高校专区
GHOST: 用于泛化机器人操作的层次化子目标策略
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； UMass Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 提出GHOST框架，通过将控制分解为高层子目标预测和低层目标条件控制器，实现视觉运动操作策略的泛化，并利用人类演示适应新物体和任务变化。
Comments Accepted at RSS 2026
涌现对齐与伦理人格的可投射性
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Indiana University Bloomington（印第安纳大学布卢明顿分校）
AI总结 研究微调大语言模型在窄任务上如何引发广泛对齐行为，通过宪法AI方法赋予模型伦理人格，发现窄对齐可投射到未训练类别，并提出对齐策略应评估可投射性。
探索预测性医疗中基于概念正交推理的准确且透明的域适应
机构 * Department of Computer Science, Stevens Institute of Technology, Hoboken, NJ, United States（斯蒂文斯理工学院计算机科学系） ； UMass Chan Medical School, University of Massachusetts Amherst, Amherst, MA, United States（马萨诸塞大学阿默斯特分校UMass Chan医学学校）
AI总结 提出ExtraCare模型，通过将患者表示分解为不变和协变分量并强制正交，在保留标签信息的同时暴露域特定变异，实现准确预测并提供基于医疗概念的可解释性。
Comments Accepted by ICML 2026 Main Conference
CGES：面向高效准确自一致性的置信引导早停方法
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 提出贝叶斯框架CGES，通过自适应停止采样减少自一致性推理调用次数，在5个推理基准上平均减少58%调用且精度损失仅0.4个百分点。
Comments Extended version. A preliminary version was accepted at the Efficient Reasoning Workshop @ NeurIPS 2025. Code: https://github.com/EhsanAghazadeh/cges
FMplex: 用于服务可扩展基础模型的模型虚拟化
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； University of California Los Angeles（加州大学洛杉矶分校）
AI总结 提出FMplex系统，通过将基础模型作为虚拟化层实现多任务共享，结合批感知公平队列调度器，在7个基础模型和92个下游任务上降低延迟达80%，提升任务容量6倍。
针对世界模型以破坏机器人学习流程
机构 * Northeastern University（东北大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出针对世界模型的新型数据投毒攻击方法，通过注入恶意提示或转换动态，在看似安全的数据中生成危险训练轨迹，导致下游策略不安全。
Comments 8 Pages, CoRL Preprint
PLAGUE：面向多轮利用的终身自适应生成的即插即用框架
机构 * A10 Networks, Inc.（A10网络公司） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 提出PLAGUE框架，通过终身学习启发的三阶段设计（Primer、Planner、Finisher）实现高效多轮越狱攻击，在o3和Opus 4.1等强安全模型上ASR提升超30%。
Comments Accepted in ICLR 2026
UniCanvas: 一种基于扩散的图文联合生成统一模型
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； University of Michigan（密歇根大学） ； MIT（麻省理工学院）
AI总结 提出UniCanvas，通过扩散模型在像素画布上以文本嵌入图像的方式实现图文联合生成，解决现有模型在视觉与文本生成上的不足。
简单的启发式方法可证明算法用于带掩码的低秩近似
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了带掩码的低秩近似问题，提出了一种简单的启发式方法，通过将掩码为0的区域设为0，然后求解标准低秩近似，从而得到具有双标准逼近保证的算法。
Comments ITCS 2021
一种受压缩启发的宏发现框架
机构 * College of Information and Computer Sciences（信息与计算机科学学院） ； Department of Computer Science（计算机科学系） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Federal University Rio Grande do Sul（里约格朗德杜斯阿鲁斯联邦大学）
AI总结 本文提出了一种受压缩启发的宏发现框架，通过识别高性能策略获得的轨迹中的重复模式，帮助强化学习代理利用早期经验快速解决相关新任务。
Comments Accepted as Extended Abstract, AAMAS, 2019
基于幻觉检测的偏好优化用于临床摘要生成
机构 * Manning College of Information and Computer Sciences（Manning信息与计算机科学学院） ； Ensemble HP ； Columbia University（哥伦比亚大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 提出利用幻觉检测器指导迭代修正的推理时方法及偏好学习微调，显著减少临床摘要中的幻觉。
让导师角色为LLMs发声：通过偏好优化从对话中学习引导向量
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Eedi
AI总结 本文提出使用偏好优化训练引导向量，从人类导师-学生对话中提取导师角色信息，以控制大语言模型的行为，实现多样化的教学风格。
Comments Accepted to ACL 2026 BEA Workshop
纵向数据中罕见事件的可扩展反事实风险估计
机构 * University of Connecticut Storrs（康涅狄格大学斯托尔分校） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
AI总结 针对纵向生存数据中罕见事件导致的类不平衡和计算负担问题，提出一种可扩展的子采样与重加权策略，应用于ICE等因果效应估计器，在保持一致性的同时提高稳定性。
Comments Accepted at KDD-2026, 12 pages
Critic-R：使用具有自然语言内省反馈的指令调优检索器改进智能搜索
机构 * Center for Intelligent Information Retrieval（智能信息检索中心） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 提出Critic-R框架，通过引入评论模型评估智能体内省推理轨迹，实现检索模型与推理代理之间的反馈闭环，无需人工标注即可优化检索质量与下游答案准确性。
使用LLMs的多模态音乐推荐系统
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Dolby Laboratories（Dolby实验室） ； Adobe Research（Adobe研究） ； Cisco Research（Cisco研究）
AI总结 提出一个多模态框架，通过融合音频、歌词、LLM生成的语义元数据和收听完成率，在基于会话的音乐推荐中显著提升Recall和NDCG。
ISOMORPH：用于仿真、数据集生成和预测基准的供应链数字孪生
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of North Carolina（北卡罗来纳大学） ； SRI International（SRI国际） ； California Institute of Technology（加州理工学院）
AI总结 本文提出ISOMORPH，首个公开的多级物流网络数字孪生，通过可配置参数和模块化拓扑生成具有牛鞭效应等动态特性的数据集，并评估基础模型的零样本预测性能。
在不确定因果机制下评估和学习鲁棒的Bandit策略
机构 * College of Information and Computer Sciences, University of Massachusetts Amherst（信息与计算机科学学院，马萨诸塞大学阿姆赫斯特分校） ； Capital One
AI总结 提出一种因果多臂老虎机评估与学习算法，通过结构化方程模型处理条件概率分布的不确定性，并利用条件独立性检验选择变量，在因果机制不确定时提供更准确的评估和低方差策略。
Comments Published at the 5th Conference on Causal Learning and Reasoning 2026
VolFill: 基于体素流匹配的单视图非模态3D场景重建
机构 * UMass Amherst（马萨诸塞大学阿姆赫斯特分校） ； TU Crete（希腊技术大学）
AI总结 提出VolFill框架，利用混合3D VAE和潜在扩散Transformer从单张RGB图像生成完整3D场景结构，在SCRREAM和NRGB-D数据集上显著优于现有方法。
无最优演示者的逆强化学习：一种可行奖励集方法
机构 * MIT LIDS（麻省理工学院媒体实验室） ； University of Massachusetts, Amherst（马萨诸塞大学阿姆赫斯特分校） ； Adobe Research（Adobe研究院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 针对多个非最优演示者数据，提出可行奖励集框架，通过线性约束联合可行集单调收缩，并给出恢复保证与高维环境离线算法。
多智能体LLM校准的反事实图
机构 * University of Connecticut（康涅狄格大学） ； University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
AI总结 针对多智能体LLM系统中通信导致的相关失败和虚假共识问题，提出CAGE-CAL框架，通过比较观察到的通信后图与匹配的反事实无通信图来校准置信度，提升可靠性区分和拓扑选择。
进化搜索中的计算分配：从深度-广度到多臂老虎机
机构 * University of Notre Dame（诺丁汉大学） ； Northeastern University（东北大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Southeast University（东南大学） ； Northwestern University（西北大学） ； Nanjing University（南京大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AI总结 针对LLM引导的进化搜索中固定预算的LLM调用分配问题，提出基于多臂老虎机的BaSE方法，通过跨并行轨迹分配调用，平均适应度提升12.3%。
学习的中继表示用于前向思考的离散扩散模型
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； Imperial College London（伦敦帝国学院） ； Mila ； Vijil
AI总结 提出Learned Relay Representations (Relay)方法，通过可微通道传递潜在信息，使掩码扩散模型在去噪步骤间前向思考，减少推理延迟并提升性能。
Comments 16 pages, 3 figures. Equal contribution: Benjamin Rozonoyer, Jacopo Minniti, and Dhruvesh Patel. Code: https://github.com/jacopo-minniti/relay
谁背书了它？测量语言模型中跨专业水平的权威偏差
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； Independent Research（独立研究）
AI总结 研究语言模型在推理任务中是否因背书来源的专业水平而产生系统性偏差，发现模型对高权威来源的错误背书更易受影响，导致准确率下降和错误答案置信度增加，但可通过机制干预减轻偏差。
RoboWits：机器人创造性问题解决中的意外挑战
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出RoboWits双臂机器人基准，通过多智能体协作的自动化任务生成流水线评估机器人在几何、材料和装配推理中的认知推理、创造性工具使用及鲁棒性，发现预训练VLA在突变任务中表现脆弱。
Comments The first two authors contributed equally
我是谁？面向辅导对话中学生模拟的历史感知档案
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Eedi
AI总结 提出历史条件的学生模拟任务，通过强化学习训练档案生成器和模拟器，利用学生历史信息准确预测对话轮次，在数学学习平台数据集上显著优于基线。
OVA-IB：用于多模态对齐的一对多信息瓶颈
机构 * Hong Kong University of Science and Technology（香港科学与技术大学） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； UiT – The Arctic University of Norway（挪威北极大学） ； University of Copenhagen（哥本哈根大学） ； Norwegian Computing Center（挪威计算中心） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 提出基于信息瓶颈的一对多对齐框架OVA-IB，通过充分性对比下界和最小性正则化实现任意数量模态的对齐，在分类、回归和跨模态检索任务中表现鲁棒。
GrepSeek：训练用于直接语料库交互的搜索代理
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Princeton University（普林斯顿大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出GrepSeek，一种通过两阶段训练（冷启动数据集+GRPO优化）和语义保持的分片并行执行引擎，训练紧凑型搜索代理直接与文本语料库交互（通过shell命令），在开放域问答中取得最优F1和精确匹配。
ReasonBreak: 探测自动驾驶中具备推理能力的视觉-语言-行动模型的脆弱性
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Qualcomm（高通）
AI总结 本文通过黑盒攻击方法，首次系统研究了具备推理能力的视觉-语言-行动模型在自动驾驶中面对真实输入扰动时的脆弱性，发现其推理和轨迹生成均易受攻击，导致碰撞率上升。
CodeGENCAT：面向开放式编程问题的生成式计算机自适应测试
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Independent Researcher（独立研究者）
AI总结 提出CodeGENCAT框架，通过生成式项目反应理论模型预测学生代码响应，并设计三种选题算法，在编程教育数据集上优于现有CAT基线。
Comments 23 pages, 2 figures
Colosseum: 审计合作多智能体系统中的合谋行为
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； University of Virginia（弗吉尼亚大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； MPI for Intelligent Systems, Tübingen（图宾根智能系统研究所） ； AI Center（人工智能中心）
AI总结 提出Colosseum框架，通过形式化决策框架和基于遗憾的度量审计LLM智能体在合作多智能体系统中的合谋行为，发现大多数模型存在新兴合谋倾向，并观察到“纸上合谋”现象。
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