高校专区
基于尖锐度的最小化可能产生幻觉最小值
机构 * Department of Electrical and Computer Engineering, Seoul National University（电子与计算机工程系，首尔国立大学） ； Department of Mathematics, University of California, Los Angeles（数学系，加州大学洛杉矶分校）
AI总结 本文揭示了基于尖锐度的最小化方法可能产生幻觉最小值的问题，并提出通过预热 SGD 来缓解该问题。
利用子空间系统识别和定制机器学习算法进行无创性颅内压估计：一种学习排序方法
机构 * Department of Computer Science（计算机科学系） ； Cranberry-Lemon University（Cranberry-Lemon 大学） ； Department of Electrical Engineering（电气工程系） ； Mount-Sheikh University（Mount-Sheikh 大学） ； Center for Data Science（数据科学中心） ； Emory University（埃默里大学） ； University of California, Davis（加州大学戴维斯分校） ； São Paulo University（圣保罗大学） ； Wroclaw University of Science and Technology（沃拉日大学科学与技术大学） ； Wroclaw Medical University（沃拉日医学院） ； NeuraSignal（NeuraSignal 公司） ； University of California, San Francisco（加州大学旧金山分校） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本研究提出了一种结合系统识别和排序约束优化的机器学习方法，用于无创估计颅内压，展示了其在临床中的应用潜力。
Comments 17 pages, 9 figures
用于弱配对多模态数据的组对比学习
机构 * Research and Early Development (gRED), Genentech（Genentech 研究与早期发展部门） ； UCLA（加州大学洛杉矶分校） ； Biology Research | AI Development (BRAID), Genentech（Genentech 生物研究 | 人工智能开发部门） ； Genentech Computational Sciences NYU（Genentech 计算科学与纽约大学）
AI总结 GROOVE通过组级对比学习方法，有效处理弱配对多模态数据，提升跨模态匹配与填补任务的性能。
SymPlex：一种结构感知的Transformer用于符号偏微分方程求解
机构 * Department of Mathematics, University of California, Los Angeles, Los Angeles, CA, USA（加州大学洛杉矶分校数学系） ； Mechanical and Aerospace Engineering, University of California, Los Angeles, Los Angeles, CA, USA（加州大学洛杉矶分校机械与航空航天工程系） ； Office of Advanced Research Computing (OARC), University of California, Los Angeles, Los Angeles, CA, USA（加州大学洛杉矶分校高级计算研究办公室）
AI总结 SymPlex通过结构感知的Transformer在符号表达式空间中求解PDE，实现可解释的解析解。
Comments 27 pages
通过自适应频谱塑造实现数据驱动的图滤波器
机构 * University of Oxford, Department of Engineering Science（牛津大学工程科学系） ； University of California, Los Angeles, Department of Mathematics（加州大学洛杉矶分校数学系）
AI总结 本文提出自适应频谱塑造方法，通过学习基频谱核和调整参数实现高效图滤波，支持跨图迁移和可解释性。
什么使一个好的例子？用神经网络表示进行实例选择建模
机构 * Department of Psychology, University of Southern California（心理学系，南加州大学） ； Department of Statistics and Data Science, University of California, Los Angeles（统计与数据科学系，加州大学洛杉矶分校）
AI总结 本文通过神经网络表示和原则性子集选择标准建模人类实例选择，发现联合代表性与多样性结合的策略最能反映人类判断，且转换器表示比卷积网络更符合人类行为。
特征、对齐与监督在类别学习中的作用：基于儿童与神经网络的比较方法
机构 * Department of Psychology, University of Southern California（南加州大学心理学系） ； Department of Statistics and Data Science, University of California, Los Angeles（加州大学洛杉矶分校统计与数据科学系）
AI总结 本文通过比较儿童与神经网络在少量半监督类别学习任务中的表现，揭示了监督、特征结构和对齐在学习过程中的相互作用。
无需训练的多模态掩码扩散模型自校正
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Mohamed bin Zayed University of Artificial Intelligence（莫莫德·本·扎耶德人工智能大学） ； East China Normal University（华东师范大学） ； University of Virginia（弗吉尼亚大学） ； University of Minnesota（明尼苏达大学） ； Drexel university（德雷塞尔大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Toronto（多伦多大学）
AI总结 本文提出无需训练的多模态掩码扩散模型自校正方法，通过减少采样步骤提升生成质量，适用于文本到图像和多模态理解任务。
为抵御网络攻击，我们必须教AI代理黑客
机构 * Monash University（墨尔本大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； National University of Singapore（新加坡国立大学）
AI总结 本文主张AI代理驱动的网络攻击不可避免，需转变防御策略，提出构建全面基准、发展训练代理发现漏洞及实施治理限制进攻性AI能力，以负责任地掌握进攻性AI能力作为防御基础设施。
量化-小TinyLLaVA：一种新的多模态基础模型实现了高效的分裂学习
机构 * Department of Statistics University of Michigan（统计学系密歇根大学） ； Department of Computational Medicine & Bioinformatics University of Michigan（计算医学与生物信息学系密歇根大学） ； Department of Biostatistics University of Michigan（生物统计学系密歇根大学） ； Department of Computer Science University of California, Los Angeles（计算机科学系加州大学洛杉矶分校）
AI总结 Quantized-TinyLLaVA通过量化压缩和高效分裂学习框架，在减少通信开销的同时保持模型性能，提升隐私保护能力。
超越显而易见的必要性：在结果监督下扩展训练时间推理长度的隐藏收益
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出在结果监督下扩展训练时间推理长度可提升模型鲁棒性，通过理论和实验揭示增加推理长度对超出分布性能的积极影响。
迈向基于几何二级结构模样的多尺度蛋白质学习
机构 * Department of Mathematics and Scientific Computing and Imaging (SCI) Institute University of Utah（数学与科学计算与成像研究所（SCI）大学） ； Department of Mathematics, UCLA（数学系，加州大学洛杉矶分校） ； Department of Mathematics, UC Davis（数学系，加州大学戴维斯分校）
AI总结 本文提出了一种针对蛋白质的多尺度图学习框架，通过分层图结构和双GNN模型提升结构预测精度并降低计算成本。
Comments Published in NeurIPS 2025
RMFlow：通过噪声注入步骤细化均流以实现多模态生成
机构 * Department of Mathematics and Scientific Computing and Imaging (SCI) Institute University of Utah（数学与科学计算及成像学院（SCI）院，犹他大学） ； Department of Mathematics, UCLA（数学系，加州大学洛杉矶分校）
AI总结 RMFlow通过引入噪声注入步骤，改进均流模型，实现高效多模态生成，仅需单次功能评估即可达到接近最先进的性能。
Comments Accepted to ICLR 2026
Sobolev空间中的有害过拟合
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 研究Sobolev空间中函数的泛化行为，揭示在足够正则性假设下，近似范数最小化插值器存在有害过拟合现象。
数据分布作为引导优化器实现LLM超一般化的杠杆
机构 * 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）
AI总结 通过调整训练数据分布降低简单性偏见，提升大型语言模型的泛化能力，实验表明在数学推理任务中性能提升达18%。
在考虑不确定性量化下的回报率约束下的自动出价
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 本文提出了一种基于符合预测的自动出价方法，在考虑不确定性量化的情况下，通过机器学习提升回报率约束下的性能。
LoRA是实现推理LLM安全对齐的全部需求
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 LoRA通过在拒绝数据集上进行有监督微调，有效解决推理LLM的安全对齐问题，同时保持推理性能，适用于多种模型和基准测试。
文本就是视觉-语言模型劫持所需
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 Text-DJ通过将文本转换为图像并诱导干扰，成功绕过视觉-语言模型的安全防护，揭示了OCR能力在面对分散多模态输入时的脆弱性。
扩散模型与流匹配的对齐方法用于文本到图像生成
机构 * Department of Statistics, University of California, Los Angeles（加州大学洛杉矶分校统计学系） ； Department of Industrial and Systems Engineering, University of Minneasota（明尼苏达大学工业与系统工程系） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院）
AI总结 本文提出了一种无需微调的对齐框架，通过分数指导和速度指导分别优化扩散模型和流匹配模型，显著降低计算成本并提升生成质量。
通过置信区间实现的不确定性感知多模态学习
机构 * Department of Statistics and Data Science, UCLA（统计与数据科学系， UCLA） ； Merck & Co（默克公司） ； Department of Biostatistics, UCLA（生物统计学系， UCLA） ； Departments of Statistics and Data Science, and of Biostatistics, UCLA（统计与数据科学系以及生物统计学系， UCLA）
AI总结 本文提出了一种结合Shapley值与符合推断的框架，用于构建不确定性感知的重要性区间，从而实现更可靠和可解释的多模态学习。
ALIGN: 多智能体LLM推理中的对齐委托与性能保证
机构 * Department of Biostatistics, UCLA（生物统计学系，加州大学洛杉矶分校） ； Department of Statistics and Data Science, UCLA（统计学与数据科学系，加州大学洛杉矶分校） ； Department of Computer Science, UCLA（计算机科学系，加州大学洛杉矶分校） ； Departments of Statistics and Data Science, and of Biostatistics, UCLA（统计学与数据科学系和生物统计学系，加州大学洛杉矶分校）
AI总结 ALIGN通过多智能体对齐委托机制，提升大语言模型在复杂推理任务中的性能保障与表现。
简单的角色分配在安全对齐中表现尤为有效
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Tianjin University（天津大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学） ； Beijing Institute of General Artificial Intelligence（北京一般人工智能研究院）
AI总结 本研究提出基于角色条件化的安全对齐方法，通过角色隐含编码价值观和认知模式，有效降低不安全输出，适用于多种AI对齐任务。
FraudShield: 基于知识图谱的LLM对抗欺诈攻击防御方案
机构 * Zhejiang University（浙江大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； OPPO Research Institute（OPPO研究院） ； Zhejiang Key Laboratory of Decision Intelligence（浙江决策智能重点实验室）
AI总结 FraudShield通过构建欺诈战术-关键词知识图谱，提升LLM对抗欺诈攻击的能力，实验显示其在多个LLM和欺诈类型上表现优异，且提供可解释的防御线索。
Comments WWW 2026
MARS-M：当方差减少与矩阵相遇
机构 * Department of Computer Science, University of California, Los Angeles, CA, USA（计算机科学系，加州大学洛杉矶分校）
AI总结 MARS-M通过结合MARS的方差减少技术与Muon，实现了更高效的优化收敛速度和更优的训练性能。
IRIS：内在奖励图像合成
机构 * Department of Computer Science, University of California, Los Angeles, USA（计算机科学系，加州大学洛杉矶分校）
AI总结 IRIS通过内在奖励提升自回归T2I模型性能，改进图像生成质量并促进细致推理。
MolX: 通过多模态扩展增强大型语言模型的分子理解能力
机构 * University of Notre Dame, IN, USA（诺丁汉大学） ； University of California, Los Angeles, CA, USA（加州大学洛杉矶分校）
AI总结 MolX通过多模态扩展提升LLM对分子的理解能力，利用SMILES和分子图提取细粒度特征，并结合分子指纹提升性能，有效提升分子相关任务表现。
Comments MLoG-GenAI@KDD'25
SWE-Spot：构建基于仓库的小型专家
机构 * Department of Computer Science, Columbia University, New York, USA（哥伦比亚大学计算机科学系） ； Computer Science Department, University of California, Los Angeles, California, USA（加州大学洛杉矶分校计算机科学系）
AI总结 SWE-Spot提出仓库导向学习范式，通过参数知识获取训练小型专家模型，提升代码任务表现并降低推理成本。
WorldBench: 为世界模型诊断评估进行物理辨析
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Sony AI（索尼人工智能） ； Yale University（耶鲁大学） ； DEVCOM Army Research Laboratory（陆军研究实验室）
AI总结 WorldBench通过概念特定的解耦评估，提升世界模型的物理推理能力评估的准确性和可扩展性。
Comments Webpage: https://world-bench.github.io/
重新思考创造力评估：对现有创造力评估方法的批判性分析
机构 * Graduate Institute of Communication Engineering, National Taiwan University（台湾大学通信工程研究院） ； Computer Science Department, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系） ； Graduate Institute of Networking and Multimedia, National Taiwan University（台湾大学网络与多媒体研究院） ； Department of Electrical Engineering, National Taiwan University（台湾大学电子工程系）
AI总结 本文批判性分析现有创造力评估方法，发现其在不同领域和度量标准间存在局限性，需发展更稳健的评估框架。
Comments EACL 2026
注意偏移：使用Delta SSL嵌入来增强儿童ASR
机构 * University of California, Los Angeles Department of Electrical
AI总结 本文提出使用delta SSL嵌入融合提升儿童ASR性能，通过实验验证delta嵌入在提升WER方面的有效性。
Comments ICASSP 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