高校专区
FlowCompile: 一种用于结构化大语言模型工作流的优化编译器
机构 * UMass Amherst（马萨诸塞大学阿姆赫斯特分校） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
AI总结 本文提出FlowCompile，一种优化结构化大语言模型工作流的编译器，通过编译时设计空间探索生成高质量可重用配置集，实现准确率与延迟的平衡，实验表明其在多种工作流和基准测试中表现优异，速度提升达6.4倍。
Rigel3D: 基于姿态的潜变量用于动画准备的3D资产生成
机构 * Technical University of Crete（希腊克里特技术大学） ； CYENS Center of Excellence（CYENS卓越中心） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 Rigel3D通过联合建模几何和骨架结构，生成可动画化的3D资产，优于现有rigging基线。
通过学习的推前映射进行遍历轨迹设计：通过条件流匹配实现可证明的覆盖
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epushforward框架，通过条件流匹配学习映射，将潜在轨迹分布转换为目标密度，实现轨迹的可证明覆盖，同时支持多智能体和不同约束条件。
加速基于粒子的能量变分推断
机构 * School of Mathematics, South China University of Technology（华南理工大学数学学院） ； Department of Mathematics and Statistics, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校数学与统计系） ； Department of Applied Mathematics, Illinois Institute of Technology（伊利诺伊理工学院应用数学系） ； Department of Mathematics, University of California Riverside（加州大学河滨分校数学系）
AI总结 本文提出一种基于粒子的变分推断方法，通过能量二次化和操作分割技术提高效率，相比现有方法在某些情况下更高效且稳健。
Comments 22 pages, 6 figures, 2 tables
manifold高斯过程回归的主动学习
机构 * Dept. of Applied Mathematics（应用数学系） ； Illinois Institute of Technology（伊利诺伊理工学院） ； Dept. of Mathematics and Statistics（数学与统计学系） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Dept. of Mathematics（数学系） ； University of California Riverside（加州大学河滨分校）
AI总结 本文提出一种结合manifold学习和策略性数据选择的主动学习框架，用于高维空间中的高斯过程回归。通过联合优化神经网络和高斯过程回归器，提升预测准确性，实验显示优于随机顺序学习。
Comments 13 pages, 6 figures
Journal ref 2025 Winter Simulation Conference (WSC), Seattle, WA, USA, 2025, pp. 1-12
在大语言模型中为持续工具使用学习提供轨迹监督
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校）
AI总结 研究通过对比保留工具使用轨迹与去除中间API轨迹的方法，发现保留轨迹能提升API调用准确率，但需更多训练token。
TRAM：用于低功耗AI加速器的近似乘法结构训练
机构 * Eindhoven University of Technology（埃因霍温理工大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Chinese University of Hong Kong（香港中文大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 TRAM通过联合优化近似乘法结构与AI模型参数，实现低功耗与小精度损失的平衡，实验显示在CNN和视觉Transformer上分别达到25.05%和27.09%的功耗降低。
符合性风格的分位数分析用于随机老虎机
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ACP-UCB1算法，通过适应性符合估计和UCB类型乐观奖励bonus，解决随机老虎机中上尾性能优化问题，实现对数上分位数遗憾。
多目标多智能体老虎机：从学习效率到公平性优化
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文研究了在随机奖励下的多目标多智能体老虎机问题，提出基于Pareto regret的高效学习算法和基于社会福利的公平学习方法，证明了算法在效率和公平性上的性能。
针对随机带隙的实用对抗攻击：通过伪造数据注入
机构 * University of Science and Technology of China（中国科学技术大学） ； California Institute of Technology（加州理工学院） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； City University of Hong Kong（香港城市大学）
AI总结 本文提出一种更实际的对抗模型，通过有限的伪造反馈样本误导带隙算法，分析了在现实约束下对抗攻击的可行性与有效性。
可解释的难度感知对话知识追踪
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出基于LLM的可解释难度感知对话知识追踪框架，通过建模学生能力与问题难度，提升对话场景下的个性化支持能力。
Comments 11 pages, 5 figures
壳中的假朋友：揭示大型语言模型中的表情符号语义混淆
机构 * Xi’an Jiaotong University（西安交通大学） ； Nanyang Technological University（南洋理工大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 研究揭示大型语言模型对表情符号的语义混淆问题，通过构建数据集发现平均混淆率超38%，且多数混淆响应导致安全风险，呼吁开发有效缓解方法。
撤销离线随机多臂老虎机
机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； University of Washington, Tacoma, United States（华盛顿大学 Tacoma 分校） ； University of Massachusetts Amherst, Massachusetts, United States（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文首次研究离线随机多臂老虎机中的撤销问题，提出适应性算法并在两种数据生成模型下建立性能保证和下界。
Comments First two authors made an equal contribution
REBench：一种用于LLM在剥离二进制类型和名称上的程序性、公平构造的基准测试（扩展版）
机构 * Ohio State University（俄亥俄州立大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 REBench为LLM在二进制逆向工程中提供了一个全面的基准测试集，通过知识库驱动的方法生成地面真实数据，确保任务难度和通用性，以公平评估LLM在复杂任务中的表现。
Comments This is an extended version of our paper, which appears in AIWare 2026
美国报纸中AI的使用普遍存在、不均衡且很少披露
机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； Simon Fraser University（西蒙 Fraser大学） ； UMass Amherst（马萨诸塞大学阿姆赫斯特分校） ； Pangram Labs（Pangram实验室）
AI总结 研究通过分析18.6万篇文章发现，约9%的新闻文章包含AI生成内容，且在小型本地报纸和特定主题中更常见，但AI使用情况很少被披露，凸显了对透明度和编辑标准更新的迫切需求。
Comments ACL Camera Ready
MLorc: 动量低秩压缩用于内存高效的大型语言模型适应
机构 * University of Virginia（弗吉尼亚大学） ； National University of Singapore（新加坡国立大学） ； Meta ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出MLorc方法，通过压缩和重建矩阵参数动量以降低内存消耗，相比LoRA和GaLore在内存效率和训练动态保留方面更优，理论和实验均验证其有效性。
Comments AISTATS 2026
大语言模型真的能识别你的名字吗？
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Google Research（谷歌研究） ； Carnegie Mellon University（卡内基梅隆大学） ； Google Research, University of Massachusetts Amherst（谷歌研究，马萨诸塞大学阿默斯特分校） ； University of Maryland, College Park（马里兰大学学院市分校）
AI总结 本文研究大语言模型在短文本中处理模糊人名的可靠性问题，构建AmBench基准测试集，发现模型对模糊人名的识别率下降20-40%，揭示隐私保护中的公平性问题。
Comments ACM FAccT '26
AWQ：基于激活的权重量化用于LLM压缩与加速
机构 * MIT（麻省理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； NVIDIA（英伟达） ； Tsinghua University（清华大学） ； UMass Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文提出AWQ方法，通过识别重要权重通道减少量化误差，实现低比特权重量化，提升LLM的压缩与加速性能，并在多个基准测试中表现优异。
Comments MLSys 2024 Best Paper Award. Code available at: https://github.com/mit-han-lab/llm-awq
通过自然语言反馈学习实现个性化问答
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 本文提出VAC框架，利用自然语言反馈替代标量奖励，提升个性化问答效果，实验表明其在LaMP-QA基准上表现优异。
CoSearch：通过强化学习联合训练推理和文档排序以实现代理搜索
机构 * Center for Intelligent Information Retrieval, University of Massachusetts Amherst（智能信息检索中心，马萨诸塞大学阿默斯特分校） ； Snap Inc（Snap公司）
AI总结 本文提出CoSearch框架，通过群体相对策略优化联合训练推理代理和生成文档排序模型，以解决代理搜索中检索系统性能瓶颈问题，实验表明其在多个问答基准上表现优异。
RespondeoQA：一种双语拉丁-英语问答基准
机构 * Manning College of Information & Computer Sciences, University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校信息与计算机科学学院） ； Institute for the Study of the Ancient World, New York University（纽约大学古代世界研究院）
AI总结 本文提出一个包含7800个问答对的双语拉丁-英语问答翻译基准，涵盖拉丁语教学资料中的多种问题类型，评估了三种大语言模型在技能类问题上的表现。
Comments Published in LREC 2026
以生态目标为中心的个体动物自动识别
机构 * University of West Bohemia in Pilsen（西波西米亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； LUT University（卢特大学） ； Conservation X Labs（保护X实验室） ； Queen Mary University of London（伦敦玛丽女王大学） ； The Ohio State University（俄亥俄州立大学） ； Giraffe Conservation Foundation（犀牛保护基金会） ； University of Bristol（布里斯托大学） ； Czech Technical University in Prague（布拉格捷克技术大学） ； Cornell Lab of Ornithology（哥伦布鸟类实验室） ； University of Pittsburgh（匹兹堡大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Princeton University（普林斯顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Rensselaer Polytechnic Institute（伦斯勒理工学院） ； CNR（意大利国家研究委员会）
AI总结 本文探讨了自动识别个体动物在生态研究中的应用，指出当前方法与实际生态数据处理存在不匹配，强调需以生态问题为导向提升识别的实用性与可信度。
PCM-NeRF：在姿态不确定性下基于概率的相机建模用于神经辐射场
机构 * Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 PCM-NeRF通过引入可学习的不确定性来增强神经表面重建，利用概率分布建模相机姿态，有效应对姿态估计不准确的问题，提升重建精度。
Comments CVPR-W 2026 (GenRec3D)
ProTrain: 通过内存感知技术实现高效的LLM训练
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Advanced Micro Devices, Inc.（先进微器件公司）
AI总结 本文提出ProTrain系统，通过自动调整内存管理策略提升LLM训练效率，无需人工干预，实验显示训练吞吐量提升1.43至2.71倍。
Comments Accepted to MLSys 2026
以基础设施为中心的世界模型：弥合时间深度与空间广度以实现道路感知
机构 * Department of Civil and Environmental Engineering, University of Massachusetts Amherst（土木与环境工程系，马萨诸塞大学阿默斯特分校）
AI总结 本文提出以基础设施为中心的世界模型，通过时空互补性提升道路感知能力，提出三阶段框架和双层架构，结合多模态数据引擎和开放源代码基础，推动基础设施理解交通。
Comments 18 pages, 7 tables, 1 figure, vision paper
Frankentext：将随机文本片段拼接成长篇叙述
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 Frankentext通过将大量随机文本片段拼接成连贯故事，挑战LLM生成质量与原创性，同时引发作者权属问题。
Comments Accepted to ACL 2026
良性微调破坏音频大语言模型的安全对齐
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 研究探讨了音频大语言模型中良性微调对安全对齐的影响，发现通过嵌入空间距离筛选良性音频可降低安全风险，但不同架构和模态的微调风险存在差异，提出两种防御措施以降低安全漏洞。
多图像医学推理
机构 * Manning College of Information and Computer Sciences, UMass Amherst（UMass阿默斯特信息与计算机科学学院） ； Center for Healthcare Organization and Implementation Research, VA Bedford Health Care（VA贝福德医疗保健中心） ； Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； Miner School of Computer and Information Sciences, UMass Lowell（UMass洛威计算机与信息科学学院） ； Department of Electrical and Computer Engineering, UMass Lowell（UMass洛威电气与计算机工程系）
AI总结 本文提出MedThinkVQA多图像医学推理基准，通过专家标注数据验证多图像整合对临床推理的重要性，发现多图像推理瓶颈在于证据提取与对齐，且增加推理时间计算效果有限。
Comments Equal contribution for the first two authors. To appear in the proceedings of the Fourteenth International Conference on Learning Representations (ICLR 2026). Code is in https://github.com/benluwang/MedThinkVQA. Dataset is in https://huggingface.co/datasets/bio-nlp-umass/MedThinkVQA
FM-CAC：通过时间序列基础模型实现电池缓冲的边缘AI碳感知控制
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出FM-CAC框架，利用电池作为时间缓冲，通过时间序列基础模型进行碳预测，减少碳排放同时保持高服务质量。
通过近似信息状态实现抽象sim2real
机构 * Prediction and Action Lab (PAL)（预测与行动实验室） ； University of Wisconsin – Madison（威斯康星大学麦迪逊分校） ； Department of Computer Sciences, University of Wisconsin–Madison（威斯康星大学麦迪逊分校计算机科学系） ； 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）
AI总结 本文研究了在抽象模拟器中通过强化学习训练政策并成功迁移到现实世界的问题，提出了一种利用真实任务数据修正抽象模拟器动力学的方法，实现了sim2sim和sim2real的政策迁移。
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