高校专区
统一思维还是孤立代理？探索认知负荷理论下LLM的协调
机构 * Hong Kong University of Science and Technology（香港科技大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Hong Kong Polytechnic University（香港理工大学）
AI总结 受认知负荷理论启发，提出CoThinker多智能体框架，通过智能体分工和结构化通信降低认知负荷，在复杂推理任务上提升性能，但在低负荷任务上协调开销占优。
PRISM：一种用于可解释形状建模的三维概率神经表示
机构 * Department of Computer Science, University of North Carolina at Chapel Hill, Chapel Hill, USA（北卡罗来纳大学教堂山分校计算机科学系） ； Department of Computer Science, University of California San Diego, La Jolla, USA（加州大学圣地亚哥分校计算机科学系） ； School of Medicine, University of North Carolina at Chapel Hill, Chapel Hill, USA（北卡罗来纳大学教堂山分校医学院）
AI总结 提出PRISM框架，结合隐式神经表示与不确定性感知统计形状分析，通过封闭形式Fisher信息度量实现高效局部时间不确定性量化，在形状演化、个性化预测和异常检测任务中表现优异。
Comments ICML 2026, camera-ready version, 24 pages
ConTrack: 具有自适应权衡控制的约束手部运动跟踪
机构 * University of California San Diego（加州大学圣地亚哥分校）
AI总结 提出一种基于强化学习的框架ConTrack，通过将物体跟踪视为约束并利用双变量更新自适应调整任务-风格权衡，同时结合自适应中轨迹重置库，实现长时域、接触密集的手部运动跟踪，在仿真和真实机器人上显著提升成功率和物体位姿精度。
Eigen-Spike 涌现与共轭核在非线性可分数据上的二次等价
机构 * Department of Mathematics ICSI and Department of Statistics（数学系ICSI和统计系） ； University of California, San Diego, USA（美国加州大学圣地亚哥分校） ； University of California, Berkeley, USA（美国加州大学伯克利分校） ； Department of Mathematics ICSI, LBNL and Department of Statistics（数学系ICSI、劳伦斯伯克利国家实验室和统计系）
AI总结 针对非线性可分数据（XOR问题），通过共轭核矩阵的二次等价模型，分析异常特征值涌现及其与标签对齐的BBP型相变，揭示样本复杂度、信噪比、激活函数和预训练特征对非线性可学习性的影响。
Comments 81 pages, 8 figures
ThinkJEPA：赋予潜在世界模型大型视觉-语言推理能力
机构 * Northeastern University（东北大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Maryland（马里兰大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Washington（华盛顿大学）
AI总结 提出ThinkJEPA框架，结合密集JEPA分支与稀疏VLM思考者分支，通过分层金字塔表示提取模块，实现细粒度运动建模与长程语义引导，在手部操作轨迹预测任务上超越基线。
Comments 10 pages, 5 figures
向量量化中度量普适性的代价至多为0.11比特
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文证明存在一个通用码本，对于所有可能的X统计量，在W为高斯时，其性能至少与速率每维度降低0.11比特的X自适应水填充码本相当。
Comments 41 page, 1 figure
显式上下文驱动的神经声学建模用于高保真RIR生成
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Monash University（墨尔本大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出MiNAF模型，通过查询房间网格并提取距离分布作为显式局部几何特征，引导神经隐式模型生成更准确的房间脉冲响应（RIR），在多项指标上达到竞争性能。
MolE-RAG：面向化学的分子结构增强检索增强生成
机构 * 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）
AI总结 提出无需训练的分子中心检索增强生成框架MolE-RAG，通过整合检索文献、分子特定信息和结构相似分子三种上下文，显著提升LLM在分子性质预测任务中的性能。
先派侦察兵：提示注入防御中自适应检测器分配的预推理方法
机构 * UC San Diego（加州大学圣迭戈分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 针对提示注入检测器异构且不可靠的问题，提出SCOUT框架，通过预测每个检测器对每个样本的可靠性和延迟，动态分配检测器，实现安全性与效率的权衡。
Comments We propose SCOUT, a detector allocation framework that predicts each detector's accuracy and latency on a given input before running it, letting operators control the safety-utility trade-off with a single threshold and route to an LLM judge only when needed
SkillsBench: 基准测试智能体技能在不同任务中的有效性
机构 * BenchFlow ； OSU ； Amazon ； UC Berkeley ； UC Santa Cruz ； UC Davis ； Dartmouth ； RLWRLD ； Independent ； Princeton University ； Oxford University ； Stanford University ； USC ； CMU ； Foxconn ； Zenity ； UNSW ； UT Austin ； MSU ； Duke University ； ByteDance ； UT Dallas ； UC San Diego ； Columbia University ； University of Rochester ； Cornell Tech ； Georgia Tech ； Cornell University ； NEU ； UCLA ； Snap Inc. ； Fanshawe College ； University of Science and Technology of China ； HKUST(GZ) ； Anyscale
AI总结 提出SkillsBench基准，包含8领域87个任务，通过配对评估证明技能提升平均通过率16.6个百分点，小模型配备技能可匹敌大模型。
图学习应超越对谱图神经网络和消息传递图神经网络的狭隘观点
机构 * RWTH Aachen University（亚琛工业大学） ； Massachusetts Institute of Technology（麻省理工学院） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Stanford University（斯坦福大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Univ. de Montréal（蒙特利尔大学） ； Mila（Mila人工智能研究所） ； Technion – Israel Institute of Technology（技术学院–以色列理工学院）
AI总结 本文澄清了谱图神经网络与消息传递图神经网络的异同，提出基于特征基对称性的谱GNN精确定义，并倡导统一理论框架以推动图学习发展。
Comments 44 pages, 1 figure
一种可泛化的全局光照光传输3D嵌入
机构 * UC San Diego and NVIDIA USA（加州大学圣迭戈分校和美国NVIDIA公司） ； UC San Diego USA（加州大学圣迭戈分校（美国）） ； NVIDIA USA（美国NVIDIA公司） ； UC San Diego USA and NVIDIA USA（加州大学圣迭戈分校和美国NVIDIA公司）
AI总结 提出一种可泛化的3D光传输嵌入方法，通过点云和Transformer直接预测全局光照，无需光栅化或路径追踪线索，适用于多种室内场景。
Comments SIGGRAPH 2026
LoLA: 低秩线性注意力与稀疏缓存
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出LoLA，一种无需训练的线性注意力增强方法，通过三种记忆系统（局部滑动窗口、稀疏全局缓存和循环隐状态）提升关联回忆，在pass-key检索任务上将准确率从0.6%提升至97.4%，且缓存大小比Llama-3.1 8B小4.6倍。
BLUEmed: 基于检索增强的多智能体辩论用于临床错误检测
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出BLUEmed框架，结合混合检索增强生成与多智能体辩论，通过分解临床笔记、检索证据、专家辩论及安全层过滤，在术语替换错误检测中达到最优性能。
Comments Accepted to the IEEE International Conference on Healthcare Informatics (ICHI) 2026
Fin-RATE：面向SEC文件的金融分析与追踪评估基准
机构 * Tongji University（同济大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Yale University（耶鲁大学） ； Goldman Sachs（高盛集团）
AI总结 针对LLM在金融领域分析复杂监管文件的需求，提出基于SEC文件的Fin-RATE基准，通过三种任务路径评估模型，发现跨文档和跨时间分析时性能显著下降。
Journal ref Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)
GetNetUPAM：生态信息嵌套交叉验证与噪声鲁棒注意力用于海洋生物声学监测
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出GetNetUPAM框架，通过分层嵌套交叉验证保持生态异质性，并集成CBAM空间注意力的ARPA-N网络，在高噪声低信噪比条件下实现鲁棒泛化，在零训练区域将误报率降低约10倍。
Comments Resubmitted and under review as an anonymous submission to IEEETAI - We are allowed an archive submission. Final formatting is yet to be determined
通过条件控制扩散实现超低比特率视频压缩的主动采样
机构 * Department of Electrical and Computer Engineering, University of California San Diego（电子与计算机工程系，加州大学圣地亚哥分校） ； Department of Electrical and Systems Engineering, University of Pennsylvania（电子与系统工程系，宾夕法尼亚大学）
AI总结 提出ActDiff-VC框架，利用条件扩散模型和主动采样策略（自适应关键帧选择与预算感知稀疏轨迹选择），在超低比特率下实现高感知质量视频压缩。
Comments 21 pages, 11 figures, 3 tables
神经集成卡尔曼滤波器：含激波可压缩流的数据同化
机构 * University of California, San Diego（加州大学圣迭戈分校） ； University of Cambridge（剑桥大学）
AI总结 针对含激波可压缩流中集成卡尔曼滤波器（EnKF）因双峰预报分布失效的问题，提出神经EnKF，通过将预报集合映射到神经网络参数空间并在此空间进行同化，结合物理信息迁移学习避免伪振荡和非物理特征。
参数高效的双编码器架构与可微Choquet积分融合用于水下声学分类
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出一种双编码器神经网络架构，同时处理波形和频谱图，利用预训练骨干和参数高效微调模块，并通过基于Choquet积分的可微模糊聚合机制融合时域和频域表示，提高分类准确性和可解释性。
Comments 9 pages, 7 figures
CUA-Gym：为计算机使用智能体扩展可验证的训练环境和任务
机构 * The University of Hong Kong（香港大学） ； Qwen Team, Alibaba Inc.（阿里巴巴集团Qwen团队） ； University of California, San Diego（加州大学圣地亚哥分校） ； Tsinghua University（清华大学）
AI总结 提出CUA-Gym可扩展流水线，通过协同生成任务指令、环境状态和奖励函数，构建大规模可验证强化学习训练数据，并合成CUA-Gym-Hub模拟网络应用环境，训练出的智能体在OSWorld-Verified和WebArena上取得领先性能。
PQR：一个生成多样化且逼真用户查询的框架，以引发问答代理失败
机构 * Columbia University（哥伦比亚大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Walmart（沃尔玛）
AI总结 PQR框架通过迭代交互生成多样化且逼真的用户查询，以发现问答代理的失败案例，其方法比现有方法更有效。
AnyHand：一个大规模合成数据集用于RGB（-D）手姿态估计
机构 * University of California, San Diego（加州大学圣迭戈分校） ； Lambda, Inc（Lambda公司） ； Imperial College London（伦敦帝国理工学院） ； Nanyang Technological University（南洋理工大学）
AI总结 AnyHand通过提供大规模RGB-D图像和丰富的几何标注，提升了3D手姿态估计的性能，证明了数据多样性和质量对模型效果的重要性。
面向个性化孟加拉语图书推荐：大规模异构图书图谱数据集
机构 * East West University（东西方大学） ； Bangladesh University of Engineering and Technology（孟加拉工程与技术大学） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 针对孟加拉语文学缺乏结构化大规模公开数据集的问题，构建了RokomariBG异构图书图谱数据集，包含12.7万本书、6.3万用户等实体及多种关系，通过基准测试表明异构关系与混合文本元数据显著影响推荐性能。
Comments Added new experiment results on sequential recommendation, top-N recommendation results have been updated using per user temporal leave-last-one-out instead of random split
联邦大语言模型：当前进展与未来方向
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Duke University（杜克大学） ； University of California San Diego（加州大学圣地亚哥分校） ； The University of New South Wales（新南威尔士大学） ； Adobe Research（Adobe研究） ； University of Maryland College Park（马里兰大学学院公园分校） ； CSIRO’s Data61（澳大利亚联邦科学与工业研究组织Data61）
AI总结 本文综述联邦学习与大语言模型结合（FedLLM）的最新进展，重点分析联邦微调和联邦提示学习如何应对效率、个性化和安全挑战，并展望联邦预训练和联邦智能体等方向。
Comments Accepted by PAKDD 2026
潜在世界模型如何理解部分可观测的安全约束？
机构 * UC 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 研究潜在世界模型在部分可观测安全约束下的故障模式，提出互信息度量和滚动预测度量来诊断估计间隙和预测间隙，并通过多模态监督和共形风险校准缓解问题，提高机器人操作安全性。
Comments 10 tables 5 figures
CardioMorphNet: 使用形状引导的贝叶斯循环深度网络进行心脏运动预测
机构 * 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 提出CardioMorphNet，一种基于循环变分自编码器和贝叶斯公式的3D心脏形状引导可变形配准框架，通过递归配准分割图避免强度相似性损失，在心脏运动估计中优于现有方法，并具有更低的不确定性。
Comments Published in Medical Image Analysis. Updated to match the final published version
Journal ref Medical Image Analysis, vol. 113, p. 104149, 2026
全保真音频无损压缩的语言建模基准测试
机构 * University of California, San Diego, Computer Science and Engineering Department（加州大学圣地亚哥分校计算机科学与工程系） ； Carnegie Mellon University, School of Computer Science（卡内基梅隆大学计算机科学学院）
AI总结 提出字节级分词方案Trilobyte，将词汇量从指数级降至常数级，首次实现24位音频的LM无损压缩，并在8位和16位下超越FLAC。
Comments Accepted at Interspeech 2026, 7 pages, 5 figures
链式思维推理中忠实度衰减的机制证据
机构 * Fordham University（福特汉姆大学） ； Algoverse AI Research（Algoverse AI研究） ； Rice University（稻子大学） ； UC San Diego（圣地亚哥大学） ； Santa Clara University（圣克拉拉大学） ； LMU Munich（慕尼黑路德维希-马克西米利安大学）
AI总结 提出归一化对数几率差衰减（NLDD）指标，通过破坏推理步骤并测量模型置信度下降，发现链式思维中超过70-85%长度的令牌对最终答案贡献微弱或负面，揭示了忠实度衰减现象。
Comments 16 pages, 16 figures. Accepted to ICLR LIT workshop. Code: https://github.com/donald-ye/NLDD
MACD：基于反事实数据的模型感知对比解码
机构 * University of Michigan, Ann Arbor, MI, USA（密歇根大学，安娜堡分校） ； University of California San Diego, La Jolla, CA, USA（加州大学圣地亚哥分校）
AI总结 提出MACD方法，利用视频语言模型自身反馈识别导致幻觉的目标区域，生成目标级反事实输入，结合对比解码减少幻觉，提升多模型在复杂场景下的准确性。
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