高校专区
MT-EditFlow：基于流匹配的多轮图像编辑强化学习
机构 * Apple（苹果公司） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Lambda, Inc（Lambda公司）
AI总结 提出MT-EditFlow框架，通过流匹配强化学习优化多轮图像编辑的奖励信号，解决单轮编辑模型在多轮交互中的失败和误差传播问题，显著提升多轮编辑性能。
捷径通往虚无：揭秘深度虚假回归
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Rutgers University（罗格斯大学） ； Yang AI Lab（杨人工智能实验室）
AI总结 针对连续预测中的虚假相关性，提出利用标签和特征空间中虚假属性的相似性来校准分布，从而提升模型在分布偏移下的泛化能力。
ForestMamba: 基于几何引导查询的稀疏Mamba用于3D森林点云分割
机构 * Nagoya University（名古屋大学） ； RIKEN Seika（日本理化学研究所Seika研究中心） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Twente（埃因霍温理工大学） ； Ritsumeikan University（立命馆大学）
AI总结 提出ForestMamba方法，通过稀疏编码器、几何引导查询初始化和Mamba查询解码器，实现高效且结构感知的森林点云分割，在七个森林区域上优于现有方法，推理速度提升3倍，GPU内存降低2.3倍。
量子分布式纠缠约简算法（QADR）：一种可训练且模拟高效的量子机器学习框架
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出QADR框架，通过将全局n量子比特变分量子电路分解为因果光锥内的局部子电路，将经典模拟内存从O(2^n)降至O(n·2^{2d+1})并缓解贫瘠高原，在MNIST和NASA轴承诊断任务上匹配或超越经典模型。
时序图神经网络的时序模体特征
机构 * University of Oxford（牛津大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 针对时序图神经网络难以捕捉短时序模体模式的问题，提出一种紧凑的13维模体特征图，可线性嵌入任意静态或时序编码器，并在多种任务上提升性能。
面向数据敏感检索增强生成的隐私策略执行护栏
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 针对RAG系统中上下文数据泄露问题，提出基于双单类密度估计器与融合文本嵌入的隐私策略执行框架，在医学、金融和法律领域实现高AUROC和低误报率。
联合音视频生成模型是否理解物理？
机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 针对联合音视频生成模型，提出AV-Phys Bench基准测试其物理常识，发现所有模型在物理一致性上表现不足，尤其是事件驱动和环境驱动转换场景。
Comments Preprint. Project Page: https://zijuncui.com/AV-Phys/. Full abstract appears in the PDF
LERD: 用于神经退行性疾病分类的潜在事件-关系动力学
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； 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 California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出LERD，一种端到端贝叶斯潜在事件-关系动力系统，直接从多通道脑电图推断潜在神经事件及其关系结构，无需事件或交互标注，在阿尔茨海默病分类中优于基线方法并提供生理对齐的动力学摘要。
病理基础模型的通用与可迁移攻击
机构 * Electrical and Computer Engineering Department, University of California, Los Angeles, CA, 90095, USA（加州大学洛杉矶分校电子与计算机工程系） ； Bioengineering Department, University of California, Los Angeles, CA, 90095, USA（加州大学洛杉矶分校生物工程系） ； California NanoSystems Institute (CNSI), University of California, Los Angeles, CA, 90095, USA（加州大学洛杉矶分校加州纳米系统研究所） ； Department of Pathology, Hadassah Hebrew University Medical Center, Jerusalem, 91120, Israel（海法希伯来大学医疗中心病理学系） ； Department of Surgery, University of California, Los Angeles, CA, 90095, USA（加州大学洛杉矶分校外科系）
AI总结 提出通用可迁移对抗扰动（UTAP），通过固定弱噪声模式破坏多个病理基础模型的特征表示能力，导致下游任务性能下降，并展示其跨数据集通用性和跨模型可迁移性。
Comments 38 Pages, 8 Figures
Journal ref Light: Science & Applications (2026)
重新思考强化学习评估：基准测试能否真正揭示强化学习方法的失败？
机构 * HFIPS, Chinese Academy of Sciences（中国科学院HFIPS） ； University of Science and Technology of China（中国科学技术大学） ； University of California, Los Angeles（美国加州大学洛杉矶分校）
AI总结 本文通过引入诊断套件和Oracle性能差距（OPG）指标，发现当前基准测试无法可靠区分强化学习方法在训练集和测试集上的性能差异，并揭示现有方法在分布偏移、难度变化和反事实场景中泛化能力不足，提出更可靠基准设计的三项核心原则。
使用衍射解码器实现扩展景深上的超分辨率图像投影
机构 * Electrical and Computer Engineering Department, University of California, Los Angeles, California 90095, USA（加州大学洛杉矶分校电子与计算机工程系） ； Bioengineering Department, University of California, Los Angeles, California 90095, USA（加州大学洛杉矶分校生物工程系） ； California NanoSystems Institute (CNSI), University of California, Los Angeles, California 90095, USA（加州大学洛杉矶分校加州纳米系统研究所）
AI总结 提出一种混合图像投影系统，结合CNN编码器和全光学衍射解码器，实现扩展景深和像素超分辨率，提升空间带宽积。
Comments 18 Pages, 6 Figures
Journal ref Light: Science & Applications (2026)
MCPDepth：基于多圆柱全景图的立体匹配全方位深度估计
机构 * Washington University in St. Louis（华盛顿大学圣路易斯分校） ； The Chinese University of Hong Kong（香港中文大学） ； ShanghaiTech University（上海科技大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出MCPDepth两阶段框架，通过圆柱全景图的立体匹配和融合，利用循环注意力模块处理垂直畸变，在标准网络组件上实现高效的全方位深度估计，在Deep360和3D60数据集上MAE分别降低18.8%和19.9%。
Comments Accepted at the OmniCV Workshop, CVPR 2026
迈向简单且可证明的无参数自适应梯度方法
机构 * School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； Department of Computer Science, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系） ； School of Computing and Data Science, the University of Hong Kong（香港大学计算科学与数据科学学院） ； Bytedance Inc（字节跳动公司）
AI总结 提出 AdaGrad++ 和 Adam++ 两种简单无参数自适应梯度方法，在无需预设学习率的情况下实现与 AdaGrad 和 Adam 相当的收敛保证。
Comments 45 pages, 19 figures, 3 tables
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