高校专区
基于无人机多光谱成像的水稻病害深度学习框架比较
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Los android（加州大学洛杉矶分校）
AI总结 本研究使用CNN和Transformer模型对无人机多光谱图像进行水稻白叶枯病严重程度分割，发现轻量级CNN骨干网络在操作监测中更可靠，植被指数可带来小幅持续改进。
Comments This paper has been accepted in IGARSS 2026. Copyright 2026 IEEE
Multi-ResNets：约束优化中子空间预条件的多残差网络
机构 * UCLA（加州大学洛杉矶分校） ； University of Oxford（牛津大学） ； Tapestry, Google（谷歌Tapestry） ； Alphabetical ordering, authors contributed equally to this work（作者等量贡献）
AI总结 提出一种分阶段残差神经网络架构MResOpt，通过优先级分解约束满足和阶段感知损失，在预测-补全-校正流水线中实现域知有序约束满足，并在理想无限宽条件下表现为序列高斯过程回归，显著降低高优先级约束违反。
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
Agent编排的自适应RAG：结构化与多跳检索的比较研究
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 California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出Agent编排的自适应RAG框架，通过动态查询分解、迭代检索和自反思评估，在结构化领域（DevOps）和多跳推理基准（MuSiQue）上对比发现，查询分解在结构化领域提升性能但降低多跳排名精度，反思机制提高引用准确性但增加延迟，表明Agent增强需根据查询和领域特性选择性应用。
网络攻击分类的降维：PCA与线性预测编码的比较评估
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文通过比较主成分分析（PCA）和线性预测编码（LPC）两种降维方法，研究网络攻击分类中的特征压缩技术，实验表明PCA在激进压缩下仍能保持分类性能，LPC则略有性能下降，但两者均能在最小影响分类准确率的情况下大幅降低特征维度。
Comments Acceprted in the IEEE MWSCAS 2026
评估美国超大规模数据中心的碳排放与能源消耗
机构 * Department of Biostatistics, Harvard T.H. Chan School of Public Health（哈佛T.H. 汤普森公共卫生学院生物统计学系） ； Department of Computer Science, University of Pisa（比萨大学计算机科学系） ； IMT School of Advanced Studies, Lucca（卢塞恩高级研究所） ； Environmental Systems Research Institute（环境系统研究机构） ； Baxtel（Baxtel公司） ； Department of Environmental Health, Harvard T.H. Chan School of Public Health（哈佛T.H. 汤普森公共卫生学院环境健康系） ； Department of Biostatistics, UCLA Fielding School of Public Health（加州大学洛杉矶分校Fielding公共卫生学院生物统计学系）
AI总结 本研究通过收集403个美国超大规模数据中心设施级数据，估算其电力消耗、电力来源及二氧化碳排放，发现其电力需求约占美国总用电量的1.8%，且碳强度高于全国平均水平48%。
可微分高效算子搜索
机构 * The University of Sydney（悉尼大学） ； ByteDance（字节跳动） ； Shanghai Jiao Tong University（上海交通大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出可微分高效算子搜索框架，统一解释多种token缩减算子，通过联合搜索缩减位置、保留数量和算子行为，在预算约束下优化多模态模型性能。
Open-H-Embodiment: 一个大规模数据集，用于在医疗机器人中启用基础模型
机构 * Open-H-Embodiment Consortium ； 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 Southern California（南加州大学） ； University of Cambridge（剑桥大学） ； University of Tokyo（东京大学） ； University of Tokyo, Graduate School of Information Science and Technology（东京大学信息科学与技术研究生院） ； University of Tokyo, Institute of Industrial Science（东京大学工业科学研究所）
AI总结 本文提出Open-H-Embodiment数据集，通过两个基础模型展示了其在医疗机器人领域的应用，展示了大规模开放数据在推动机器人学习和世界建模方面的关键作用。
Comments Project website: https://open-h.github.io/open-h-embodiment/
SUPERNOVA: 通过自然指令上的强化学习激发大语言模型的通用推理
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出SUPERNOVA框架，通过自然指令数据集构建高质量的强化学习可验证奖励数据集，通过100+次强化学习实验系统研究如何利用这些数据集提升下游推理性能，并在BigBench Extra Hard基准上实现64.4个百分点的相对提升。
Comments 23 Pages; 2-column format; 10 figures
利用无透镜全息和深度学习进行自动HER2评分及不确定性量化
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气与计算机工程系） ； 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 Computer Science, University of California, Los Angeles, CA, 90095, USA（加州大学洛杉矶分校计算机科学系）
AI总结 本文提出了一种基于无透镜全息和深度学习的紧凑型、低成本系统，用于自动免疫组化染色乳腺组织切片的HER2评分，通过贝叶斯蒙特卡洛Dropout策略提高诊断可靠性，实现了高准确率的HER2分类和评分。
Comments 23 Pages, 6 Figures, 1 Table
Journal ref BME Frontiers, AAAS (2026)
自主不确定性量化用于计算床旁传感器
机构 * Electrical & Computer Engineering Department（电气与计算机工程系） ； Bioengineering Department（生物工程系） ； California NanoSystems Institute (CNSI)（加州纳米系统研究所） ； Department of Surgery（外科医学系） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出了一种自主不确定性量化技术，用于改进床旁诊断中的神经网络驱动计算传感器系统，通过蒙特卡洛dropout方法提高诊断的准确性和可靠性。
Comments 18 Pages, 5 Figures
Journal ref ACS Nano (2026)
见多识广？评估面向Agent-to-Agent多模态说服的视觉语言模型易受性
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Salesforce AI Research（Salesforce AI研究）
AI总结 本文研究了在多智能体多模态说服场景中，视觉语言模型对多模态内容的易受性，提出了MMPersuade框架和数据集，通过实验揭示了多模态输入在说服中的优势，以及说服对象的领域和格式依赖性，以及心理策略在不同上下文和模型架构下的效果差异。
多尺度科学数据的自适应生成流
机构 * Department of Mathematics, University of California, Los Angeles（加州大学洛杉矶分校数学系） ； Machine Learning Lab, Capital Fund Management（资本基金管理有限公司机器学习实验室） ； Courant Institute, New York University（纽约大学柯朗研究所）
AI总结 本文提出了一种多尺度科学数据生成模型，通过设计噪声分布和插值计划，解决多尺度傅里叶谱数据中的数值挑战，提高了生成样本的质量和效率。
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
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