高校专区
基于层次化基序的多模态蛋白质嵌入增强蛋白质-蛋白质相互作用预测
机构 * National University of Singapore（新加坡国立大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出MMM-PPI模型，通过层次化基序的多模态编码（微观、中观、宏观三尺度）整合序列、结构和功能信息，提升蛋白质-蛋白质相互作用预测性能。
RogueMerge: 针对大语言模型合并的鲁棒统一攻击
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出RogueMerge框架，通过联合优化、元学习模拟和分布鲁棒优化，解决模型合并中针对自回归生成、未知合并配置和攻击提示泛化的三大挑战，实现鲁棒且统一的攻击。
桥接预测不确定性与安全行动：面向自动驾驶的样本条件可微分规划
机构 * Robotics and Autonomous Systems Thrust, The Hong Kong University of Science and Technology（香港科学与技术大学机器人与自主系统方向） ； Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港科学与技术大学电子与计算机工程系） ； Department of Civil and Environmental Engineering, University of California, Los Angeles（加州大学洛杉矶分校土木与环境工程系） ； School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院）
AI总结 提出一种样本条件可微分规划框架，通过扩散模型生成多样未来场景并直接输入可微分规划器，利用条件风险价值约束缓解预测不确定性，实现安全、高效、舒适的自动驾驶运动规划。
LLM辅助重排序以在推荐系统中实现细微目标
机构 * Department of Communication, University of California, Los Angeles, CA 90095（通信系，加州大学洛杉矶分校，CA 90095） ； Department of Computer and Information Science, University of Pennsylvania, Philadelphia, PA 19104（计算机与信息科学系，宾夕法尼亚大学，Philadelphia, PA 19104） ； Amenenberg School of Communication, University of Pennsylvania, Philadelphia, PA 19104（安纳伯格通信学院，宾夕法尼亚大学，Philadelphia, PA 19104） ； Operations, Information, and Decisions Department, University of Pennsylvania, Philadelphia, PA 19104（运营、信息与决策系，宾夕法尼亚大学，Philadelphia, PA 19104）
AI总结 本研究通过零样本指令提示对YouTube侧边栏候选进行重排序，发现无约束的LLM辅助重排序会放大极端和阴谋论内容，而轻量级提示正则化可在轻微损失相关性的情况下减少极端内容并增加意识形态多样性。
Comments 30 pages total; 11 pages, 5 figures, 2 tables (main text); 19 pages, 11 figures, 9 tables (appendix)
评估模型编辑中的逆转诅咒
机构 * National Engineering Research Center of Speech and Language Information Processing（语音与语言信息处理国家级工程研究中心） ； University of Science and Technology of China（中国科学技术大学） ； iFLYTEK Research（iFLYTEK研究院） ； University of California, Los Angeles（美国加州大学洛杉矶分校）
AI总结 本文研究双向语言模型编辑，提出反向泛化指标并构建BAKE基准，发现多数编辑方法在反向评估中存在系统性缺陷，并分析逆转诅咒的成因及缓解策略。
Comments Accepted by TMLR
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
nuReasoning：面向长尾自动驾驶的推理中心数据集与基准
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Motional
AI总结 提出nuReasoning数据集，包含2万段20秒长尾驾驶场景的推理标注，支持空间、决策和反事实推理评估，并证明推理监督可提升VLM和VLA的驾驶性能。
引导对比令牌信用分配用于离散策略优化
机构 * UCLA ； Panasonic AI Research（松下人工智能研究） ； NVIDIA（英伟达）
AI总结 针对组优势强化学习方法中令牌级信用分配缺失的问题，提出引导对比策略优化（GCPO），通过正负提示下的对比预测分配令牌级优势，在文本到图像生成和思维链推理任务上优于GRPO和DAPO。
Comments 21 pages, 11 figures
REAL: 面向LLM评判的回归感知强化学习
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； The University of Texas at Austin（得克萨斯大学奥斯汀分校） ； Google Research Now at Google DeepMind（谷歌研究 现在在谷歌深Mind）
AI总结 提出REAL框架，通过广义策略梯度将回归目标融入强化学习，优化LLM作为评分器的数值评估，在多个规模模型上超越SFT和标准RL方法。
Comments Accepted to ICML 2026. The first two authors contributed equally
谁获得功劳或责备？在现代AI系统中分配责任
机构 * Harvard University, Cambridge, MA, USA（哈佛大学） ； University of California, Los Angeles, Los Angeles, CA, USA（加州大学洛杉矶分校） ； University of Illinois Urbana-Champaign, Urbana-Champaign, IL, USA（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出一个归因框架，通过反事实问题量化模型开发各阶段（预训练、微调等）对最终行为的影响，并设计无需重训练的估计器，成功识别并移除多阶段任务中的虚假关联。
表格语言模型中的泛化错觉
机构 * University of California, Los Angeles, USA（加州大学洛杉矶分校） ； IT University of Copenhagen, Denmark（哥本哈根IT大学）
AI总结 通过系统评估Tabula-8B在165个数据集上的表现，发现其声称的泛化能力主要源于评估伪影（如数据污染和格式熟悉度），而非真正的表格推理。
Journal ref In Proc. 43th International Conference on Machine Learning (ICML 2026)
TIC-VLA：一种用于动态环境中机器人导航的思考控制视觉-语言-动作模型
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出TIC-VLA模型，通过显式建模推理延迟并引入延迟语义-控制接口，结合异步训练流程，解决动态环境中视觉-语言-动作模型的推理与实时控制异步问题，在仿真和真实机器人上优于先前模型。
Comments International Conference on Machine Learning (ICML) 2026
超越听觉：通过生理学启发的标记化从耳机学习任务无关的ExG表示
机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Cambridge（剑桥大学） ； Shanghai Jiao Tong University（上海交通大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； UCLA（加州大学洛杉矶分校） ； Northwest University（北华大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft Research（微软研究院）
AI总结 提出一种基于耳机的生理学启发的多频带标记化方法（PiMT），通过无干扰的日常ExG数据采集和重建任务学习鲁棒表示，实现跨多种任务（包括五种人类感官）的通用ExG监测。
Comments Accepted to ICLR 2026
TriSearch：通过双星翻转学习优化三角剖分
机构 * UCLA（加州大学洛杉矶分校） ； MPI MiS（马克斯·普朗克研究所（MiS））
AI总结 提出基于强化学习的框架TriSearch，利用电路支撑的子三角剖分动作表示，通过双星翻转优化多面体三角剖分目标，实现零样本泛化到更大实例。
Token通胀：不诚实的提供商如何对大型语言模型使用超额收费
机构 * University of Tennessee, Knoxville（田纳西大学，基洛纳分校） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 研究揭示了基于每token计费的大型语言模型商业服务中，提供商利用审计信任悖论系统性地虚报token数量，导致用户费用大幅增加的问题。
自适应指数积分用于稳定高斯混合黑箱变分推断
机构 * School of Mathematical Sciences, Peking University, Beijing, China（北京大学数学科学学院） ； Department of Mathematics, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校数学系） ； Beijing International Center for Mathematical Research, Center for Machine Learning Research, Peking University, Beijing, China（北京国际数学研究中心，机器学习研究中心，北京大学，北京，中国）
AI总结 针对高斯混合黑箱变分推断的不稳定和低效问题，提出结合仿射不变预处理、无条件保持协方差正定性的指数积分器和自适应时间步长的稳定高效框架，并证明其收敛性。
Comments 41 pages, 10 figures
基于生成轨迹策略的离线强化学习
机构 * School of Computing, Data Sciences ； Computer Engineering Department, UCLA, Los Angeles, USA
AI总结 本文提出生成轨迹策略（GTP），通过统一扩散、流匹配和一致性模型为常微分方程驱动的连续时间生成轨迹，并引入两种理论自适应方法，在D4RL基准上达到最先进性能。
Comments ICML 2026
基于季节性空间先验和LLM活动链生成的GPS增强游客移动性建模
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，加州大学洛杉矶分校） ； Novateur Research Solutions（Novateur研究解决方案） ； University of Central Florida（中央佛罗里达大学）
AI总结 提出一种四阶段仿真框架，结合GPS和调查数据推导的月份条件空间先验、游客人口统计信息、距离可行区域序列分配以及基于LLM的活动链生成，以解决游客移动性建模中非例行、吸引驱动且对旅行目的、季节和成员组成高度敏感的问题。
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