高校专区
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。
AutoDiscovery: 通过贝叶斯惊喜实现开放性科学发现
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Allen Institute for AI（人工智能研究院） ； Capital One
AI总结 AutoDiscovery通过贝叶斯惊喜驱动科学探索，实现开放性科学发现，显著提升发现数量和质量。
Comments Accepted to NeurIPS 2025: https://neurips.cc/virtual/2025/loc/san-diego/poster/116398
走出盒子进行年龄估计：一种视觉-语言模型与传统架构全面基准的比较
机构 * Reality Inc ； Duke University（杜克大学） ； New York University（纽约大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文通过对比视觉-语言模型与传统架构，发现零样本VLM在面部年龄估计中表现优于专门模型，且在年龄验证中显著降低误判率。
自回归排序：在双编码器和交叉编码器之间架起桥梁
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Google Research（谷歌研究院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出SToICaL损失，通过项级再加权和前缀树边际化，提升LLM在排序任务中的表现，证明ARR在表达能力上优于双编码器。
Comments 22 pages, 5 figures
ESTAR: 早期停止的令牌感知推理用于高效推理
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Optum AI
AI总结 ESTAR通过令牌感知推理的早期停止机制，有效减少推理冗余，提升大型推理模型的推理效率，同时保持高准确性。
虚拟社区：人类、机器人与社会的开放世界
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Johns Hopkins University（约翰霍普金斯大学） ； CMU（卡内基梅隆大学）
AI总结 虚拟社区是一个开放世界平台，旨在研究人类与机器人共存的社会智能，通过多智能体模拟和大规模社区生成，提出两个新挑战以探索开放世界中的协作与规划能力。
Comments website https://virtual-community-ai.github.io/
面向电池退化的异质电池群频率调节强化学习
机构 * Plaksha University（Plaksha大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出了一种基于强化学习的异质电池群频率调节方法，通过设计密集代理奖励和函数近似方法，减少循环退化并提高调度效率。
Comments 11 pages, 2 figures
微分隐私的测地回归
机构 * Department of Physics, University of Massachusetts, Amherst, USA（马萨诸塞大学物理系） ； Department of Mathematics and Statistics, University of Massachusetts, Amherst, USA（马萨诸塞大学数学与统计学系） ； Humboldt University of Berlin , Berlin, Germany（柏林洪堡大学） ； Zuse Institute Berlin, Berlin, Germany（柏林祖布研究所）
AI总结 本文提出了一种在黎曼流形上使用K-Norm Gradient机制实现微分隐私保护的测地回归方法，适用于医学影像和计算机视觉等数据领域。
Comments 20 pages, 10 figures
潜在目标分数匹配，及其在基于模拟的推断中的应用
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； NVIDIA（英伟达）
AI总结 本文提出潜在目标分数匹配方法，通过利用联合分数降低方差，提升基于模拟推断任务的分数准确性和样本质量。
Comments Machine Learning and the Physical Sciences Workshop, NeurIPS 2025
信息检索中嵌入维度的缩放规律
机构 * Center for Intelligent Information Retrieval（智能信息检索中心） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本研究分析了嵌入维度与检索性能之间的缩放关系，发现性能随嵌入维度增加而改善，但存在边际效益递减，同时提出基于嵌入维度和模型规模的联合缩放规律。
Comments 9 Pages, 7 figures
OverThink: 对推理大语言模型的减速攻击
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Simon Fraser University（西蒙弗雷泽大学） ； University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 OverThink攻击通过注入伪装推理问题，迫使推理大语言模型消耗更多token，从而增加延迟和成本，同时探讨了其防御和影响。
SNIP：一种用于子字节大语言模型训练的自适应混合精度框架
机构 * University of Michigan（密歇根大学） ； NTT Research, Inc.（NTT研究公司） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 SNIP通过自适应混合精度框架，有效提升大语言模型训练效率，减少FLOPs达80%并保持模型质量。
Comments Accepted to ASPLOS 2026
推断性问答
机构 * University of Innsbruck（因斯布鲁克大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； The University of Queensland（昆士兰大学）
AI总结 本文提出推断性QA任务，通过构建QUIT数据集，发现传统QA方法在推断任务中表现不佳，揭示当前QA流程难以处理基于推断的推理。
Comments Proceedings of the ACM Web Conference 2026 (WWW 2026)
验证所需：信息可信度对AI说服力的影响
机构 * Manning College of Information and Computer Sciences, University of Massachusetts Amherst, Massachusetts, USA（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）
AI总结 研究提出MixTalk游戏模型，通过验证与不可验证声明的结合，探讨信息可信度对AI说服力的影响，并提出TOPD方法提升接收者鲁棒性。
Comments 19 pages, 5 figures
从分数到步骤：诊断和改进证据医学计算中LLM的性能
机构 * Department of Computer Science, Yale University, CT, USA（耶鲁大学计算机科学系） ； Center for Healthcare Organization and Implementation Research, VA Bedford Health Care（VA贝福德医疗中心健康组织与实施研究中心） ； Miner School of Computer and Information Sciences, UMass Lowell, MA, USA（UMass洛厄尔矿尔计算机与信息科学学院） ； Manning College of Information and Computer Sciences, UMass Amherst, MA, USA（UMass阿默斯特马宁信息与计算机科学学院）
AI总结 本文提出MedRaC框架，通过分步评估和代码执行提升LLM在证据医学计算中的准确性，揭示现有评估方法的不足，并推动临床可信度的提升。
Comments Equal contribution for the first two authors. To appear as an Oral presentation in the proceedings of the Main Conference on Empirical Methods in Natural Language Processing (EMNLP) 2025
SFT并不总是损害通用能力：重新审视LLM中的领域特定微调
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University at Buffalo（布法罗大学） ； Northeastern University（东北大学）
AI总结 本文研究了SFT对LLM通用能力的影响，发现较小学习率可缓解性能下降，提出TALR方法在平衡领域特定性能与通用能力方面表现优异。
Comments Accepted by ICLR 2026
SABRE-FL：面向联邦提示学习的选样和准确后门拒绝
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 SABRE-FL通过嵌入空间异常检测器有效识别并过滤联邦提示学习中的恶意客户端，显著降低后门攻击效果，提升系统鲁棒性。
Comments ICLR 2026
理解用户在使用聊天机器人时的隐私认知与行为以支持隐私保护中的有意义自主性
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； New York University（纽约大学）
AI总结 研究探讨用户在使用聊天机器人时的隐私认知与行为，旨在通过隐私通知面板提升用户对隐私保护的自主性。
Comments Preprint of a paper under review
GLEN-Bench: 一种基于图-语言的营养健康基准测试
机构 * University of Connecticut, USA（美国康涅狄格大学） ； University of Notre Dame, USA（美国圣母大学） ； University of Massachusetts Amherst, USA（美国马萨诸塞大学阿姆赫斯特分校）
AI总结 GLEN-Bench是首个基于图-语言的营养健康基准测试，通过整合健康记录、食物组成数据和获取指标，评估营养干预中的风险检测、个性化推荐和问答任务。
提升个性化生成中的用户隐私：客户端侧的检索增强修改服务器侧生成的推测
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 P³通过客户端侧检索增强修改服务器侧生成的推测，实现高质量个性化生成并提升隐私保护。
基于上下文的坐标：利用大语言模型来定位复杂位置参考
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出了一种利用大语言模型来处理复杂位置参考地理编码的方法，展示了其在性能上的优势。
Comments EACL 2026
思维的形状：当分布比正确性更重要时在推理任务中的表现
机构 * University of Waterloo（滑铁卢大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； MILA - Quebec AI Institute（魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； Microsoft Research India（微软印度研究院） ； Google DeepMind（谷歌DeepMind） ； Periodic Labs（周期实验室）
AI总结 通过训练合成数据集中的链式思考轨迹，即使最终答案错误，也能提升语言模型的推理能力，表明分布比正确性更重要。
知何时退避：医疗大语言模型在临床不确定性中的表现
机构 * Manning College of Information and Computer Sciences, UMass Amherst, MA, USA（马萨诸塞大学阿姆赫斯特曼宁信息与计算机科学学院） ； Center for Healthcare Organization and Implementation Research, VA Bedford Health Care（医疗组织与实施研究中心） ； Miner School of Computer and Information Sciences, UMass Lowell, MA, USA（米纳尔计算机与信息科学学院）
AI总结 本文提出MedAbstain基准，探讨医疗LLM在临床不确定性中的退避能力，发现显式退避选项能显著提升安全性，而模型规模和提示方法效果有限。
Comments Equal contribution for the first two authors; To appear in proceedings of the Main Conference of the European Chapter of the Association for Computational Linguistics (EACL) 2026
3D空间作为可编辑的文本到图像生成的草稿纸
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Adobe Research（Adobe研究）
AI总结 本文提出一种基于3D空间推理的文本到图像生成方法，通过可编辑的3D网格实现空间一致性，提升图像生成的精度和可控性。
思维路径：多方向思考用于长文本个性化问答
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Google DeepMind（谷歌DeepMind） ； University of Michigan（密歇根大学）
AI总结 本文提出PoT方法，通过多方向思考生成个性化问答响应，实验证明其在长文本问答任务中表现优异。
迈向人工智能透明与问责：一个全球框架用于交换人工智能系统信息
机构 * University College Dublin（都柏林大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Duke University（杜克大学） ； Trinity College Dublin, Technological University Dublin（都柏林圣三一学院、技术大学都柏林）
AI总结 本文提出一个全球框架，通过开放标准和AI卡片促进人工智能系统的透明与问责，实现监管与行业的合作，以提高可扩展性和成本效益。
从歧视性训练数据中学习
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出一种方法，通过在受歧视污染的数据集上训练，确保在公平测试数据集上表现良好，以解决公平学习中的歧视问题。
MedQA-CS: 用于评估大语言模型临床技能的Objective Structured Clinical Examination (OSCE)风格基准
机构 * University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校） ； Emory University（埃默里大学） ； University of Minnesota（明尼苏达大学） ； University of Massachusetts, Lowell（马萨诸塞大学洛厄尔分校） ； UMass Chan Medical School（UMass Chan医学学院）
AI总结 MedQA-CS是一种基于OSCE风格的基准，用于评估大语言模型的临床技能，通过模拟医学学生和评估者任务，提供更全面的评估方法。
Comments To appear in proceedings of the Main Conference of the European Chapter of the Association for Computational Linguistics (EACL) 2026
本地研究代理中的网络级提示和特征泄露
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 研究揭示本地研究代理易受网络级提示和特征泄露攻击，通过分析访问IP地址和时间模式，恢复超过73%的用户提示信息，并提出缓解策略以降低攻击效果。
Comments Code available at https://github.com/umass-aisec/wra
识别文本到图像排行榜背后的模型
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Northeastern University（东北大学）
AI总结 研究揭示了文本到图像排行榜中通过图像嵌入空间聚类实现模型匿名性的突破，发现模型特定特征及提示对可区分性的影响，揭示了排行榜中的安全漏洞。
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