高校专区
利用LLMs在开放性编程问题中进行知识组件级正确性标注
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出利用大语言模型直接标注开放性编程问题中知识组件的正确性，通过引入时间上下文感知的代码-知识组件映射机制，提升学习曲线拟合度和预测性能。
ExtremControl：低延迟的人形机器人远程操控与直接末端控制
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
AI总结 本文提出ExtremControl框架，通过直接操作SE(3)姿态、Cartesian空间映射和速度前馈控制，实现低延迟的人形机器人远程操控，实验表明其在模拟和现实环境中均优于传统方法。
Comments Project website: https://extremcontrol.github.io/
3D-Layout-R1: 为语言指导的空间编辑进行结构化推理
机构 * NVIDIA ； UMass Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出一种结构化推理框架，通过场景图推理实现文本条件下的空间布局编辑，提升空间关系的可解释性和控制性，并在布局编辑基准测试中取得显著改进。
DAGE：用于高效和细粒度几何估计的双流架构
机构 * UMass Amherst（马萨诸塞大学阿姆赫斯特分校） ； Adobe Research（Adobe研究） ； TU Crete（希腊技术大学）
AI总结 DAGE提出双流变压器架构，通过分离全局一致性与细节，实现高效且细粒度的几何估计与相机姿态估计，支持高分辨率和长序列输入。
Comments CVPR 2026. Project page: https://ngoductuanlhp.github.io/dage-site/
将照护需求映射到AI聊天机器人设计：阿尔茨海默病和痴呆症照护者的心理健康支持优势与不足
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 研究探讨了阿尔茨海默病和痴呆症照护者在心理健康支持中的需求与AI聊天机器人设计的匹配度，通过访谈揭示了照护者在信息获取、情感支持等方面的需求及技术的优劣势。
Journal ref ACM Transactions on Computing for Healthcare, 2026
通过整合面向用户隐私工具进入对话代理来研究上下文隐私学习
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； New York University（纽约大学）
AI总结 研究探讨了在对话代理使用过程中整合隐私工具如何提升用户隐私学习，分析了界面设计对隐私保护的影响，并通过实验证明了隐私工具在增强用户隐私意识中的作用。
Comments Preprint of a full paper under review
夹具设计对机器人学习中人类示范质量的影响
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Department of Mechanical and Industrial Engineering（机械与工业工程系） ； Elaine Marieb Center for Nursing and Engineering Innovation（Elaine Marieb护理与工程创新中心） ； Center for Personalized Health Monitoring（个性化健康监测中心） ； Institute for Applied Life Sciences（应用生命科学研究所）
AI总结 研究评估了不同夹具设计对医疗包装打开任务示范效果的影响，发现集中负载夹具性能优于分散负载夹具，但不如双手，凸显了夹具人体工学和机械优化的重要性。
Comments To be published in proceedings of 2026 IEEE International Conference on Robotics & Automation
正则化潜在动态预测是行为基础模型的强基线
机构 * Department of Computing Science, University of Alberta, Canada（阿尔伯塔大学计算机科学系） ； Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能 chair） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文探讨零样本强化学习中复杂表征学习目标的必要性，提出正则化潜在动态预测方法，通过正则化保持特征多样性，优于现有方法，并在低覆盖场景中表现优异。
Comments ICLR 2026
测试时强化学习中的放大效应：安全性和推理漏洞
机构 * Penn State University（宾夕法尼亚州立大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
AI总结 本文研究了测试时训练方法的安全性漏洞，发现测试时强化学习中有害提示注入会放大模型行为，导致推理能力下降。
RADAR: 为推理LLM进行推理能力与难度感知的路由
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Adobe Research（Adobe研究）
AI总结 RADAR通过推理能力与难度感知路由，实现对不同查询的高效模型选择，提升推理性能与可扩展性。
Comments ICLR 2026
SynPlanResearch-R1: 通过合成计划鼓励深度研究中的工具探索
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Amazon（亚马逊） ； University of Montreal（蒙特利尔大学） ； University of San Diego（圣地亚哥大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 SynPlanResearch-R1通过合成计划促进工具探索，提升模型在多跳和开放网络基准测试中的性能，为后续强化学习提供有效初始化。
GuideTWSI: 一种从合成和现实图像中获取的多样化触觉行走表面指示器数据集，用于盲人和低视力导航
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Daegu Gyeongbuk Institute of Science and Technology（大邱庆bu科学技术院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Maine（缅因大学）
AI总结 本文提出了一种多样化的触觉行走表面指示器数据集，通过合成和现实图像获取，以提高盲人和低视力导航中对不同类型警示标志的识别能力。
具有并发同步的协同规划用于受操作约束的无人机-地面车辆团队
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； North Carolina State University（北卡罗来纳州立大学） ； U.S. Army DEVCOM Army Research Laboratory (ARL)（美国陆军 DEVCOM 军事研究实验室 (ARL)）
AI总结 本文提出CoPCS方法，通过集成异构图Transformer和Transformer解码器，实现无人机与地面车辆的同步并发协同规划，提升团队任务执行效率。
STRUCTUREDAGENT：基于AND/OR树的长周期网络任务规划
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Amazon（亚马逊） ； Virginia Commonwealth university（弗吉尼亚 Commonwealth 大学） ； University of Virginia（弗吉尼亚大学）
AI总结 STRUCTUREDAGENT通过动态AND/OR树和结构化记忆模块提升长周期网络任务的规划能力，实现更高效的搜索与约束满足。
PackUV: 压缩高斯UV映射用于4D体素视频
机构 * Brown University（布朗大学） ； UMass Amherst（马萨诸塞大学阿默斯特分校） ； Meta
AI总结 PackUV通过压缩高斯UV映射实现4D体素视频的高效存储与流式传输，解决了传统方法在长序列和大运动下的时间一致性问题。
Comments https://ivl.cs.brown.edu/packuv
Journal ref CVPR 2026
通过提示级策略欺骗进行对齐审计压力测试
机构 * MATS ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Google Deepmind（谷歌DeepMind）
AI总结 本文提出自动红队流水线，通过生成针对白盒和黑盒审计方法的欺骗提示，揭示了当前对齐审计方法在面对强大非对齐模型时的脆弱性。
Comments Accepted at the ICLR 2026 Workshop on Principled Design for Trustworthy AI
编辑：用于文本到图像扩散模型的有效且可解释的提示倒置
机构 * University of Massachusetts, Amherst（马萨诸塞大学阿姆赫斯特分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Rutgers University（罗格斯大学） ； University of Utah（犹他大学） ； Dolby Laboratories（杜比实验室）
AI总结 本文提出\sys技术，通过预训练模型初始化、潜在空间反向工程和嵌入到文本转换，提升文本到图像扩散模型的提示倒置效果，实现更高的图像相似性和可解释性。
StudyChat数据集：在人工智能课程中分析学生与ChatGPT的对话
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 StudyChat数据集分析了学生在人工智能课程中使用ChatGPT的对话行为，揭示了学生使用LLM进行概念理解与编码帮助与学业表现之间的正相关关系，以及规避学习目标的行为与学业成绩的负相关关系。
Comments LAK '26
理解并缓解LLM引导中的数据集损坏
机构 * Department of Computer Science, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校计算机科学系） ； Kahlert School of Computing, University of Utah（犹他大学凯尔特计算学校）
AI总结 研究对比引导在数据集损坏下的鲁棒性，发现其对中等损坏较稳健，但恶意篡改会引发副作用，通过替换高维均值计算为鲁棒估计器可缓解影响。
TARSE: 通过检索技能和经验进行测试时适应以实现推理代理
机构 * University of Massachusetts Amherst, MA, USA（马萨诸塞大学阿姆赫斯特分校） ； University of Massachusetts Lowell, MA, USA（马萨诸塞大学洛厄尔分校）
AI总结 TARSE通过检索技能和经验实现测试时适应，提升医疗推理代理的可靠性。
Bob的彩纸：音乐和视频生成中的语音记忆攻击
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of California San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究揭示了生成音乐和视频AI系统中语音记忆攻击的漏洞，通过同音替代词绕过版权过滤，展示语音结构对跨模态检索的关键作用。
学习多步检索个人情境以实现个性化问答
机构 * University of Washington（华盛顿大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 PR2通过强化学习框架结合推理与检索，提升个性化问答的准确性和用户特定偏好对齐度。
ML-Tool-Bench: 为机器学习任务增强的工具辅助规划
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Adobe Research（Adobe研究）
AI总结 本文提出ML-Tool-Bench，通过引入内存中的命名对象管理，评估工具增强的ML代理，改进了ReAct方法，提升了16.52个百分点。
超越一百万词：评估和增强LLM长期记忆的基准测试
机构 * University of Alberta（阿尔伯塔大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文提出LIGHT框架，通过增强LLM的三种记忆系统，提升其在长对话任务中的表现，实验显示平均提升3.5%-12.69%。
在线平滑需求管理
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Stanford University（斯坦福大学） ； California Institute of Technology（加州理工学院）
AI总结 本文提出了一种在线平滑需求管理算法PAAD，通过分账与聚合决策策略，实现了最优竞争比率，并结合端到端学习提升性能。
Comments Accepted to SIGMETRICS '26. 65 pages, 11 figures
PhyScensis: 基于物理的LLM代理用于复杂物理场景布置
机构 * UMass Amherst（马萨诸塞大学阿姆赫斯特分校） ； Genesis AI ； MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
AI总结 PhyScensis通过物理引擎驱动的LLM代理框架，生成复杂物理场景布局，提升机器人操作中的场景复杂性和物理准确性。
Comments ICLR 2026
径向VCReg：通过径向高斯化获得更具信息量的表示学习
机构 * New York University（纽约大学） ； Duke University（杜克大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Brown University（布朗大学） ； University of Toronto（多伦多大学）
AI总结 Radial-VCReg通过引入径向高斯化损失，提升表示学习的信息量和多样性，改进自监督学习性能。
Comments Published in the Unifying Representations in Neural Models (UniReps) and Symmetry and Geometry in Neural Representations (NeurReps) Workshops at NeurIPS 2025
通过 hindsight 经验回放实现稀疏奖励下的选项学习
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2HER方法，通过双目标重新标记策略提升稀疏奖励多目标任务中的学习效果。
从本土迷因到全球监管：跨文化评估视觉-语言模型在仇恨迷因检测中的应用
机构 * Macquarie University（麦考瑞大学） ； Nile University（尼罗大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Johannes Kepler University（约翰尼斯·开普勒大学）
AI总结 本文通过跨文化评估揭示视觉-语言模型在仇恨迷因检测中的文化偏见问题，并提出本土语言提示和一样本学习等改进策略以提升模型的公平性和鲁棒性。
Comments 12 pages, 5 figures, Proceedings of the ACM Web Conference 2026 (WWW '26)
安全的人工智能驱动超分辨率用于实时混合现实应用
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Tennessee Technological University（田纳西科技技术大学）
AI总结 本文提出了一种安全的人工智能驱动超分辨率方法，用于降低混合现实应用中的带宽和延迟，通过下采样和部分加密减少数据传输，并利用机器学习模型高效重建高分辨率点云。
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