高校专区
RubricEM: 通过规则引导的策略分解实现超越可验证奖励的元强化学习
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Google Cloud AI Research（谷歌云人工智能研究）
AI总结 RubricEM通过规则引导的策略分解和反思元策略进化，解决深度研究代理在不可验证奖励下的训练问题，实现长周期优化和可重用经验积累。
Comments 63 pages, 6 figures
迈向科学的工程化：在人工智能时代重新平衡生成与验证
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出在AI时代将科学视为工程问题，通过重新平衡生成与验证成本来应对知识污染风险，提出蓝图作为初步的科学基础设施，以结构化分解的研究成果提升验证效率。
Muninn：你的轨迹扩散模型但更快
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Florida International University（佛罗里达国际大学） ； Providence College（普罗维登斯学院）
AI总结 本文提出Muninn，一种无需训练的缓存包装器，通过利用扩散轨迹规划器的两个信号，减少去噪器计算，实现轨迹扩散模型的实时应用，提升速度并保证性能和安全性。
Comments Accepted to Robotics: Science and Systems 2026
自我进化代理会遗忘吗？在终身大语言模型代理适应中的能力退化与保持
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究探讨了自我进化过程中能力退化现象，提出能力保持进化原则，通过四种进化维度提升能力稳定性与适应性能。
低成本神经辐射场
机构 * University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文比较了三种加速NeRF变体，探讨了低计算、低数据场景下的扩展。通过添加深度监督损失、分析特征解码MLP和提出HashNeRF的四种架构变体，研究了PSNR与训练时间的权衡。
Comments 7 pages
离散 Langevin 激发后验采样
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出离散 Langevin 激发后验采样方法，用于在离散状态空间中解决逆问题，通过梯度信息指导离散移动，实现高效的并行更新，适用于多种逆问题场景。
结构对齐提升图测试时间适应
机构 * Georgia Tech（佐治亚理工学院） ； UIUC（伊利诺伊大学香槟分校）
AI总结 本文提出结构对齐方法，通过在推理时调整图结构来提升图测试时间适应性能，无需重新训练，有效应对分布偏移问题。
Comments Accepted to AISTATS 2026
Jailbreak攻击的艺术：为LLM安全制定超越二进制评分的Jailbreak攻击
机构 * Department of Computer Science, University of Texas at El Paso（德克萨斯大学埃尔帕索分校计算机科学系） ； School of Computing, Southern Illinois University Carbondale（南方伊利诺伊大学卡罗尔丹分校计算学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出大规模组合式Jailbreak数据集、自动化生成方法及OPTIMUS评估器，系统性解决Jailbreak攻击的生成、分类与评估问题，揭示了安全与隐蔽最优区域。
Comments This paper is under review on of top security venues
面向依赖关系的离散扩散用于场景图生成
机构 * University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出一种依赖感知的层次约束离散扩散模型，用于生成场景图，通过分离结构与语义，提升生成的依赖关系和层次结构，实验显示在场景图和布局指标上优于基线方法，并在多对象场景中提升图像生成的对齐效果。
生成无泄漏的基准以评估鲁棒的RAG
机构 * Department of Computer Science, Purdue University（普渡大学计算机科学系） ； New Jersey Institute of Technology（新泽西理工学院） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Microsoft Research（微软研究院）
AI总结 本文提出SeedRG方法，通过半合成方式生成无知识泄漏的RAG评估基准，解决基准老化问题，确保评估的有效性。
从传感器轨迹中生成因果故事：审计LLM生成的个人传感解释中的知识过度延伸
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Chicago（芝加哥大学） ； Yale University（耶鲁大学） ； University of Virginia（弗吉尼亚大学）
AI总结 本文研究了LLM生成个人传感解释时的知识过度延伸问题，通过分析不同数据集中的异常日场景，发现LLM在缺乏足够证据时仍会做出因果归因，且丰富的上下文无法有效减少这种过度延伸。
探测人工智能推理的临界点（CritPt）：一个前沿物理研究基准
机构 * Argonne National Laboratory（阿贡国家实验室） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Virginia Tech（弗吉尼亚理工大学） ； Ohio State University（俄亥俄州立大学） ； Independent（独立） ； Northeastern University（东北大学） ； Caltech（加州理工学院） ； University of Florida（佛罗里达大学） ； University of Waterloo（滑铁卢大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Columbia University（哥伦比亚大学） ； Perimeter Institute for Theoretical Physics（理论物理研究所） ； University of Connecticut（康涅狄格大学） ； University of Cologne（科隆大学） ； The Chinese University of Hong Kong（香港中文大学） ； Utrecht University（乌得勒支大学） ； Harvard University（哈佛大学） ； ETH Zürich（苏黎世联邦理工学院） ； Paul Scherrer Institute（保罗·谢尔研究所）
AI总结 本文提出CritPt基准，用于测试LLM在未发表的科研级推理任务中的能力，涵盖现代物理多个领域，发现当前LLM在复杂科研挑战中表现有限，仅能实现5.7%的准确率。
Comments 40 pages, 6 figures, 6 tables
去偏的前门学习者用于异质效应
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文研究了前门识别下的异质治疗效应，提出两种去偏学习者FD-DR-Learner和FD-R-Learner，通过样本分割和假设证明其估计的可靠性与效率。
Comments 26 pages, 3 figures. Revised theory statements, notation, and proof presentation; conclusions unchanged. Code available at https://github.com/yonghanjung/FD-CATE
PromptGuard: 基于软提示的文本到图像模型不安全内容审查
机构 * Department of Computer Science, University of Maryland（计算机科学系，马里兰大学） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机科学与数据科学学院） ； Kahlert School of Computing, The University of Utah（犹他大学Kahlert计算学院） ； Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院）
AI总结 PromptGuard通过引入软提示机制，有效抑制文本到图像模型生成不安全内容，同时保持生成质量，且比现有方法快3.8倍。
Comments Accepted for publication in IEEE Transactions on Information Forensics and Security (TIFS)
Auto-Rubric as Reward：从隐含偏好到显式多模态生成标准
机构 * Nanyang Technological University（南洋理工大学） ； Ant Group（蚂蚁集团） ； MMLab, The Chinese University of Hong Kong（香港中文大学MMLab） ； UIUC（伊利诺伊大学香槟分校）
AI总结 本文提出Auto-Rubric as Reward框架，通过显式标准分解替代隐含权重优化，提升多模态生成模型对人类偏好的对齐效果，实验证明显式标准能更可靠地实现数据高效对齐。
Comments 28 pages, 10 figures, 11 tables
SLayerGen：一种适用于所有空间群和层群的晶格生成模型
机构 * Department of Materials Science & Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校材料科学与工程系） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Materials Research Laboratory, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校材料研究实验室）
AI总结 本文提出SLayerGen，一种能生成符合空间群或层群对称性的晶格生成模型，解决了现有模型未考虑层群影响的问题，通过改进扩散组件和构建新数据集，提升了对非周期材料的生成能力。
协同单纯形：用于安全关键自主系统的协作运行保证
机构 * University of Illinois Urbana-Champaign (UIUC)（伊利诺伊大学厄巴纳-香槟分校） ； Center for Scientific Innovation and Education (CSIE)（科学创新与教育中心） ； California Institute of Technology (Caltech)（加州理工学院） ； Mercer University（梅森大学）
AI总结 本文提出协同单纯形架构，通过双向整合ML组件与安全监控器，在保持形式安全保证的同时提升系统性能，展示了其在自动驾驶障碍检测中的设计与评估。
明目张胆：面向可检测性的推理模型抗蒸馏
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Stony Brook University（石溪大学）
AI总结 本文提出一种面向可检测性的抗蒸馏方法，通过Stackelberg博弈框架显式编码可检测性约束，以稀疏扰动替代全迹中毒，提升教师模型性能并降低防御可见性。
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