高校专区
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
基于视觉基础模型的注意力一致纵向医学视觉问答
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Yale Biomedical Imaging Institute（耶鲁大学生物医学成像研究所）
AI总结 提出一种注意力引导的编码器-解码器框架，通过轻量级配准和自适应掩码生成，结合辅助损失函数，实现胸部X光片的纵向医学视觉问答，在Medical-Diff-VQA基准上取得优异性能。
Comments Accepted to CVPR 2026 Workshop PHAROS-AIF-MIH
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026, pp. 6448-6458
Dash2Sim: 来自野外行车记录仪视频的闭环驾驶仿真
机构 * Carnegie Mellon University（卡内基梅隆大学） ； NEC Labs America（NEC美国实验室） ； MIT（麻省理工学院） ； UC San Diego（加州大学圣地亚哥分校）
AI总结 提出Dash2Sim框架，将单目行车记录仪视频转化为度量级、地理参考的4D驾驶日志，用于闭环仿真，并构建ROADWork4D基准数据集，验证了施工区场景对规划器的挑战。
脑电图基础模型中的身份陷阱：一项诊断性审计
机构 * National Yang Ming Chiao Tung University ； University of California, San Diego
AI总结 提出FMScope协议，通过方差分解、主题轴擦除等五种诊断方法，揭示EEG基础模型在受试者分离交叉验证中可能依赖受试者身份特征而非临床生物标志物，并验证了该陷阱的普遍性及可移除性。
Comments 28 pages, 6 figures, 8 tables. Code available at https://github.com/Jimmy110101013/fmscope
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。
基于归一化流的潜在推理
机构 * University of Pennsylvania（宾夕法尼亚大学） ； UC San Diego（圣地亚哥大学） ； Meta
AI总结 提出NF-CoT框架，通过归一化流在LLM内部建模连续潜在思维，保留自回归生成、概率采样、KV缓存解码和似然估计等优势，在代码生成任务中提升通过率并降低推理成本。
LatentWave: 无线基础模型的JEPA预训练
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出LatentWave，采用联合嵌入预测架构（JEPA）在潜空间预测掩码区域，学习可迁移的无线信号表示，并在四个下游任务中优于掩码建模基线。
超越语义组织：记忆作为长时程智能体的执行状态管理
机构 * University of Science and Technology of China（中国科学技术大学） ； Microsoft（微软） ； Nanjing University（南京大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 针对长时程任务中智能体依赖执行状态而非语义相似性的问题，提出MAGE（记忆作为智能体引导的探索），通过层次状态树管理交互，实现状态完整性和错误隔离，在MemoryArena上任务成功率提升7.8-20.4个百分点，token消耗降低55.1%。
Comments 16 pages
迈向生物医学研究的世界模型
机构 * State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing, China（网络与交换技术国家重点实验室，北京邮电大学，北京，中国） ； Department of Engineering Science, University of Oxford, Oxford, United Kingdom（英国牛津大学工程科学系，牛津，英国） ； Institute of Medical Artificial Intelligence, South China Hospital, Medical School, Shenzhen University, Shenzhen, Guangdong, China（医学人工智能研究所，南方医院，医学学院，深圳大学，深圳，广东，中国） ； Zhongguancun Academy & Zhongguancun Institute of Artificial Intelligence, Beijing, China（中关村学院及中关村人工智能研究院，北京，中国） ； Beijing National Research Center for Information Science and Technology (BNRist), Tsinghua University, 100084, Beijing, China（北京信息科学与技术国家研究中心（BNRist），清华大学，100084，北京，中国） ； Department of Chemical and Nano Engineering, University of California, San Diego, La Jolla, CA, USA（美国加州大学圣地亚哥分校化学与纳米工程系，La Jolla，CA，美国） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） ； Monash Biomedicine Discovery Institute and Department of Biochemistry and Molecular Biology, Monash University, Melbourne, Victoria, Australia（莫纳什大学生物医学发现研究所和生物化学与分子生物学系，墨尔本，维多利亚，澳大利亚） ； David R. Cheriton School of Computer Science, University of Waterloo, Waterloo, Ontario, Canada（加拿大滑铁卢大学戴维·R·切里顿计算机科学学校，滑铁卢，安大略，加拿大） ； Department of ICT and Center for AI Research, University of Agder (UiA), Jon Lilletuns vei 9, Grimstad, Norway（挪威阿格德大学（UiA）信息与通信技术系及人工智能研究中心，Jon Lilletuns vei 9，Grimstad，挪威） ； Department of Electronic Engineering, Tsinghua University, Beijing, China（清华大学电子工程系，北京，中国）
AI总结 提出生物医学世界模型作为AI驱动发现的新范式，通过学习分子、细胞、组织和临床状态的潜在表征及干预条件动态，实现未来轨迹模拟，并探讨其在虚拟细胞、类器官、虚拟患者和手术模拟等应用中的潜力。
沿Transformer堆栈的一致性训练
机构 * Purdue University（普渡大学） ； Independent（独立） ； Columbia University（哥伦比亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Dartmouth College（达特茅斯学院） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 本文通过引入MLP状态和注意力分布的一致性目标，将一致性训练扩展到多种安全威胁，并发现跨威胁泛化及共享机制，证明其作为灵活对齐框架的有效性。
Comments Submitted to EMNLP 2026
DexFuture: 用于双手灵巧工具使用的分层未来状态视觉运动目标
机构 * UC San Diego（圣迭戈大学）
AI总结 提出DexFuture分层系统，通过高层未来状态视觉运动目标预测器和低层目标条件结构化灵巧策略，实现双手灵巧工具使用，达到90%的特权oracle性能，运行速度60Hz，比DexWM式CEM规划快约250倍。
少即是MoE：修剪领域专家语言模型中的专家
机构 * Carnegie Mellon University（卡内基梅隆大学） ； UCSD（加州大学圣地亚哥分校） ； MIT（麻省理工学院）
AI总结 针对MoE模型部署时参数过多的问题，提出基于Fisher重要性的中间维度修剪方法Fisher-MoE，在50%压缩比下保持模型能力，减少约45%权重内存并提升21%推理吞吐量。
一种新型四元数关节缆驱动冗余机械臂配置及其通过FABRIK和残差强化学习的控制
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出一种4段8关节四元数关节缆驱动冗余机械臂配置，并利用残差强化学习实现比FABRIK算法高三个数量级的位置和方向精度控制。
面向沉浸式视频角色扮演的奖励分解强化学习
机构 * Nanjing University（南京大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； School of Information Engineering, Beijing Institute of Graphic Communication（北京印刷学院信息工程学院） ； Ant International, Ant Group（蚂蚁集团国际部） ； Independent Researcher（独立研究者）
AI总结 提出EBM-RL框架，通过奖励分解的强化学习优化视频角色扮演中的视觉感知、推理与生成过程，提升场景一致性与角色真实性。
JI-ADF：联合-个体学习与自适应决策融合用于多模态皮肤病变分类
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出JI-ADF框架，通过整合皮肤镜图像、临床照片和结构化患者数据，实现基于临床的皮肤病变分类，采用多模态表示学习和自适应决策融合机制，提升跨模态推理能力，并在MILK10k数据集上验证了其在实际临床场景中的可靠性。
最小最大最优差分隐私合成数据用于平滑查询
机构 * Department of Mathematics, University of Southern California（南加州大学数学系） ； Department of Mathematics, University of California San Diego（加州圣地亚哥大学数学系）
AI总结 本文研究了如何生成具有(ε,δ)差分隐私的合成数据，以在保证个体隐私的同时，为有意义的下游分析提供强效用保证。提出了一种多项式时间算法，实现了最小最大误差率O_{k,d}(n^{-min{1, k/d}})，并建立了针对k-平滑查询的首个最小最大下界。
Comments COLT 2026 arXiv version. 34 pages
wa-hls4ml: 一个用于hls4ml资源和延迟估计的基准及替代模型
机构 * Fermi National Accelerator Laboratory（费米国家加速器实验室） ； University of California San Diego（加州大学圣地亚哥分校） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Sherbrooke（Sherbrooke大学） ； Columbia University（哥伦比亚大学） ； Texas A&M University（德克萨斯A&M大学） ； European Organization for Nuclear Research (CERN)（欧洲核子研究中心（CERN））
AI总结 本文提出了一个用于评估ML加速器资源和延迟的基准wa-hls4ml，并介绍了基于图神经网络和Transformer的替代模型，用于预测ML加速器的延迟和资源使用情况。
Comments 30 pages, 18 figures
Journal ref Wa-hls4ml: A Benchmark and Surrogate Models for hls4ml Resource and Latency Estimation. ACM Trans. Reconfigurable Technol. Syst. 19, 2, Article 20 (June 2026), 29 pages
RoCA: 面向鲁棒跨域端到端自动驾驶的框架
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Davis（加州大学戴维斯分校）
AI总结 本文提出RoCA框架，通过联合概率分布建模端到端自动驾驶管道中的 ego 和周围车辆信息，提升跨域自动驾驶的泛化能力和鲁棒性，无需额外推理计算。
Comments accepted for ICML 2026
AutoLab：前沿模型能否解决长周期自动研究与工程任务？
机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； 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） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） ； University of Tokyo（东京大学）
AI总结 本文提出AutoLab基准，通过36个专家策划的长周期闭环优化任务评估前沿模型，发现持续迭代和利用经验反馈比初始尝试质量更重要。
Comments Code: https://github.com/autolabhq/autolab ; Website: https://autolab.moe/
平坦性与泛化：使用齐次神经网络学习多指标模型
机构 * Department of Computer Science（计算机科学系） ； University of California, San Diego（加州大学圣地亚哥分校） ； Halicioğlu Data Science Institute（Halicioğlu数据科学研究所）
AI总结 本文研究两层齐次神经网络学习多指标模型时，平坦性与泛化之间的关系，证明最平坦插值器总能泛化，而某些非泛化插值器的平坦性无法接近最平坦值。
衡量重要之事：概念瓶颈模型的合成基准
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文开发了用于概念瓶颈模型的合成基准，通过控制数据模态、概念选择、标注质量和完整性等属性，评估模型在决策支持和自动化场景下的性能，并诊断失败模式。
Comments Benchmarks available at https://github.com/ustunb/concept-benchmark
深度强化学习中的监督策略更新
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； New York University（纽约大学）
AI总结 本文提出了一种新的样本效率高的方法，称为监督策略更新（SPU），用于深度强化学习。该方法通过当前策略生成的数据，在非参数化的近端策略空间中构建并求解一个约束优化问题，然后利用监督回归将最优的非参数化策略转换为参数化策略，从而生成新的样本。该方法适用于离散和连续动作空间，并能处理多种接近约束。本文展示了如何通过该方法解决自然策略梯度和信任区域策略优化（NPG/TRPO）以及近端策略优化（PPO）问题。SPU的实现比TRPO更简单，在样本效率方面，实验表明SPU在Mujoco模拟机器人任务中优于TRPO，在Atari视频游戏任务中优于PPO。
Comments Accepted as a conference paper at ICLR 2019
基于强化学习的能源收集传感器的扩展配置
机构 * University of California, San Diego（加州大学圣迭戈分校） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出利用强化学习自动配置室内太阳能板能源收集传感器的采样率，通过减少训练阶段和计算需求，实现快速部署和大规模扩展，有效提升传感器数据采集效率并避免能源耗尽。
Comments 7 pages, 5 figures
Journal ref ENSsys '18: International Workshop on Energy Harvesting & Energy-Neutral Sensing Systems}{November 4, 2018}{Shenzhen, China
基于事件触发估计的协作机器人定位
机构 * SPAWAR Systems Center Pacific（SPAWAR太平洋系统中心） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出一种低通信开销的协作定位算法，通过事件触发机制仅在状态估计创新度高时发送测量，结合协方差交叠机制实现网络状态同步，实验验证了其在多种动态模型下的高效定位性能。
Comments Revised submission in review with AIAA Journal of Aerospace Information Systems (JAIS), submitted February 17, 2018
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