高校专区
让我思考！一个长的推理链可能比许多短的链多出指数倍
机构 * UC San Diego（UC圣地亚哥大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Harvard University（哈佛大学）
AI总结 本文探讨了推理链扩展策略，证明在特定图连通性问题中顺序扩展比并行扩展更有效。
Comments Published at NeurIPS 2025
Transformer本质上是一种因果学习者
机构 * Halıcıoğlu Data Science Institute（哈利奇奥格鲁数据科学研究所） ； University of California San Diego（加州大学圣地亚哥分校） ； ABEL Intelligence, Inc.（ABEL智能公司）
AI总结 本文证明Transformer通过自回归训练自然编码因果结构，无需显式因果目标即可恢复因果图，且在复杂场景中表现优于传统方法。
SceneAlign: 在复杂视觉场景中将多模态推理对齐到场景图
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） ； University of New South Wales（新南威尔士大学）
AI总结 SceneAlign通过利用场景图进行结构干预，提升多模态推理在复杂视觉场景中的准确性和忠实性。
Comments Preprint
基于表面的分子设计与多模态流匹配
机构 * Stanford University（斯坦福大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Wuhan University of Science and Technology（武汉科技大学） ； Hunan University（湖南大学）
AI总结 SurfFlow通过多模态流匹配算法实现基于分子表面的肽共同设计，提升肽与受体的结合准确性，并在PepMerge基准中优于全原子基线。
Journal ref KDD 2025
非holonomic机器人泊车的反馈方法——第一部分：模块化严格CLF设计
机构 * Department of Mechanical and Aerospace Engineering, UC San Diego（加州大学圣地亚哥分校机械与航空航天工程系） ； Imperial College London（伦敦帝国学院） ； University of Rome Tor Vergata（罗马托维加塔大学）
AI总结 本文提出了一种模块化设计框架，通过解耦径向坐标实现非holonomic单轮车的渐近稳定，结合被动性、逆向设计和积分前馈开发反馈律，并提供严格CLFs以实现特征值分配和收敛估计。
Comments arXiv admin note: text overlap with arXiv:2509.25575
保持结构的提升与学习：用于非线性守恒偏微分方程的科学机器学习
机构 * Department of Mechanical and Aerospace Engineering, University of California San Diego, CA, United States（机械与航空航天工程系，加州大学圣地亚哥分校）
AI总结 本文提出了一种用于非线性守恒偏微分方程的科学机器学习方法，通过能量二次化策略和混合学习方法，高效学习保持结构的二次降阶模型。
超越困惑度：一种轻量级的知识保留监督微调基准
机构 * University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出KR测试，一种轻量级基准，用于区分监督微调中的事实学习与语言学，通过对比示例评估知识保留，提升微调动态的可解释性。
评分尺度对LLM作为裁判的影响：人类与LLM的对齐在0-5评分尺度上最高
机构 * Harvard University（哈佛大学） ； CMU（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； UC San Diego（圣地亚哥大学）
AI总结 本文研究了评分尺度对LLM作为裁判一致性的影响，发现0-5评分尺度在人类与LLM之间产生最强的一致性。
针对基于大语言模型的多智能体系统 的网络欺诈攻击
机构 * Zhejiang University（浙江大学） ； Changsha University of Science and Technology（长沙理工大学） ； Purdue University（普渡大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Zhejiang Gongshang University（浙江工商大学）
AI总结 本文提出了一种针对基于大语言模型的多智能体系统的新攻击类型，通过网络链接的独特结构欺骗系统，展示了其在不同架构中的破坏潜力及逃避优势。
学习引导：一种可扩展的障碍函数框架用于安全的机器人交互在密集障碍物中
机构 * University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出了一种可扩展的障碍函数框架，通过学习可组合的以对象为中心的函数，实现安全的机器人交互在密集障碍物中，无需重新训练即可跨任务转移。
近视验证的概率证书用于安全控制与学习
机构 * Department of Electrical and Computer Engineering, Carnegie Mellon University（电气与计算机工程系，卡内基梅隆大学） ； Information Systems Technology and Design pillar, Singapore University of Technology and Design（信息系统技术与设计支柱，新加坡科技设计大学） ； Department of Computer Science and Engineering, University of California San Diego（计算机科学与工程系，加州大学圣地亚哥分校）
AI总结 本文提出了一种概率不变性技术，用于设计近视验证的概率证书，以确保安全控制与学习的长期安全。
SteganoBackdoor: 语言模型上的隐蔽且数据高效的后门攻击
机构 * UC San Diego（圣迭戈大学）
AI总结 SteganoBackdoor通过隐写学方法在流畅句子中隐蔽地植入后门，实现对语言模型的高效隐蔽攻击。
混合与单位元PEFT用于资源高效的大型语言模型
机构 * Department of Information Engineering, The Chinese University of Hong Kong, Hong Kong（信息工程系，香港中文大学） ； Department of Electrical and Computer Engineering, University of California San Diego, USA（电气与计算机工程系，加州大学圣地亚哥分校） ； Department of Computer Science, University of Copenhagen, Denmark（计算机科学系，哥本哈根大学） ； Department of Electrical Engineering, Columbia University, USA（电气工程系，哥伦比亚大学）
AI总结 本文提出混合与单位元PEFT方法，通过结合BOFT和LoRA-GA的优势，提升LLM微调效率，减少训练时间和内存使用，适用于资源受限场景。
Comments 11 pages, 2 figures and 7 table
Journal ref American Journal of Computer Science and Technology (Volume 8, Issue 4, 2025)
世界模型在线模仿学习中的耦合分布随机专家蒸馏
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Hillbot（Hillbot公司） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本研究提出一种基于随机网络蒸馏的耦合分布随机专家蒸馏方法，用于提升世界模型在线模仿学习的稳定性与性能。
Comments NeurIPS 2025 Workshop of Embodied World Models; Code Available at: https://github.com/TobyLeelsz/CDRED-WM
HCVP：利用层次对比视觉提示进行领域泛化
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； University of New South Wales（新南威尔士大学） ； 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） ； CSIRO’s Data61（CSIRO数据61） ； University of Sydney（悉尼大学） ； Macquarie University（麦考瑞大学）
AI总结 HCVP通过层次对比视觉提示方法提升领域泛化能力，有效分离不变特征与特定特征，优于现有算法。
Mem-Rec: 基于替代表示的记忆高效推荐系统
机构 * Intel Labs（英特尔实验室） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 Mem-Rec通过替代表示方法减少推荐系统内存占用并提升嵌入效率。
Journal ref Proceedings of the 15th Asian Conference on Machine Learning (2023), PMLR 222:518-533
端到端的测试时间训练用于长上下文
机构 * NVIDIA（NVIDIA公司） ； Stanford University（斯坦福大学） ； UC Berkeley（伯克利大学） ； UC San Diego（圣地亚哥大学）
AI总结 本文提出了一种端到端的测试时间训练方法，通过在测试时进行token预测和训练时的元学习，实现长上下文处理，具有与完整注意力相同的扩展性但更高效的推理速度。
Comments Code: https://github.com/test-time-training/e2e
通过决策模糊性引导的强化微调提升少样本变化检测视觉问答
机构 * School of Computer Science and Technology, Xidian University（西安电子科技大学计算机科学与技术学院） ； Department of Mathematics, University of California, San Diego（加州大学圣地亚哥分校数学系） ； School of Software Engineering, Xi'an Jiaotong University（西安交通大学软件工程学院）
AI总结 DARFT通过决策模糊性引导的强化微调提升CDVQA的判别性和鲁棒性，尤其在少样本场景中表现优异。
基于采样算法的路径穿越最优规划
机构 * Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong, Hong Kong, China（香港中文大学机械与自动化工程系） ； Multi-Scale Medical Robotics Center, Hong Kong, China（香港医学机器人多尺度中心） ； Department of Computer Science and Engineering, University of California, San Diego, CA, USA（加州大学圣地亚哥分校计算机科学与工程系） ； Hillbot Inc., USA（Hillbot公司）
AI总结 本文提出了一种基于采样算法的路径穿越最优规划方法，通过通道检测和自由空间分解提升路径规划的效率和优化能力。
Comments 27 pages, 20 figures, 4 tables, journal paper
Yggdrasil：连接动态推测与静态运行时以实现延迟最优的树基LLM解码
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Qizhi Institute（上海启智研究院） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 Yggdrasil通过上下文感知的树起草和编译友好的执行，实现延迟最优的树基LLM解码，支持未经修改的LLM并在多种硬件上实现3.98倍速度提升。
Comments Accepted by NeurIPS 2025
基于可训练标记嵌入的张量网络生机器的序列学习
机构 * Department of Physics, University of California, San Diego, CA 92093, USA（加州大学圣地亚哥分校物理系） ； School of Physics, Zhejiang University, Hangzhou 310027, China（浙江大学物理学院） ； Department of Physics, Georgia Institute of Technology, Atlanta, GA 30332, USA（佐治亚理工学院物理系）
AI总结 本文提出基于可训练POVM嵌入的Born机器，通过改进张量网络结构，提升量子启发序列建模中复杂数据相关性的建模能力。
字典学习：通过反馈学习稀疏叠加特征的复杂性
机构 * Department of Computer Science \& Engineering, University of California, San Diego, USA
AI总结 通过反馈机制，研究在稀疏设置下学习字典特征的复杂性，并验证了理论结果在特征恢复和字典提取中的有效性。
Comments ICML'25, 35 pages
DPAR：动态分块化用于高效的自回归视觉生成
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Dolby Laboratories（杜比实验室）
AI总结 DPAR通过动态分块化技术提升自回归视觉生成效率，减少计算资源消耗并提高生成质量。
FlashVLM: 大规模多模态模型中的文本引导视觉令牌选择
机构 * Sun Yat-sen University（中山大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Snap Inc.（Snap公司）
AI总结 FlashVLM通过文本引导的视觉令牌选择，实现了高效压缩和高准确率，在大规模多模态模型中表现出色。
Comments Under submission
结构状态空间对偶性
机构 * Center for Foundation Models and Generative AI, Northwestern University（基础模型与生成式AI中心，西北大学） ； Department of Computer Science, Northwestern University（计算机科学系，西北大学） ； Ensemble AI ； University of California, San Diego（加州大学圣地亚哥分校） ； Department of Statistics and Data Science, Northwestern University（统计与数据科学系，西北大学）
AI总结 本文探讨了结构状态空间模型与掩码注意力机制之间的对偶性，扩展了其应用范围并揭示了其在不同注意力机制中的局限性。
Comments v2 fixed typos and added numerical results (Appendix B)
DeliveryBench: 代理在现实世界中能否获利？
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Michigan（密歇根大学）
AI总结 DeliveryBench通过模拟现实世界中的食品配送任务，评估基于VLM的具身代理在长期规划和约束管理方面的性能，发现其与人类存在显著差距。
通过校准和正则化增强扩散模型引导
机构 * UC San Diego（加州大学圣迭戈分校） ； Politecnico di Milano（米兰理工学院）
AI总结 本文通过校准和正则化方法提升扩散模型引导效果，改进分类器校准和采样策略，提升图像生成质量。
Comments Accepted from NeurIPS 2025 Workshop on Structured Probabilistic Inference & Generative Modeling. Code available at https://github.com/ajavid34/guided-info-diffusion
反向馈送3D重建与视角合成的进展：综述
机构 * NTU（国立台湾大学） ； Caltech（加州理工学院） ； Westlake University（西湖大学） ； UCSD（加州大学圣地亚哥分校） ； University of Oxford（牛津大学） ； Nanjing University（南京大学） ； HKU（香港大学） ； University of Cambridge（剑桥大学） ； Hillbot ； MPI for Informatics（信息研究所） ； Harvard University（哈佛大学） ； MIT（麻省理工学院）
AI总结 本文综述了反向馈送方法在3D重建与视角合成中的进展，涵盖多种表示架构及应用，探讨了关键任务和未来研究方向。
Comments A project page associated with this survey is available at https://fnzhan.com/projects/Feed-Forward-3D
可信且稳定的神经元解释用于可信的机制可解释性
机构 * CSE, UCSD（计算机科学与工程系，加州大学圣塔莫尼卡分校） ； HDSI, UCSD（人类-数字系统研究所，加州大学圣塔莫尼卡分校）
AI总结 本文提出理论分析和方法，解决神经元识别中的忠实性和稳定性问题，通过理论保证和实验验证提升机制可解释性的可信度。
面向治理的混合微调方法用于多语言大语言模型
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Columbia University（哥伦比亚大学） ； University of Copenhagen（哥本哈根大学） ； Duke University（杜克大学）
AI总结 本文提出面向治理的混合微调方法，通过结合低秩更新和正交变换提升多语言大模型的适应效率与准确性。
Comments 11 pages, 4 figures, 6 tables. arXiv admin note: substantial text overlap with arXiv:2507.18076
Journal ref 2025 IEEE International Conference on Big Data
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