Maryland（马里兰大学）
AI总结 ROMA通过递归任务分解和结构化聚合，实现长周期多代理系统的高效推理和生成性能。
模型在SCOPE下：通过预先推理实现可扩展和可控的路由
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 SCOPE通过预先推理预测模型成本和性能，实现动态路由决策，提升准确率或降低成本
Comments We propose SCOPE, a model routing framework that predicts how accurate and how expensive each model will be before running it, allowing users to control cost-accuracy trade-offs and naturally handle new models
ParoQuant: 基于成对旋转的量化方法用于高效推理大语言模型推理
机构 * NVIDIA ； MIT（麻省理工学院） ； UC San Diego（加州大学圣地亚哥分校）
AI总结 ParoQuant通过结合硬件高效旋转与通道缩放，有效解决推理LLMs中的异常值问题，实现更高的准确性和更低的开销。
Comments ICLR 2026 | Project page: https://paroquant.z-lab.ai | GitHub: https://github.com/z-lab/paroquant
AMPS: 通过功能熵实现自适应模态偏好引导
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Adobe Research（Adobe研究）
AI总结 AMPS通过实例感知的诊断度量和可学习模块，实现对多模态大语言模型模态偏好的自适应引导，有效调节偏好并降低生成错误率。
穿透杂乱：通过迭代物体移除实现结构化3D场景重建
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Adobe Research（Adobe研究院）
AI总结 通过迭代移除物体实现结构化3D场景重建，无需特定任务训练，提升复杂场景下的鲁棒性。
Comments To appear in 3DV 2026
RPG：一个用于统一和可扩展代码库生成的仓库规划图
机构 * Microsoft（微软公司） ； Tsinghua University（清华大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Beijing Jiaotong University（北京交通大学）
AI总结 RPG通过统一的图结构提升代码库生成效率，ZeroRepo在真实项目基准上实现显著更高的代码生成量和准确性。
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