高校专区
忘记知识，记住使用：面向大型语言模型的上下文感知遗忘
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Amazon（亚马逊）
AI总结 针对现有遗忘方法损害上下文可用性的问题，提出一种插件式目标项，在保持遗忘效果和保留集性能的同时恢复模型对已遗忘知识的上下文使用能力。
Comments ICML 2026
ASTRA：面向多设备Transformer推理的通信高效加速
机构 * Manning College of Information and Computer Sciences, University of Massachusetts Amherst, MA, US（信息与计算机科学学院，马萨诸塞大学阿默斯特分校，马萨诸塞州，美国） ； Amazon, Seattle, WA, US（亚马逊，华盛顿州西雅图，美国） ； Amazon AWS, Washington, D.C., US（亚马逊AWS，华盛顿特区，美国）
AI总结 提出ASTRA框架，通过序列并行与混合精度注意力机制，在低带宽环境下实现高效多设备Transformer推理，显著加速并保持精度。
Gumbel机器：通过Gumbel噪声引导生成反事实学生写作
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University Politehnica of Bucharest（布加勒斯特理工大学） ； Arizona State University（亚利桑那州立大学）
AI总结 提出Gumbel机器，一种利用β-Hindsight控制解码算法生成既符合评分标准又与学生原文相似的反事实文本的模块化方法。
Comments preprint
摊销因子推理网络用于后验推理
机构 * Manning College of Information and Computer Sciences（Manning信息与计算机科学学院） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 提出摊销因子推理网络（AFINs），通过编码-合并-解码架构实现跨不同先验、似然和维度的后验推理泛化，在保持后验精度的同时大幅降低测试时计算量。
检索增强生成的上下文优化：梯度下降视角
机构 * University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校） ； University of Connecticut（康涅狄格大学） ； Emory University（埃默里大学）
AI总结 本文从梯度下降视角研究检索增强生成（RAG）作为上下文优化过程，提出一种轻量级前向更新方法，在冻结LLM和检索器的情况下提升生成器对检索证据的利用。
Sentinel：具身协同空间推理与规划
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出Sentinel挑战和CoSaR框架，通过自然语言通信与空间导航算法结合，解决多智能体在城市规模户外环境中的协同空间推理与规划问题。
Comments The first two authors contributed equally
用语言模型模拟人类记忆
机构 * NYU（纽约大学） ； UMass Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本研究通过心理学经典记忆实验对比语言模型与人类记忆，发现未经调优的模型记忆优于人类，但通过提示策略和压缩器可使模型遗忘方式更接近人类，从而在下游教育任务中成为更有效的用户模拟器。
有限面试匹配市场的双面时间无关遗憾
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 针对面试次数有限的匹配市场，提出利用面试作为提示进行双面学习，并通过策略性延迟纠正早期错误，实现与时间无关的遗憾界。
词汇语义的场景抽象：情境意义的结构化表示
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
AI总结 提出场景抽象框架，通过少样本提示大语言模型构建词汇使用情境的结构化表示，实验证明场景可可靠识别且优于基线方法。
针对音频大语言模型的编解码鲁棒攻击
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Qualcomm（高通）
AI总结 提出CodecAttack，通过在神经音频编解码器的连续潜在空间中优化扰动，实现对抗Opus、MP3和AAC-LC等有损压缩的鲁棒攻击，平均目标子串攻击成功率85.5%。
超越生成模型的解缠：黎曼ICA
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出黎曼ICA，一种不依赖生成模型的解缠方法，通过引入解缠张量来研究局部解缠特性，为理解无生成假设下的特征解缠提供了理论基础。
通过生成式AI拓宽交通安全管理数据的可及性：一种基于模式的时空自然语言查询框架
机构 * Department of Civil and Environmental Engineering, University of Massachusetts Amherst（麻省大学阿姆赫斯特分校土木与环境工程系）
AI总结 本文提出了一种基于模式的自然语言接口，利用大型语言模型解释用户意图，同时保持确定性和可审查的执行，以解决交通安全管理数据访问不均的问题，通过整合事故记录、道路属性和地理空间数据，提升公共部门的安全规划能力。
Comments 30 pages, 5 figures
HyperBench: 标准化和扩展超光谱超分辨率的合成评估
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文提出HyperBench框架，通过标准化和扩展合成实验来评估超光谱超分辨率方法，以解决现有评估方法中配置不一致、结果难以比较和复现的问题。
OmniShotCut: 以-shot查询Transformer实现整体关系性shot边界检测
机构 * University of Virginia（弗吉尼亚大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文提出OmniShotCut，通过shot查询基于的密集视频Transformer，将shot边界检测建模为结构化关系预测，同时估计shot内关系和shot间关系，以解决现有方法在边界不可解释、错过细微有害断点以及依赖噪声低多样性标注和过时基准的问题。
理解长期运行代理中的说服
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文研究了长期任务中代理受到用户说服影响的行为变化，提出了一种基于行为的评估框架，发现提前指定信念状态的代理在搜索和源访问上表现更高效，表明说服影响代理行为。
Comments Code available at https://github.com/HyejunJeong/persuasion-propagation
SpectraMorph: 结构化潜在学习用于自监督超光谱超分辨率
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本研究提出SpectraMorph，一种基于物理指导的自监督融合框架，通过结构化潜在空间实现超光谱超分辨率，利用多光谱图像与超光谱图像的融合，产生可解释的中间结果，并在短时间内训练，即使在单波段多光谱图像下也保持鲁棒性。
Journal ref ICASSP 2026 - 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
SpectraLift: 一种基于物理的频谱反演网络用于自监督超分辨率高光谱图像
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 该研究提出了一种自监督的频谱反演网络SpectraLift，利用多谱段图像的光谱响应函数实现高光谱图像与多谱段图像的融合，无需点扩散函数校准或高分辨率高光谱图像的地面真实数据，从而在PSNR、SAM、SSIM和RMSE等指标上优于现有方法。
Journal ref 2025 15th Workshop on Hyperspectral Imaging and Signal Processing: Evolution in Remote Sensing (WHISPERS)
量化语言间合成影响对一致性的吸引力
机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
AI总结 研究探讨了合成对一致性吸引力的影响在不同语言中的差异，通过大规模语言模型的 surprisal 和注意力熵来分析四种语言中的表现，揭示了合成如何调节吸引力的机制。
Comments SCiL Conference Paper
更精确的Chebyshev矩匹配界限及其应用
机构 * UMass Amherst（马萨诸塞大学阿姆赫斯特分校） ； New York University（纽约大学）
AI总结 本文研究了在存在噪声测量的情况下，通过Chebyshev多项式矩来近似恢复概率分布的问题。通过利用Lipschitz函数Chebyshev展开系数的全局衰减界，作者证明了在比之前已知的更多的噪声情况下，可以在Wasserstein距离中实现精确的恢复。该结果立即应用于多个领域：1）提供了一个简单的“线性查询”算法，用于构造具有Wasserstein-1误差为~O(1/n)的差分隐私合成数据分布；2）给出了一个~O(n²/ε)时间的算法，用于估计对称矩阵的谱密度，误差在Wasserstein距离内为ε；3）改进了Vinayak等人在ICML 2019上对“学习参数群体”统计问题最大似然估计器的分析，扩展了可以获得样本最优结果的参数范围。此外，作者还扩展了该界到d>1维分布的估计。
并非所有标记都值得缓存：学习语义感知的淘汰策略用于LLM前缀缓存
机构 * Peking University（北京大学） ； FirestAI ； Tsinghua University（清华大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Southeast University（东南大学）
AI总结 本文提出了一种语义感知的前缀缓存淘汰策略SAECache，通过多队列架构、语义感知的标记加权机制和全适应的在线学习方案，提高了LLM服务中前缀缓存的效率，从而在不同工作负载下实现了显著的TTFT提升。
CATRF：用于体积分发的编码自适应三平面辐射场
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出CATRF，一种用于体积分发的编码自适应三平面辐射场方法，通过在训练过程中将二维特征平面量化和打包到编码器友好的画布中，并利用标准编码器进行回程处理，从而在训练循环中插入非可微的编码器管道，使辐射场特征能够直接适应客户端侧的编码器失真，而无需引入任何学习的编码器参数。
AI Agents May Always Fall for Prompt Injections
机构 * ELLIS Institute Tübingen & MPI-IS & Tübingen AI Center（图宾根ELLIS研究所及MPI-IS与图宾根人工智能中心） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文基于上下文完整性理论重新审视提示注入问题，揭示了现有防御机制的不足，并提出了一种新的评估框架来设计更安全的自主代理。
KASER：面向开放性编程任务的知识对齐学生错误模拟器
机构 * University of Massachusetts（马萨诸塞大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 KASER通过强化学习方法，结合代码相似性、错误匹配和预测多样性，提升大语言模型对学生错误的模拟与预测能力，实验表明其在代码和错误预测及错误覆盖方面优于基线方法。
Comments Published in ACL 2026: The 64th Annual Meeting of the Association for Computational Linguistics
面向编码问题可解释知识追踪的自动化知识组件生成
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Pittsburgh（匹兹堡大学） ； North Carolina State University（北卡罗来纳州立大学）
AI总结 本文提出基于LLM的知识组件生成与标注自动化流程，开发KCGen-KT框架，在不同编程语言的实测数据中验证其优于传统方法和人工编写的知识组件。
Comments Findings of ACL 2026: The 64th Annual Meeting of the Association for Computational Linguistics
用可预测的故障训练机器学习模型
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出了一种通过预测故障来评估机器学习模型部署安全性的方法，通过分析评估集中的故障评分来预测部署规模的故障率，并提出改进的细调目标以减少预测误差。
Comments 32 pages, 9 figures. Updated with acknowledgments
为何语言模型比人类更不惊讶？测试解析多重性不匹配假说
机构 * Department of Linguistics, New York University（纽约大学语言学系） ； Center for Data Science, New York University（纽约大学数据科学中心） ； Department of Linguistics, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校语言学系）
AI总结 研究探讨语言模型在处理句子时的 surprisal 与人类处理的差异，通过调整解析数量来测试解析多重性不匹配假说对句法歧义的影响。
扩散策略用于非holonomic移动基底和双臂的协调控制以开门和通过
机构 * Manning College of Information and Computer Sciences, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校信息与计算机科学学院） ； alpha-z
AI总结 本文提出基于扩散的视觉-运动控制策略，实现非holonomic移动基底与双臂的协调控制，以完成开门和通过任务，展示了在复杂约束下的高成功率和鲁棒性。
AgentStop: 早期终止本地AI代理以在消费设备中节省能源
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Brave Software, Imperial College London（Brave软件公司，伦敦帝国学院）
AI总结 研究提出AgentStop方法，通过预测并提前终止可能失败的代理任务，减少能源消耗，提升本地AI代理的能效与隐私保护。
Comments ACM CAIS '26
TERRA-CD：多时相框架用于多类和语义变化检测
机构 * COEP Technological University, Pune, India（科帕尔技术大学，印度普纳） ； University of Massachusetts, Amherst, USA（马萨诸塞大学，美国阿姆赫斯特） ； North Carolina State University, USA（北卡罗来纳州立大学，美国）
AI总结 本文提出TERRA-CD数据集，包含2019和2024年的Sentinel-2影像对，用于多类和语义变化检测，采用多种深度学习方法评估其有效性。
Comments Paper presented at 11th International Congress on Information and Communication Technology (ICICT) 2026, London
受限数据下的掩码自编码器：它有效吗？一项细粒度生物声学案例研究
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文研究了在有限数据下使用掩码自编码器进行生物声学分类的效果，发现预训练数据规模在中等规模细粒度任务中起主导作用，而领域特定数据的额外预训练可能降低性能。
Comments Workshop on Fine-Grained Visual Categorization (FGVC) at CVPR 2026. 8 pages, 6 figures
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