高校专区
TRAM：用于低功耗AI加速器的近似乘法结构训练
机构 * Eindhoven University of Technology（埃因霍温理工大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Chinese University of Hong Kong（香港中文大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 TRAM通过联合优化近似乘法结构与AI模型参数，实现低功耗与小精度损失的平衡，实验显示在CNN和视觉Transformer上分别达到25.05%和27.09%的功耗降低。
SLAM：语言模型的结构语言激活标记
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 SLAM通过在结构几何中嵌入水印而非词频，实现了高检测准确率且低质量损失，优于现有方案。
Comments Under review
寻找联系：多表合成数据设置中的成员推断攻击
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Purdue University（普渡大学）
AI总结 本文提出多表成员推断攻击，揭示单表攻击低估用户级隐私泄露问题，通过异构图神经网络评估用户实体的隐私风险。
表格泄露：攻击基于大语言模型的表格数据生成中的字符串记忆化
机构 * University of California Los Angeles（加州大学洛杉矶分校）
AI总结 本文研究了基于大语言模型的表格数据生成中字符串记忆化带来的隐私风险，提出LevAtt攻击方法并设计防御策略，验证了其有效性。
通过局部似然攻击实现合成数据发布的隐私审计
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Purdue University（普渡大学）
AI总结 本文提出Gen-LRA算法，通过评估测试观测对代理模型局部似然比的影响，有效检测合成数据释放中的隐私泄露问题，验证了其在不同数据集和模型架构上的优越性。
在现实世界中大型语言模型的幻觉：来自不存在引用的大规模证据
机构 * Department of Information Science, Cornell University（信息科学系，康奈尔大学） ； Department of Sociology, University of California Los Angeles（社会学系，加州大学洛杉矶分校） ； Department of Computer Science and Technology, Tsinghua University（计算机科学与技术系，清华大学） ； Haas School of Business, University of California Berkeley（哈斯商学院，加州大学伯克利分校）
AI总结 研究通过验证引用数据揭示LLM生成虚假引用的问题，发现2025年存在146932个虚假引用，且在AI应用快速发展的领域和语言特征显示AI辅助写作的论文中尤为严重，影响科学认可的公平性。
收敛差距：指令微调语言模型在前向传递后期趋于稳定
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 研究发现指令微调模型在前向传递后期更接近最终预测，通过分析六个预训练和指令微调检查点，发现后期MLP层对预测动态有显著影响。
评估大型语言模型在科学发现中的表现
机构 * Deep Principle（深原则） ； Department of Computer Science, Cornell University（计算机科学系，康奈尔大学） ； Department of Computer Science and Engineering, The Ohio State University（计算机科学与工程系，俄亥俄州立大学） ； Department of Chemical Engineering & Applied Chemistry, University of Toronto（化学工程与应用化学系，多伦多大学） ； Department of Computer Science and Engineering, University of Notre Dame（计算机科学与工程系，圣母大学） ； QuEra Computing Inc.（QuEra计算公司） ； Department of Pathology, Department of Genetics, Cancer Biology Program, Stanford University School of Medicine（病理学系、遗传学系、癌症生物学项目，斯坦福大学医学院） ； Harvard Law School（哈佛法学院） ； Department of Computer Science, Tufts University（计算机科学系，塔夫茨大学） ； School of Computational Science and Engineering, Georgia Institute of Technology（计算科学与工程学院，佐治亚理工学院） ； Department of Computer Science, University of California, Los Angeles（计算机科学系，加州大学洛杉矶分校） ； Department of Computer Science, Virginia Tech（计算机科学系，弗吉尼亚理工大学） ； Department of Physics, Tsinghua University（物理系，清华大学） ； Institute for Advanced Study, Tsinghua University（清华大学高级研究所） ； Laboratory of Artificial Chemical Intelligence, Ecole Polytechnique Federale de Lausanne（人工化学智能实验室，瑞士联邦理工学院）
AI总结 本文提出一个基于场景的基准测试，评估LLM在生物学、化学、材料科学和物理学中的科学发现能力，揭示了模型在科学发现任务中的性能差距和改进方向。
直接推理优化：基于推理反射的令牌级推理与评分门控用于不可验证任务
机构 * Microsoft（微软公司） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出了一种约束强化学习框架，通过令牌级推理反射奖励和评分门控优化不可验证任务的推理质量与学习效率。
DINORANKCLIP：基于DINOv3蒸馏与注入的视觉-语言预训练高阶排名一致性方法
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Aimaikj（阿米亚克j） ； 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） ； Chinese Academy of Sciences（中国科学院） ； National University of Defense Technology（国防科技大学）
AI总结 DINORANKCLIP通过融合DINOv3教师模型与高阶排名一致性损失，改进CLIP在视觉-语言预训练中的表现，提升细粒度和分布外推理能力。
Comments 18 pages, 7 figures, 9 tables. Code will be made publicly available upon acceptance
离散弹性带：一种统一的离散微分几何框架用于一维能量模型
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出一种基于离散微分几何的统一框架，用于建模一维能量模型，比较了五种弹性带模型，并验证了Sano模型在捕捉宽度依赖效应方面的准确性。
Comments 59 pages, 9 figures, 5 tables. Source code available on https://github.com/StructuresComp/discrete-elastic-ribbon and https://github.com/StructuresComp/discrete-elastic-ribbon-jax
Laya: 一种基于联合嵌入预测架构的EEG方法
机构 * Department of Medical Informatics（医学信息学系） ； UCLA（美国加利福尼亚大学洛杉矶分校） ； Department of Cognitive Science（认知科学系） ； UCSD（美国圣地亚哥大学） ； David Geffen School of Medicine（大卫·盖弗医学院） ； Mattel Children’s Hospital（马特尔儿童医院）
AI总结 本文提出Laya，一种基于LeJEPA的EEG基础模型，通过预测潜在表示而非信号重建，提升EEG表示的语义结构和临床准确性。
AMSnet-q：无监督的电路识别与性能标注用于AMS电路
机构 * Southern University of Science and Technology（南方科技大学） ； University of California Los Angeles（加州大学洛杉矶分校） ； Tsinghua University（清华大学） ； Eastern Institute of Technology Ningbo（宁波东部技术研究院）
AI总结 AMSnet-q通过无监督方法自动构建AMS电路数据库，实现电路功能验证和性能标注，无需人工干预。
基于POI语义区域和帕累托校准的GPS轨迹中不确定性感知的出行目的推断
机构 * UCLA Mobility Lab, Department of Civil and Environmental Engineering, University of California, Los Angeles（加州大学洛杉矶分校移动实验室，土木与环境工程系） ； Novateur Research Solutions（Novateur研究解决方案）
AI总结 本文提出一种弱监督框架，结合POI语义区域和距离加权空间似然，区分必需和非必需活动的推断策略，并通过多阶段帕累托优化减少出行类型频率、开始时间和持续时间的JSD，提升出行推断可靠性。
SpatialStack：用于3D VLM空间推理的分层几何-语言融合
机构 * XMU（厦门大学） ； UCLA（美国大学） ； Google（谷歌） ； UW-Madison（威斯康星大学麦迪逊分校） ； TAMU（德克萨斯农工大学）
AI总结 本文提出SpatialStack框架，通过分层融合视觉、几何和语言表征，提升3D空间推理能力，实验表明其在多个基准上表现优异。
Comments CVPR 2026, Project Website: https://spatial-stack.github.io/
Semia：通过约束引导的表示合成审计代理技能
机构 * University of California, Santa Barbara（加州大学圣芭芭拉分校） ； 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）
AI总结 Semia通过约束引导的表示合成技术，对代理技能进行静态审计，发现超过一半的技能存在关键语义风险，其召回率和F1值显著优于传统方法。
云比它看起来更近：重新审视分布式实时推理的权衡
机构 * University of California Los Angeles（加州大学洛杉矶分校） ； University of California Riverside（加州大学河滨分校）
AI总结 本文重新审视云推理在实时控制任务中的适用性，通过建立分析模型和仿真实验，证明云平台在高吞吐量资源下可有效缓解网络和排队延迟，从而在安全约束下优于本地推理。
SWAN：面向运行时变化的世界感知自适应多模态网络
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Riverside（加州大学河滨分校） ； U.S. Army DEVCOM Army Research Laboratory（美国陆军 DEVCOM 军事研究实验室）
AI总结 SWAN是一种新型多模态网络，通过动态资源分配和效率优化，在自动驾驶中实现复杂3D检测任务，减少49%的FLOPs并保持性能。
电子结构数据中跨材料的惊人冗余性由内在低维性解释
机构 * Department of Mechanical and Aerospace Engineering, Michigan Technological University, Houghton, MI, USA.（机械与航空航天工程系，密歇根技术大学，霍顿，MI，美国） ； Hopkins Extreme Materials Institute, Johns Hopkins University, Baltimore, MD, USA.（霍普金斯极端材料研究所，约翰霍普金斯大学，巴尔的摩，MD，美国） ； Department of Materials Science and Engineering, University of California, Los Angeles, CA, USA.（材料科学与工程系，加州大学洛杉矶分校，CA，美国） ； Center for Artificial Intelligence, Michigan Technological University, Houghton, MI, USA.（人工智能中心，密歇根技术大学，霍顿，MI，美国）
AI总结 研究揭示电子结构数据中存在显著冗余，归因于数据的低内在维数，通过随机剪枝可大幅减少数据集规模，同时保持预测准确性，提出基于覆盖的剪枝策略能以更少数据维持化学精度和模型泛化能力。
METASYMBO: 多智能体语言引导的超材料发现 via 符号驱动的潜在进化
机构 * Virginia Tech（弗吉尼亚理工大学） ； Meta AI ； University of California Los Angeles（加州大学洛杉矶分校） ； Princeton University（普林斯顿大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出MetaSymbO框架，通过符号驱动的潜在进化实现语言引导的超材料发现，提升结构有效性和语言指导得分，验证其在实际应用中的有效性。
相机-射频识别融合用于森林环境中资产跟踪的鲁棒性
机构 * Department of Mechanical & Aerospace Engineering at the University of California, Los Angeles（加州大学洛杉矶分校机械与航空航天工程系） ； Department of Electrical and Computer Engineering at the University of California, Los Angeles（加州大学洛杉矶分校电气与计算机工程系）
AI总结 本文提出相机-射频识别融合框架，解决森林环境中资产跟踪的轨迹关联问题，实现米级到厘米级精度的融合定位。
Comments 11 Pages, 10 Figures, Submitted and awaiting acceptance at IEEE RFID
EnerGS: 基于部分几何先验的能量场能量基于高斯点散射
机构 * University of California, Los Angeles, California, USA（加州大学洛杉矶分校） ； University of Cambridge, Cambridge, UK（剑桥大学） ； Technical University of Munich, Munich, Germany（慕尼黑技术大学）
AI总结 EnerGS通过建模部分可观测几何为连续能量场，提升大规模户外场景中高斯点散射的光度质量和几何稳定性，同时缓解过拟合问题。
ViPO：大规模视觉偏好优化
机构 * University of Central Florida（中央佛罗里达大学） ； ByteDance Seed（字节跳动种子） ； UCLA（加州大学洛杉矶分校）
AI总结 本文提出ViPO大规模偏好数据集和Poly-DPO方法，通过提升数据质量和算法鲁棒性，实现视觉生成模型的高效偏好优化。
Comments ICLR 2026 Paper. Project Page: https://liming-ai.github.io/ViPO ; Code: https://github.com/liming-ai/ViPO
缓解位置编码失效导致的坐标预测偏差
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Hong Kong University of Science and Technology（香港科技大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； The University of Queensland（昆士兰大学） ； Shanghai University of Finance and Economics（上海财经大学）
AI总结 本文提出VPSG方法，通过shuffle位置编码纠正坐标偏移，提升定位精度，无需重新训练。
BRIEF-Pro：基于短到长合成的通用上下文压缩用于快速准确的多跳推理
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 BRIEF-Pro通过短到长合成实现通用上下文压缩，提升多跳推理的效率和准确性，适用于多种语言模型。
Comments Accepted by ACL 2026 Findings. Code and data: https://github.com/JasonForJoy/BRIEF
VisRet：可视化改进知识密集型文本到图像检索
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 VisRet通过将文本查询投影到图像模态，提升跨模态检索效果，优于传统方法，在四个基准测试中提升nDCG@30，并提高下游问答准确性。
Comments ACL 2026 Camera Ready
向最佳学习：用于模仿学习中数据质量的平滑驱动度量
机构 * Department of Computer Science, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系）
AI总结 本文提出RINSE框架，通过轨迹平滑度评估演示数据质量，改进模仿学习中的数据筛选与重加权，实验证明在不同任务中提升性能。
Comments 8 pages, 5 figures
PExA：复杂文本到SQL的并行探索代理
机构 * University of California Los Angeles（加州大学洛杉矶分校） ； Bloomberg（彭博）
AI总结 本文提出PExA，通过软件测试覆盖视角解决文本到SQL的延迟与性能权衡问题，通过并行执行测试用例确保语义覆盖，最终生成准确的SQL。
Comments Accepted at ACL 2026
隐式哈密顿量最优反馈控制的雅可比自由反向传播收敛性研究
机构 * Department of Applied Mathematics and Statistics, Colorado School of Mines（应用数学与统计学系，科罗拉多矿业学院） ； Department of Mathematical Sciences, Clemson University（数学科学系，克莱姆森大学） ； Department of Mathematics, University of Tennessee Knoxville（数学系，田纳西大学肯尼思维尔分校） ； Department of Mathematics, University of California Los Angeles（数学系，加州大学洛杉矶分校）
AI总结 本文研究了隐式哈密顿量最优控制问题中雅可比自由反向传播的收敛性，证明了在随机小批量设置下其收敛到期望最优控制目标的 stationary 点，并展示了在高维问题中的可扩展性。
Comments 19 Pages, 6 figures, 1 table. Submitted to IEEE Transactions on Automatic Control and is pending review
通过REINFORCE与James-Stein收缩设计实例级采样计划
机构 * Google（谷歌） ； Google DeepMind（谷歌DeepMind） ； UCLA（加州大学洛杉矶分校）
AI总结 本文提出通过REINFORCE学习实例级采样计划，结合James-Stein收缩估计器提升高维策略学习的梯度估计精度，实现文本图像对齐和生成质量提升。
Comments CVPR 2026; 23 pages
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