高校专区
视觉品牌语言对注意力、物体识别与记忆提取的影响建模
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本研究探究视觉品牌语言对物体功能身份识别的影响，基于JIM物体识别模型与LISA类比推理模型构建框架开展仿真，发现品牌信息会捕获注意力、拖慢物体功能类别识别，品牌强度越高效应越强。
Comments 19 pages, 6 figures
智能体数据注入攻击对人工智能智能体构成现实威胁
机构 * Seoul National University（首尔国立大学） ； Largosoft ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 介绍智能体数据注入攻击（ADI）这一新型间接提示注入，其伪装可信数据注入恶意数据使智能体执行意外操作，研究发现现实智能体漏洞及ADI在多种模型和智能体设置中有效，揭示智能体安全关键差距。
Comments 19 pages, 19 figures, 7 tables
一种用于食品切割的感知-操作机器人系统
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究烹饪机器人切割任务，核心方法是用初步固定试验切割的力数据选刀，再用强化学习自适应切割，贡献是选刀模块成功率达100%，性能与人类相当。
Comments 8 pages, 6 figures
群体研究：编排编码智能体以进行开放式发现
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究长期运行的编码智能体存在的问题，假设两个设计选择导致该问题，介绍SwarmResearch，一种编排器-子智能体架构，在开放式优化任务中表现良好，其编排器引导扩展能发现更好方案。
多模态大语言模型知识蒸馏的令牌级响应视觉注意力引导
机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究多模态大语言模型知识蒸馏，挑战传统依赖，发现下游性能与响应视觉注意力相似度强相关。提出令牌级响应视觉注意力引导方法，通过自适应加权散度，有效引导学生模型，实验证明其性能优于基线。
Comments ECCV 2026
基于生成模型提议的数据同化粒子滤波
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； NVIDIA（英伟达）
AI总结 提出流提议粒子滤波（FPPF），通过学习条件生成模型作为提议分布，逼近方差最小化最优提议，结合贝叶斯更新和局部化策略，在非线性、非高斯和高维系统中优于统计基线和生成方法。
通过工作流归纳实现多轮智能科学文献搜索
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Together AI ； University of Pennsylvania（宾夕法尼亚大学） ； Stanford University（斯坦福大学）
AI总结 提出PaperPilot，通过构建可执行DAG工作流进行多轮文献搜索，利用用户反馈优化查询和工作流，显著提升搜索性能并消除执行错误。
Comments 17 pages, 12 figures
随机网络中的有限时间队列峰值律：几何阈值后的对数缩放
机构 * University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究广义交换机中有限时间队列峰值，证明在均匀内部松弛条件下，漂移最小化调度策略的峰值包络从平方根律转变为对数律，并给出匹配下界和几何阈值。
EEG基础模型的测试时间适应：在现实世界分布偏移下的系统研究
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文系统研究了EEG基础模型在现实分布偏移下的测试时间适应方法，发现标准方法效果不稳定且易退化，而无优化方法更稳定可靠。
Comments Accepted to MLHC 2026
在什么情况下可以污染奖励？线性MDP中奖励污染攻击的紧致刻画
机构 * School of Electrical Engineering and Computer Science, Oregon State University, Corvallis, Oregon, USA（电子工程与计算机科学学院，俄勒冈州立大学，俄勒冈州科瓦利斯） ； Department of Electrical and Computer Engineering, University of Illinois Urbana-Champaign, Urbana, Illinois, USA（电气与计算机工程系，伊利诺伊大学厄巴纳-香槟分校，伊利诺伊州厄巴纳） ； Princeton University, Princeton, New Jersey, USA（普林斯顿大学，新泽西州普林斯顿） ； Faculty of Computing and Data Sciences, Boston University, Boston, Massachusetts, USA（计算与数据科学学院，波士顿大学，马萨诸塞州波士顿）
AI总结 本文研究了强化学习中奖励污染攻击，通过约束预算操控奖励迫使目标智能体采用符合攻击者目标的策略。研究首次给出了线性MDP中攻击可行性的精确必要和充分条件，区分了易受攻击和固有鲁棒的RL实例。理论框架扩展至深度RL环境，证明其在理论和实践上的重要性。
OpenTinker：在智能体强化学习中分离关注点
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 介绍OpenTinker，一种用于训练大型语言模型智能体的开放基础设施。通过共享执行资源和多LoRA策略，围绕策略生命周期运行，支持SFT和RL，实现多用户等共享基础模型并隔离更新等。
PuzzleMoE：通过稀疏专家合并和位打包推理对大型专家混合模型进行高效压缩
机构 * Tsinghua University（清华大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究针对专家混合模型内存开销大难题，提出PuzzleMoE方法。通过识别权重冗余与专业化进行稀疏专家合并，用双掩码捕获参数，引入位打包编码避免存储开销，实现高效推理，大幅压缩模型且保持精度。
TAMA：一种使用多智能体大语言模型进行临床访谈的人机协作主题分析框架
机构 * School of Information, University of Texas at Austin（信息学院，德克萨斯大学奥斯汀分校） ； Department of Biomedical Engineering, University of Texas at Austin（生物医学工程系，德克萨斯大学奥斯汀分校） ； College of Natural Sciences, University of Texas at Austin（自然科学院，德克萨斯大学奥斯汀分校） ； Graphen, Inc.（Graphen公司） ； Department of Cardiac Surgery, Division of Pediatric Cardiac Surgery, Vanderbilt University School of Medicine（心脏外科系，范德比尔特大学医学中心） ； Pediatric Heart Institute, Monroe Carell Jr. Children’s Hospital at Vanderbilt（儿童心脏研究所，范德比尔特儿童医院） ； Department of Computer Science, University of Virginia（计算机科学系，弗吉尼亚大学） ； Department of Computer Science, University of Illinois at Urbana-Champaign（计算机科学系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Computer Science, University of Texas at Austin（计算机科学系，德克萨斯大学奥斯汀分校） ； McCombs School of Business, University of Texas at Austin（麦克阿瑟商学院，德克萨斯大学奥斯汀分校） ； Dell Medical School, University of Texas at Austin（德克萨斯大学奥斯汀分校德莱尔医学院）
AI总结 提出人机协作主题分析框架TAMA，利用多智能体系统结构化对话及心脏专家专业知识，用于临床访谈分析，在罕见病访谈转录本分析中性能优于单智能体方法。
Comments Manuscript accepted to ACM Transactions on Computing for Healthcare
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