高校专区
大规模标准化医学图像以促进AI
机构 * ECE Department, UCLA（UCLA电子工程系） ； Pinpoint Photonics, Inc.（Pinpoint Photonics公司） ； Adventure Photonics
AI总结 本文提出基于物理原理的医学图像预处理框架，通过光学物理推导确定性变换，减少图像异质性，提升跨机构模型泛化能力，实验显示其在乳腺癌分类中效果优于数据增强和领域泛化方法。
CXR-LT 2026挑战概述：多中心长尾和零样本胸片分类
机构 * Weill Cornell Medicine（韦尔·科恩医学中心） ； Peking Union Medical College（北京协和医学院） ； University of Minnesota（明尼苏达大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 该研究提出CXR-LT 2026挑战，通过多中心数据集和两个核心任务，解决胸片分类中的长尾分布和零样本泛化问题，验证大规模视觉-语言预训练对零样本诊断的提升作用。
分布外图模型融合
机构 * School of Computing and Information Technology, Great Bay University（大湾大学计算与信息学院） ； School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件工程学院） ； Department of Computer Science, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系） ； Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系）
AI总结 本文提出一种图生成策略，通过MoE模块和掩码机制融合多个领域预训练图模型，实现跨领域适应，无需源目标域数据。
SNCE：面向可扩展离散图像生成的几何感知监督
机构 * Adobe ； UCLA
AI总结 本文提出SNCE，一种新的训练目标，通过构建软类别分布解决大代码书离散图像生成的优化问题，提升收敛速度和生成质量。
Comments 21 pages, 4 figures
第一人称世界模型用于逼真手-物体交互合成
机构 * Texas A&M University（德克萨斯A&M大学） ； University of Minnesota（明尼苏达大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； Amazon（亚马逊） ； State University of New York at Stony Brook（纽约州立大学石溪分校）
AI总结 本文提出EgoHOI模型，通过动作信号模拟物理一致的交互，克服了高速头部运动、严重遮挡和高自由度手部运动带来的挑战，实验验证其有效性。
Pragma-VL：迈向多模态大语言模型中安全与助人的务实仲裁
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Ant Group（蚂蚁集团） ； Zhejiang University（浙江大学） ； UCLA（加州大学洛杉矶分校） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 Pragma-VL通过引入一种端到端的对齐算法，解决了多模态大语言模型在安全与助人之间的平衡问题，通过增强视觉风险感知和理论保证的奖励模型，在多数多模态安全基准上提升了性能。
Comments 31 pages, ICLR2026
参数最优控制问题的零样本可迁移求解方法
机构 * Oden Institute, UT Austin（UT奥斯汀奥登研究所） ； Department of Mathematics, UCLA（加州大学洛杉矶分校数学系） ； Department of Mathematical and Statistical Sciences, Clemson University（克莱姆斯大学数学与统计学系） ； Department of Civil and Systems Engineering, Johns Hopkins University（约翰霍普金斯大学土木与系统工程系）
AI总结 本文提出了一种基于函数编码器的可迁移求解方法，通过离线-在线分解实现对参数最优控制问题的高效零样本适应。
Comments 11 pages, 6 figures, 3 tables
用于神经链接预测器的时序平滑正则化器
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学）
AI总结 本文提出了一种基于时间平滑正则化器的神经链接预测方法，在三个数据集上实现了更准确的结果。
LITHE：连接最佳努力Python与实时C++以实现机器人控制律的热插拔
机构 * Department of Mechanical and Aerospace Engineering, University of California Los Angeles（加州大学洛杉矶分校机械与航空航天工程系）
AI总结 LITHE通过轻量级架构实现Python与C++的实时控制律热插拔，提升机器人系统在动态环境中的适应能力。
Comments 8 pages, 5 figures. Submitted to IEEE/RSJ International Conference on Intelligent Robots & Systems (IROS) 2026
基于视觉的目标导向抓取与振动的机器人授粉在受控环境中应用
机构 * Department of Artificial Intelligence, Korea University（韩国大学人工智能系） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Department of Mechanical & Aerospace Engineering, 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 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 本研究提出了一种基于视觉的机器人授粉系统，结合3D重建、抓取规划和振动建模，实现精准授粉并验证其有效性。
Comments YouTube: https://youtu.be/XHLA7pEXhZU; GitHub: https://github.com/StructuresComp/robotic-pollination
开放词汇伪装物体分割与级联视觉语言模型
机构 * Shanghai University（上海大学） ； UCLA（美国大学联盟） ； Nankai University（南开大学）
AI总结 本文提出了一种基于视觉语言模型的级联框架，用于解决开放词汇伪装物体分割中的领域差距和分割精度问题，通过共享VLM实现高效且语义一致的分割与分类。
Comments Accepted to Computational Visual Media (CVMJ) 2026
SwingArena: 用于长上下文GitHub问题解决的竞争性编程竞技场
机构 * The University of Hong Kong（香港大学） ； University of California Los Angeles（加州大学洛杉矶分校） ； Tsinghua University（清华大学） ； University of Michigan Ann Arbor（密歇根大学安娜堡分校） ； The Ohio State University（俄亥俄州立大学） ； University of Edinburgh（爱丁堡大学） ； The Chinese University of Hong Kong（香港中文大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； LMSYS Org（LMSYS组织）
AI总结 SwingArena是一个用于评估LLM在真实CI驱动软件开发环境中性能的竞争性编程竞技场，通过模拟软件迭代过程，结合检索增强型代码生成模块，实现对长上下文问题的高效处理。
Comments The paper has been accepted as an oral presentation at ICLR 2026
预测驱动的条件推断
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出一种预测驱动的条件推断方法，在标记数据稀缺的情况下利用机器学习预测器和未标记协变量，通过局部化与方差缩减技术提高统计效率，实现更精确的置信区间估计。
具有稀疏监督的不确定性校准时空场扩散
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Brookhaven National Laboratory（布鲁克海文国家实验室）
AI总结 SOLID通过稀疏监督学习时空动态，实现高精度不确定性校准的场重建。
Comments 18 pages, 9 figures, 6 tables
迈向更公平的非负矩阵分解
机构 * Department of Mathematics, California State University, Fullerton（数学系，加州州立大学，弗里蒙特分校） ； Department of Mathematics, University of California, San Diego（数学系，加州大学圣地亚哥分校） ； Department of Mathematics, University of California, Los Angeles（数学系，加州大学洛杉矶分校） ； McCormick School of Engineering Northwestern University（工程学院，西北大学） ； Department of Mathematics Amherst College（数学系，阿默斯特学院） ； Department of Industrial Engineering and Operations Research Univ. of California, Berkeley（工业工程与运筹学系，加州大学伯克利分校）
AI总结 本文提出了一种改进的非负矩阵分解方法，通过min-max公式优化公平性，同时指出公平性并非绝对，方法选择需根据具体应用调整。
我们是否需要所有合成数据？通过扩散模型的目标图像增强
机构 * University of California Los Angeles (UCLA)（加州大学洛杉矶分校） ； Ecole Polytechnique Federale de Lausanne (EPFL)（瑞士联邦理工学院洛桑分校）
AI总结 TADA通过选择性增强训练初期未被学习的示例，利用扩散模型提高图像分类的泛化能力，实验表明仅增强30-40%的数据即可提升性能。
偏好泄露：作为判断者的LLM中的污染问题
机构 * Arizona State University（亚利桑那州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Notre Dame（诺丁汉大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出偏好泄露问题，揭示LLM作为判断者时因数据生成器与评估者相关性导致的偏见，并通过实验验证其普遍存在性和检测难度。
Comments Accepted by ICLR 2026
基于不确定性的大语言模型提示依赖排序
机构 * Department of Statistics and Data Science, UCLA（统计与数据科学系，加州大学洛杉矶分校） ； Department of Statistics, University of Michigan（统计系，密歇根大学） ； Department of Statistics and Data Science, and of Biostatistics, UCLA（统计与数据科学系及生物统计学系，加州大学洛杉矶分校）
AI总结 本文提出了一种基于提示依赖的排名推断框架，通过统计有效的不确定性保证，改进大语言模型的排名决策。
通过推理时间激活能量缓解对齐大语言模型中的过度拒绝
机构 * UCLA（加州大学洛杉矶分校） ； Alibaba Cloud Computing（阿里云计算） ； SJTU（上海交通大学） ； Alibaba Group（阿里巴巴集团） ； NTU（国立科技大学）
AI总结 通过能量景观引导框架，提升大语言模型的安全性并减少虚假拒绝，实验显示在ORB-H基准上合规性显著提高。
SceneStreamer: 作为下一个token组预测的连续场景生成
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 SceneStreamer通过自回归框架实现连续场景生成，支持动态代理群体的长期模拟，生成真实多样化的交通行为并提升强化学习策略的鲁棒性。
可信治理：在弱真相信号下的一种社会机制，用于集体自我校正
机构 * School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院） ； Tsinghua University（清华大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI）
AI总结 可信治理通过动态可信度评分和可信度加权背书，提升集体自我校正能力，减少虚假信息影响。
在KL散度下无维度收敛的欠阻尼朗之万蒙特卡洛
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出了一种在KL散度下无维度收敛的欠阻尼朗之万蒙特卡洛方法，通过改进的KL局部误差框架，得出了依赖于Hessian迹而非维度的收敛界限。
Comments 51 pages, 1 table
GLIDE-Reg：基于协同优化基础和手工特征的全局到局部可变形配准
机构 * 1 Medical \& Imaging Informatics, Department of Radiological Sciences, David Geffen School of Medicine at UCLA, USA 2 Magnetic Resonance Research Labs, Department of Radiological Sciences, David Geffen School of Medicine at UCLA, USA 3 Department of Radiation Oncology, David Geffen School of Medicine at UCLA, Los Angeles, USA
AI总结 GLIDE-Reg通过协同优化基础和手工特征，实现全局到局部的可变形配准，提升空间分辨率和解剖覆盖差异下的鲁棒性与泛化能力。
多头低秩注意力
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； University of Connecticut（康涅狄格大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本研究提出多头低秩注意力机制，通过高效4路张量并行解码，显著提升大型语言模型的解码速度和性能。
Comments Accepted by ICLR 2026
KL正则化多臂老虎机的近最优后悔
机构 * Department of Computer Science, University of California, Los Angeles, CA 90095, USA（计算机科学系，加州大学洛杉矶分校）
AI总结 本文提出了一种针对KL正则化多臂老虎机的近最优后悔分析方法，通过新颖的剥皮论证得出高概率后悔界，并在不同正则化范围内提供了全面的理论保证。
通过可计算的轨迹控制学习结构化推理
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Apple（苹果公司）
AI总结 Ctrl-R通过可计算的轨迹控制学习结构化推理，提升复杂问题解决的多样化推理能力。
OmniVLA：具有统一多传感器感知的物理基础多模态VLA
机构 * Princeton University（普林斯顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 OmniVLA通过整合多种传感器模态，提升机器人操作的感知能力与任务成功率。
Comments Accepted by ICRA'26
理解训练数据在测试时扩展中的作用
机构 * University of Southern California（南加州大学） ； Google Research（谷歌研究） ； University of California Los Angeles（加州大学洛杉矶分校）
AI总结 本文研究了训练数据对测试时扩展性能的影响，发现增加计算量可减少上下文长度并提升模型表现，但若训练数据缺乏必要技能则可能损害性能。
Comments 25 pages, 5 figures, accepted in ICLR 2026
追逐尾部：基于评分标准的奖励建模以实现大语言模型的后训练效果
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Scale AI, Inc.（Scale AI 公司） ； University of Chicago（芝加哥大学）
AI总结 本文提出基于评分标准的奖励建模方法，通过关注高奖励区域以缓解大语言模型强化微调中的奖励过度优化问题，并实现有效的后训练改进。
Comments In ICLR 2026
改变训练数据分布以减少简单性偏差以提高分布内泛化能力
机构 * Department of Computer Science, UCLA（计算机科学系， UCLA）
AI总结 通过改变训练数据分布以减少简单性偏差，提高分布内泛化能力，该方法在多种数据集上实现了最先进的性能。
Comments 43 pages, 15 figures, 9 tables, link: https://github.com/BigML-CS-UCLA/TADA
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