高校专区
亚黎曼边界值问题用于最优几何运动
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Bonn（波恩大学） ； California Institute of Technology（加州理工学院）
AI总结 本文提出了一种几何模型，用于研究最优几何运动中的亚黎曼边界值问题，通过考虑身体位移和代谢能耗，提高了运动效率分析。
位在世界模型规划中的作用：一种混合位研究以实现高效的空问推理
机构 * University of California San Diego（加州大学圣地亚哥分校）
AI总结 本研究通过混合位方法探讨位分配对世界模型规划的影响，发现不同比特分配策略在空间推理中的表现差异显著，提出模块意识和预算意识的量化策略作为未来研究方向。
Comments Workshop submission
通过回顾在线模仿将流翻译为政策
机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院） ； 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） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Qi Zhi Institute（上海启智研究所）
AI总结 通过回顾在线模仿将流翻译为政策，利用2D点流作为高层规划器，在模拟和现实任务中实现超过2倍的性能提升。
scPilot：面向自动化单细胞分析与发现的大型语言模型推理
机构 * UC San Diego（UC圣地亚哥大学） ； MBZUAI ； CMU（卡内基梅隆大学） ； Texas A&M（德克萨斯A&M大学）
AI总结 scPilot通过组学原生推理提升单细胞分析的准确性与可解释性，实现自动化细胞类型注释和轨迹重建。
Comments Accepted at NeurIPS 2025 Main Conference
通过深度学习评估运动带传感器数据中的低背运动
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Active, Responsive, Multifunctional, and Ordered-Materials Research (ARMOR) Laboratory（主动、响应、多功能和有序材料研究实验室） ； San Diego State University（圣地亚哥州立大学） ； Qualcomm Institute（高通研究院）
AI总结 本研究提出MT-AIM模型，通过生成合成数据和特征增强，实现对低背运动的高准确率分类，提升运动分析的实用性。
Journal ref Sensors 26 (2026) 1127
分割学习：大规模多目标组合优化
机构 * Department of Computer Science & Engineering UC San Diego（计算机科学与工程系，圣地亚哥大学） ； Department of Statistics Stanford University（统计学系，斯坦福大学） ； Halıcıoğlu Data Science Institute UC San Diego（Halıcıoğlu数据科学研究所，圣地亚哥大学）
AI总结 本文提出一种基于在线学习的多目标组合优化方法，通过分解决策空间和自适应专家引导，实现高效的样本和计算效率，优于现有方法。
Comments Tech report. Code URL coming soon
无词遗留：减轻开放式词汇关键词定位中的前缀偏差
机构 * University of California San Diego, Dept. of Electrical and Computer Engineering（加州大学圣迭戈分校电子与计算机工程系） ； Bose Corporation（博世公司）
AI总结 本文提出EPS方法，通过减轻开放式词汇关键词定位中的前缀偏差，显著提升识别准确率，同时保持其他数据集的性能。
Comments Published in ICASSP 2026
ENIGMA：在15分钟内使用少于1%的参数实现EEG到图像的转换
机构 * University of Waterloo（滑铁卢大学） ； Princeton Neuroscience Institute（普林斯顿神经科学研究所） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 ENIGMA通过简单高效架构，在15分钟内实现EEG到图像的高精度解码，显著提升性能和微调效率。
从偏好到偏见：对齐调谐在视频扩散模型中塑造社会偏见的作用
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Microsoft（微软公司）
AI总结 本文研究了对齐调谐在视频扩散模型中如何塑造社会偏见，提出VideoBiasEval框架以评估和缓解偏见，揭示了对齐调谐使偏见更稳定且刻板化的现象。
Comments TMLR
多模态高斯过程变分自编码器用于神经和行为数据
机构 * Fordham University（福特汉姆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Icahn School of Medicine at Mount Sinai（Mount Sinai医学院） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出多模态高斯过程变分自编码器，用于分析神经和行为数据的共享与独立潜在结构，提升数据重建和解释性。
Comments Updated version published in ICLR 2024
Journal ref In The Twelfth International Conference on Learning Representations. (2024)
MEVER：基于图的证据检索的多模态和可解释性声明验证
机构 * University of Sheffield（谢菲尔德大学） ； University of Science and Technology Beijing（北京科技大学） ； University of California San Diego（加州大学圣地亚哥分校） ； The Pennsylvania State University（宾夕法尼亚州立大学）
AI总结 MEVER通过多模态图检索和解释生成，实现了准确且可解释的声明验证，同时创建了AI领域的科学数据集AIChartClaim。
Comments Accepted to EACL-26
基于基础模型的手术图像分割迭代细化方法
机构 * School of Automation Science and Engineering, South China University of Technology, Guangzhou, China（自动化科学与工程学院，华南理工大学，广州，中国） ； Vanderbilt University, Nashville, TN, USA（范德比尔特大学，纳什维尔，田纳西州，美国） ； The Pennsylvania State University, University Park, PA , USA（宾夕法尼亚州立大学，大学园，宾夕法尼亚州，美国） ； Peking University, Beijing , China（北京大学，北京，中国） ； Virginia Commonwealth University, Richmond, VA, USA（弗吉尼亚共同wealth大学，里士满，弗吉尼亚州，美国） ； University of California San Diego, San Diego, CA, USA（加州大学圣地亚哥分校，圣地亚哥，加利福尼亚州，美国）
AI总结 本文提出IR-SIS，一种基于自然语言描述的手术图像分割迭代细化系统，结合视觉-语言模型和自适应工作流，实现高精度分割与临床交互。
实例层面神经表示的重心对齐
机构 * Department of XXX, University of YYY, Location, Country（YYY大学XXX系） ； School of ZZZ, Institute of WWW, Location, Country（WWW研究所ZZZ学院） ； Department of Electrical and Computer Engineering, UCSD（UCSD电子与计算机工程系） ； Cognitive Science Department, UCSD（UCSD认知科学系） ； Department of Computer Science（计算机科学系）
AI总结 通过实例层面的神经表示重心对齐，揭示了跨视觉和语言模型的表示收敛与发散特性，并展示了人类对齐的跨模态比较能力。
在OpenROAD中通过编码代理实现自动化QoR提升
机构 * UC San Diego（UC圣地亚哥大学）
AI总结 AuDoPEDA通过自主编码代理在OpenROAD中实现EDA技术的自动化改进，显著提升QoR指标。
学习可 tractable 的语言模型延续分布
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） ； National University of Singapore（新加坡国立大学）
AI总结 LTLA通过结合神经网络和隐马尔可夫模型，提高语言模型延续的可 tractable 性，实现更高效的解码和更强的约束控制。
PersonaX: 多模态数据集与LLM推断行为特征
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Australian National University（澳大利亚国立大学）
AI总结 PersonaX通过多模态数据集结合LLM推断行为特征，推动多模态特征分析与因果推理发展。
Comments ICLR 2026
3D高斯光追解的收敛性分析：密度效应与预测限制
机构 * Department of Computer Science and Engineering, Santa Clara University（计算机科学与工程系，圣克拉拉大学） ； Department of Mathematics and Computer Studies, Mary Immaculate College（数学与计算机研究系，玛丽·伊玛纽尔学院） ； Department of Mathematics, University of California, San Diego（数学系，加州大学圣地亚哥分校） ； Futurewei Technologies Inc.（未来韦立技术公司） ； School of Computer Science and Technology, East China Normal University（计算机科学与技术学院，华东师范大学）
AI总结 本文分析了3D高斯光追解的收敛性，揭示了密度对几何和外观参数的影响，并提出了密度感知策略以提高训练鲁棒性。
SkillRL: 通过递归技能增强强化学习进化智能体
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） ； NEC Labs America（NEC美国实验室） ； University of California Berkeley（加州大学伯克利分校） ； University of California Santa Cruz（加州大学圣克鲁兹分校）
AI总结 SkillRL通过递归技能增强强化学习，有效提升智能体在复杂任务中的表现与泛化能力。
大语言模型和人类都学会形成惯例——但并不是彼此之间
机构 * Department of Psychology, Stony Brook University（心理学系，石溪大学） ； Department of Cognitive Science, University of California San Diego（认知科学系，加州圣地亚哥大学） ； Department of Philology, Literature, and Linguistics, University of Pisa（philology、文学与语言学系，比萨大学） ； Department of Linguistics, University of Texas at Austin（语言学系，德克萨斯大学奥斯汀分校）
AI总结 研究发现人类和AI在同类型对话中能形成惯例，但人机对话效果较差，表明对话协调需要共同的解释偏见。
Comments 10 pages, 4 figures
NormalHedge的二级遗憾界
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of British Columbia（不列颠哥伦比亚大学） ； University of São Paulo（圣保罗大学）
AI总结 NormalHedge算法通过连续时间极限和自共轭技术，在满足 $V_T > \log N$ 的条件下，实现了对易于序列的二级 $ε$-量化遗憾界。
NOCTA: 非贪婪目标成本折衷获取用于纵向数据
机构 * Department of Computer Science, UNC Chapel Hill（UNC夏洛特山分校计算机科学系） ； Department of Computer Science（计算机科学系） ； Engineering, University of California San Diego（工程系，加州大学圣地亚哥分校）
AI总结 NOCTA通过非贪婪目标成本折衷获取方法，在纵向数据推理中提升预测准确性并降低获取成本。
安全子空间并非线性区分：一项微调案例研究
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本研究通过微调案例发现，安全行为与通用学习组件高度交织，基于子空间的防御策略存在根本限制。
Comments ICLR 2026. Kaustubh Ponkshe, Shaan Shah, and Raghav Singhal contributed equally to this work
通过预评分实现高效的注意力机制：在Transformer中优先选择信息量大的键
机构 * Carnegie Mellon University, Pittsburgh, USA ； University of Southern California, Los Angeles, CA, USA ； University of California, San Diego, Department of Mathematics, La Jolla, CA, USA ； University of California, Davis, Applied Mathematics \& Statistics, Davis, CA, USA ； Carnegie Mellon University, Pittsburgh, PA, USA
AI总结 本文提出预评分方法，通过优先选择信息量大的键提升Transformer在长上下文语言建模和视觉任务中的效率与精度
DreamDojo：从大规模人类视频中学习通用机器人世界模型
机构 * NVIDIA ； HKUST（香港科技大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford（斯坦福大学） ； KAIST（韩国科学技术院） ； UofT（多伦多大学） ； UCSD（加州大学圣地亚哥分校） ； UT Austin（德克萨斯大学奥斯汀分校）
AI总结 DreamDojo通过大规模人类视频学习通用机器人世界模型，解决动作标签稀缺问题，实现高精度物理理解和实时交互。
Comments Project page: https://dreamdojo-world.github.io/
迈向材料科学的代理智能
机构 * DIRO & Institut Courtois, Université de Montréal（蒙特利尔大学DIRO与Courtois研究所） ； Mila – Quebec AI Institute（魁北克AI研究所） ； University of Waterloo（滑铁卢大学） ； Université de Sherbrooke（Sherbrooke大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； The University of Tokyo, Institute of Industrial Science（东京大学工业科学研究所） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Singapore Management University（新加坡管理学院） ； The Hong Kong University of Science and Technology, Guangzhou（香港科学与技术大学（广州）） ； Alibaba DAMO Academy（阿里巴巴达摩院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； CIFAR AI Chair（CIFAR人工智能主席）
AI总结 本文提出以流程为中心的代理系统框架，通过整合人工智能与材料科学，推动材料发现的自主化与智能化。
Comments 81 pages
探测大型视觉-语言模型中的知觉恒常性
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Emory University（埃默里大学） ； University of Washington（华盛顿大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； 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 California, Berkeley（加州大学伯克利分校） ； University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了大型视觉-语言模型在颜色、大小和形状恒常性任务中的表现，发现模型在不同任务上的性能存在显著差异。
Comments Under Review
利用人工智能进行需求分析的冒险
机构 * Freie Universität Berlin（柏林自由大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Hamburg（汉堡大学） ； UC San Diego（圣地亚哥大学）
AI总结 本文利用AI生成多模态产品表示，提升需求分析的预测准确性与因果推断的可信度。
Comments 35 pages, 8 figures
矩阵和张量估计中的最优偏差-方差权衡
机构 * Booth School of Business, University of Chicago（芝加哥大学商学院） ； Department of ACMS, University of Notre Dame（诺特难大学ACMS系） ； Department of Mathematics and Statistics, Auburn University（阿伯茨伦大学数学与统计学系） ； Department of Statistics and Data Science, Washington University in Saint Louis（圣路易斯华盛顿大学统计学与数据科学系） ； Department of Statistics, University of California, Los Angeles（加州大学洛杉矶分校统计学系） ； Department of Mathematics, University of California, San Diego（加州大学圣地亚哥分校数学系）
AI总结 本文提出了一种改进的高阶SVD估计器，研究了矩阵和张量估计中的最优偏差-方差权衡，证明了其在不同秩下的性能表现，并展示了结果的最优性。
大规模欺骗：1000个LLM生成的电商组件中的欺骗设计
机构 * University of California San Diego（加州大学圣地亚哥分校）
AI总结 研究揭示LLM生成电商组件中普遍存在欺骗性设计，通过测试不同提示策略发现价值观导向方法最有效，强调LLM在编码中的潜在风险及改进方向。
Comments 18 pages
编码有限状态机用于角色扮演
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出编码有限状态机（CFSMs）和编码概率有限状态机（CPFSMs）框架，通过自动编码文本角色档案生成可解释的状态机，提升角色扮演中的一致性和随机性探索能力。
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