高校专区
Steer-to-Detect：探测隐藏表示以检测LLM生成文本
机构 * Tsinghua University（清华大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出Steer-to-Detect框架，通过改进的隐藏表示分离能力，有效检测LLM生成文本，理论和实验均表现出色。
通过分层剥离优化揭示大语言模型中的对称性传递
机构 * The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； University of Rochester（罗切斯特大学）
AI总结 本文研究了大语言模型通过分层剥离优化是否能诱导几何结构，证明了目标分布对称性在模型最优解中精确传递，并展示了开源LLM在无显式正则化下自然呈现理论预测的对称性。
径向补偿：修正流形上基于图表的生成模型中的半径扭曲
机构 * Human Nature Lab, Yale University（耶鲁大学人类自然实验室） ； Department of Statistics and Data Science, The Wharton School, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系、沃顿商学院）
AI总结 本文研究了流形上基于图表的生成模型的基础分布，提出径向补偿方法以保持几何半径的稳定性，提升数值稳定性和曲率解释性。
形式化，而非优化：LLM生成组合求解器中的启发式陷阱
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Toronto（多伦多大学） ； Google DeepMind（谷歌DeepMind） ； Oracle AI（Oracle人工智能）
AI总结 本文研究LLM生成组合求解器时形式化与优化的矛盾，通过CP-SynC-XL基准测试，发现Python+OR-Tools在正确性上最优，而MiniZinc+OR-Tools虽使用相同后端但覆盖度较低，启发式优化导致部分问题速度下降和正确性降低。
当模拟欺骗时：一个仿真到现实的基准和领域随机化的强化学习配方用于工具使用智能体
机构 * Arizona State University（亚利桑那州立大学） ； University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Adobe Research（Adobe研究）
AI总结 本文研究了工具使用POMDP中的仿真到现实差距，提出了一种领域随机化的强化学习方法，通过扰动增强轨迹提升鲁棒性，缩小了工具使用智能体在现实部署中的性能差距。
Comments Dataset, code, and benchmark leaderboard are available at https://github.com/WillChow66/robustbench-tc-release.git and https://huggingface.co/spaces/willchow66/robustbench-tc-leaderboard
鲁棒策略优化以防止灾难性遗忘
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学）
AI总结 本文提出FRPO框架，通过优化当前策略及下游适应可达的KL限制邻域内策略，提升鲁棒性，减少安全性能退化，同时保持下游任务表现。
Decaf：通过自动反馈和搜索改进神经反编译
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 Decaf通过自动反馈和搜索显著提升神经反编译的语义正确性，将反编译率从26.0%提升至83.9%。
Comments 15 pages, 6 figures. Preprint; under review. Code and models available at https://github.com/AlexShypula/decaf
DenseTRF: 基于纹理的无监督表示适应用于外科场景密集预测
机构 * GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室） ； PCASO Laboratory, Department of Surgery, University of Pennsylvania（宾夕法尼亚大学外科PCASO实验室） ； Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系）
AI总结 本文提出DenseTRF框架，通过基于纹理的关注机制学习纹理感知的表示，提升外科场景密集预测的跨分布泛化能力。
Comments Accepted to 29th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2026)
可解释性可以是可操作的
机构 * Kempner Institute at Harvard University（哈佛大学凯默纳研究所） ； University of Southern California（美国南加州大学） ； Mila – Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； Google DeepMind（谷歌DeepMind） ； Tel Aviv University（特拉维夫大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Maryland（马里兰大学） ； University of Oxford（牛津大学） ； Northeastern University（东北大学） ； Boston University（波士顿大学）
AI总结 本文探讨了可解释性研究的核心问题，提出应以可操作性作为评价标准，通过具体性和验证性两个维度分析阻碍实际应用的障碍，并提出五个领域和评估框架。
Comments Accepted to ICML 2026
先连续后离散：无需维度坍缩的VQ-VAE
机构 * MIT（麻省理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Google（谷歌）
AI总结 本文探讨了VQ-VAE中维度坍缩问题，提出通过预训练无量化自编码器缓解该问题，提升表示维度和重建质量。
Urban-ImageNet: 一个大规模多模态数据集和用于城市空间感知的评估框架
机构 * University of Auckland（奥克兰大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Stanford University（斯坦福大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
AI总结 本文提出Urban-ImageNet，一个用于评估城市空间感知的多模态数据集和基准，包含2019-2025年间中国24个城市61个地点的200万张社交媒体图像及文本。通过HUSIC框架定义10类城市理论基础分类，支持城市场景分类、跨模态检索和实例分割三个任务。
TD3B：过渡引导的离散扩散用于别构结合物生成
机构 * Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系） ； Department of Bioengineering, University of Pennsylvania（宾夕法尼亚大学生物工程系） ； Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Centre for Computational Biology, Duke-NUS Medical School（杜克-新加坡国立大学医学学校计算生物学中心）
AI总结 TD3B通过方向性状态转换控制目标，设计具有指定激动剂或拮抗剂行为的结合物，结合方向Oracle、软结合亲和门和预训练离散扩散模型的微调，实现与结合亲和力解耦的靶向生成。
Comments Published as a Spotlight at ICML 2026 (Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea)
基于模型不匹配的自适应约束紧缩方法
机构 * School of Engineering and Applied Science, University of Pennsylvania（宾夕法尼亚大学工程与应用科学学院） ； Department of Aeronautics & Astronautics, Stanford University（斯坦福大学航空与航天工程系）
AI总结 本文提出MACT方法，通过分析车辆动态模型不匹配问题，提出基于速度和曲率的状态依赖性约束紧缩策略，提升轨迹优化的安全性与效率。
轨迹的陷阱：朝着理解并缓解代理记忆中的虚假相关性
机构 * Binghamton University, State University of New York（宾夕法尼亚州立大学） ； Oakland University（奥克兰大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文研究代理记忆中的虚假相关性问题，通过基准测试揭示记忆在清洁输入下提升推理但放大虚假模式依赖性，并提出CAMEL方法在写入和检索时减少对虚假模式的依赖，同时保持性能。
基于拍卖的在线策略适应用于演化的目标
机构 * University of Pennsylvania（宾夕法尼亚大学） ； IMDEA Software Institute（IMDEA软件研究所）
AI总结 本文提出基于拍卖的模块化框架，通过自利局部策略和动态拍卖机制实现多目标强化学习中目标变化时的策略适应，证明了纳什均衡的存在性和有效性。
Comments 22 pages, 8 figures
基于 compositional Q-learning 的电解质补充与不平衡患者亚群
机构 * Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Gladstone Institutes（加利福尼亚大学旧金山分校 Gladstone 实验室） ； University of Pennsylvania（宾夕法尼亚大学） ； Gladstone Institutes, Stanford University（加利福尼亚大学旧金山分校 Gladstone 实验室，斯坦福大学）
AI总结 本文提出 Compositional Fitted Q-iteration 方法，用于处理医疗场景中患者治疗反应的异质性问题，通过分层任务结构实现高效决策，验证了其在电解质补充任务中的有效性。
Journal ref Proceedings of the 3rd Machine Learning for Health Symposium 2023
非线性GENERIC指导神经网络（N-GINNs）：利用非二次耗散势学习GENERIC动力学
机构 * Mathematical Institute, Faculty of Mathematics and Physics, Charles University（查理大学数学学院） ； Department of Mechanical Engineering and Applied Mechanics, University of Pennsylvania（宾夕法尼亚大学机械工程与应用力学系）
AI总结 本文提出N-GINNs框架，通过非二次耗散势实现非线性GENERIC动力学的发现，验证了其在热力学一致模型推断中的有效性。
Comments 26 pages, 7 figures, 4 tables
NARRA-Gym用于评估交互叙事代理
机构 * University of Notre Dame（诺丁汉大学） ； LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Pennsylvania（宾夕法尼亚大学） ； Lehigh University（莱恩大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Bake AI UC Santa Barbara（加州大学圣芭芭拉分校） ； University of Washington（华盛顿大学）
AI总结 本文提出NARRA-Gym，一个可执行评估环境，用于评估LLM在多轮交互中生成连贯故事的能力，通过模拟情感种子生成完整故事并记录完整模型在环轨迹，验证了不同模型在故事质量、鲁棒性和用户适应性上的差异。
生成交叉熵：一种数据高效分类的严格合理损失
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出生成交叉熵（GenCE），通过引入生成学习原理改进传统判别网络，提升数据效率和分类性能，在多种数据集和架构上优于传统交叉熵及其他损失函数。
一种基于点云的无网格外演算用于通用且数据高效的物理学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Mechanical Engineering and Applied Mechanics（机械工程与应用力学）
AI总结 本文提出了一种无网格外演算（MEEC），用于在点云上学习保持结构的物理描述，通过MEEC-Net实现高效数据替代，跨分辨率、几何和物理参数转移。
Comments 25 pages, 13 figures
一种用于开放性问答中校准评估的语义采样框架
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Dartmouth College（达特茅斯学院）
AI总结 本文提出Sem-ECE框架，通过语义分类评估开放性问答的校准，证明其在易题一致、难题差异，优于传统方法。
Comments Preprint
预训练表格基础模型作为神经后验估计的多功能总结网络
机构 * University of Pennsylvania（宾夕法尼亚大学） ； The George Washington University（乔治·华盛顿大学） ； Brown University（布朗大学）
AI总结 本文提出PFN-NPE，利用预训练的TabPFN作为固定总结网络，通过归一化流实现高效的后验估计，展示其在模拟基于贝叶斯推断中的有效性与多功能性。
通过欧拉-拉格朗日残差最小化学习偏微分方程的拉格朗日模型
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Montclair State University（蒙特克莱尔州立大学）
AI总结 本文提出了一种直接利用学习连续拉格朗日量预测偏微分方程系统动力学的方法，通过内在守恒结构实现稳定长程预测。方法基于优化的积分器，通过无网格近辛构造局部空间-时间块最小化欧拉-拉格朗日残差，实现模型误差与积分误差解耦，具有线性扩展性和无需结构要求的网络耦合能力。
Comments 9 pages, 8 figures, 2 tables, 7 pages of appendices
在何处分配 rollout：用于基于组的 RLVR 的 hit-utility 优化 rollout 分配
机构 * University of Pennsylvania（宾夕法尼亚大学） ； New Jersey Institute of Technology（新泽西理工学院） ； University of Tennessee Knoxville（田纳西大学肯纳邦克分校）
AI总结 本文提出 HORA 方法，通过最大化 hit-utility 提升 RLVR 的效率，实验证明其在多个基准上优于 GRPO，且兼容其他组基估计器。
三维医学影像中的知识迁移扩展定律
机构 * Vanderbilt University（范德比大学） ； Zhejiang University（浙江大学） ； McGill University（麦吉尔大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文研究了三维医学影像中不同域的预训练扩展规律，提出基于可转移性的数据分配方法，提升跨域迁移效果，实验表明该方法在疾病分类和器官分割任务中表现更优。
Comments 20 Pages
MolmoAct2：面向现实部署的动作推理模型
机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） ； National University of Singapore（新加坡国立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Amazon（亚马逊公司） ； University of Michigan（密歇根大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出MolmoAct2，一个完全开放的动作推理模型，通过改进架构和引入新数据集，在五个方面提升性能，展示了在多个基准测试中优于现有模型的成果。
Comments 31 pages, project page: https://allenai.org/blog/molmoact2
检验学习算法的噪声假设
机构 * University of Pennsylvania（宾夕法尼亚大学） ； UT Austin（得克萨斯大学）
AI总结 本文提出一种高效测试训练集是否符合给定噪声模型假设的方法，首次解决了该问题，并展示了在高斯边际分布下半空间学习的可测试学习算法。
Comments 45 pages, Best Paper Award at Reliable ML workshop at NeurIPS 2025, Accepted to COLT 2026
受风险控制的决策策略后处理
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文研究了在风险约束下如何通过后处理优化决策策略，提出了一种基于阈值结构的后处理方法，能够在保持基线策略一致性的前提下控制风险，实验验证了其在医疗诊断、LLM路由和多类决策任务中的有效性。
纯粹的基于代理的黑盒优化用于生物设计
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出PABLO框架，通过基于语言的代理方法在生物设计中实现高效黑盒优化，提升样本效率和目标值，展示其在抗微生物肽优化中的卓越性能。
多接触运动中摆动结构的出现
机构 * School of Engineering and Applied Science, University of Pennsylvania（宾夕法尼亚大学工程与应用科学学院） ； Department of Aeronautics & Astronautics, Stanford University（斯坦福大学航空航天系）
AI总结 本文探讨了多接触运动中摆动结构的形成机制，通过分析角动量变化率的优化问题，揭示了足部几何和摩擦锥对运动模式的影响，并验证了在点质量四足机器人和Unitree Go1上实验结果。
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