高校专区
支付更少的泛化税：RL训练对LLM代理跨域泛化能力的研究
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； FAIR at Meta（Meta的FAIR） ； Northwestern University（西北大学） ； The Ohio State University（俄亥俄州立大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本研究探讨了RL训练对LLM代理跨域泛化能力的影响，发现增加状态信息丰富度可提升泛化性能，同时指出建模选择对泛化能力的关键作用。
超越期望目标：足球射门发生的概率框架
机构 * Department of Statistics & Data Science, University of Pennsylvania（统计与数据科学系，宾夕法尼亚大学） ； Department of Computer & Information Science, University of Pennsylvania（计算机与信息科学系，宾夕法尼亚大学）
AI总结 本文提出xG+框架，通过联合建模射门行为与质量，改进了标准xG模型的预测准确性并增强了球员技能信号的持续性。
Comments 18pp main + 3pp appendix; 8 figures, 12 tables. Submitted to the Journal of Quantitative Analysis in Sports (JQAS). Data proprietary to Gradient Sports; we share derived features & scripts (code under MIT/Apache-2.0). Preprint licensed CC BY 4.0
ShapLoRA: 通过受Shapley值启发的重要性估计在大型语言模型上分配低秩适应
机构 * Singapore Management University（新加坡国立管理学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Emory University（埃默里大学） ； University of Hong Kong（香港大学）
AI总结 ShapLoRA通过受Shapley值启发的重要性估计方法，改进大型语言模型的低秩适应分配，提升模型性能。
Comments accepted by CPAL
展开神经网络用于约束优化
机构 * Department of Electrical and Systems Engineering, University of Pennsylvania（电气与系统工程系，宾夕法尼亚大学）
AI总结 本文提出了一种基于展开神经网络的约束优化方法，通过约束学习实现对偶上升动力学，有效解决混合整数二次规划和无线网络功率分配问题。
基于图神经网络的去中心化学习策略用于估计误差最小化
机构 * Rutgers University（罗格斯大学） ； Duke University（杜克大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出基于图神经网络的去中心化学习策略，用于在动态多跳无线网络中最小化估计误差，通过理论分析和实验验证了策略的可转移性和鲁棒性。
VISTA-PATH: 一种交互式的基础模型用于计算病理学中病理图像分割和定量分析
机构 * Department of Pathology and Laboratory Medicine, University of Pennsylvania（病理学与实验室医学系，宾夕法尼亚大学） ； Department of Electrical and System Engineering, University of Pennsylvania（电气与系统工程系，宾夕法尼亚大学） ； Department of Biomedical Engineering, Georgia Institute of Technology and Emory University（生物医学工程系，佐治亚理工学院和埃默里大学） ； NVIDIA Corporation（NVIDIA公司） ； Department of Biostatistics, Epidemiology and Informatics, University of Pennsylvania（生物统计学、流行病学与信息学系，宾夕法尼亚大学）
AI总结 VISTA-PATH是一种交互式基础模型，通过整合专家反馈和多类分割，提升病理图像分割的临床应用价值。
通过等比机制推荐最佳论文奖项：机器学习/人工智能会议
机构 * Yale University（耶鲁大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出通过等比机制提高机器学习会议最佳论文评选质量，通过作者评估调整评分以提升真实质量估计。
利用互联问题设计AI鲁棒评估：一种理论严谨且经验证实的框架
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出了一种理论严谨且经验证实的框架，通过设计互联问题来提高评估的AI鲁棒性，挑战了开放性评估的鲁棒性假设，并提供了实证支持和实用设计方法。
Comments 8 pages, 3 figures and 3 tables, under submission to IEEE FIE
大规模预训练视觉变换器中物体绑定是否自然涌现？
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Machine Learning Group, Technical University of Berlin（柏林技术大学机器学习小组）
AI总结 研究发现大规模预训练视觉变换器中自然涌现出物体绑定能力，通过分析ViT各层嵌入发现IsSameObject能有效引导注意力，挑战了ViTs缺乏物体绑定的传统观点。
Comments Accepted as a Spotlight at NeurIPS 2025
语言水印的最优检测与伪随机碰撞
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Yale University（耶鲁大学）
AI总结 本文提出了一种基于最小单位的统计框架，用于在不完美伪随机性下优化语言水印检测，通过理论分析和实验验证提升了检测能力并严格控制类型I错误。
谱正交化在缪子中的预条件化优势
机构 * Penn Department of Statistics and Data Science, 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，宾夕法尼亚大学） ； Yale Department of Statistics and Data Science, Yale University（耶鲁大学统计与数据科学系，耶鲁大学） ； Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系，宾夕法尼亚大学）
AI总结 研究通过矩阵分解和上下文学习案例，证明简化版缪子在谱域中通过独立序列实现线性收敛，优于梯度下降和Adam。
实时截止时间揭示了LLM战略对话中的时间意识失败
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 研究发现LLM在时间敏感任务中存在时间跟踪不足的问题，导致在实时截止条件下表现不佳，但能在回合制限制下表现良好。
LLMs预测人类行为有多好？一种衡量其预训练知识的方法
机构 * Department of Economics, University of Pennsylvania（宾夕法尼亚大学经济学系） ； School of Economics, University of Bristol（布里斯托大学经济学院） ； Department of Economics, Northwestern University（西北大学经济学系）
AI总结 本文提出了一种衡量LLM预测人类行为能力的方法，通过等效样本量评估其预训练知识，并在经济领域应用发现其预测效果因变量而异。
可迁移的图形MARL用于动态无线网络中的实时估计
机构 * Department of Electrical and Computer Engineering, Rutgers University（罗格斯大学电气与计算机工程系） ； Department of Biostatistics and Bioinformatics, Duke University（杜克大学生物统计与生物信息学系） ； Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系）
AI总结 本文提出了一种可迁移的图形MARL框架，用于动态无线网络中的实时估计，通过统一的多智能体强化学习方法，实现去中心化策略下的估计误差和信息年龄最小化，同时具备良好的迁移性和鲁棒性。
通过错误分解增强基于LLM的数据标注
机构 * Columbia University（哥伦比亚大学） ； University of California, Irvine（加州大学尔湾分校） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 通过错误分解增强基于LLM的数据标注，提出诊断评估范式以区分任务固有模糊性与模型不准确，提升标注质量评估的准确性与实用性。
LIBRA：基于语言模型的带状 recourse 算法用于个性化治疗计划
机构 * McCombs School of Business, University of Texas at Austin（德克萨斯大学奥斯汀分校麦克斯韦商学院） ； Naveen Jindal School of Management, University of Texas at Dallas（德克萨斯大学达拉斯分校奈文·金达管理学院） ； Mays Business School, Texas A&M University（德克萨斯农工大学梅斯商学院） ； Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院）
AI总结 LIBRA 是一种结合大语言模型和带状学习的算法，用于在个性化治疗中实现更高效的决策和鲁棒性。
Comments 50 pages. Previous version with human-AI collaboration: arXiv:2410.14640
版权纠纷的概率分析与生成式AI安全
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文通过概率方法分析版权纠纷，并评估生成式AI的版权安全，揭示了NAF条件的局限性。
Comments 5 pages
Journal ref Proc. 20th Int. Conf. on Artificial Intelligence and Law (ICAIL '25), ACM, pp. 470-474 (2026)
医学SAM3：一种通用提示驱动的医学图像分割基础模型
机构 * University of Central Florida, Orlando, USA（佛罗里达大学） ； University College London, London, UK（伦敦大学学院） ； University of Illinois Urbana-Champaign, Champaign, USA（伊利诺伊大学厄巴纳-香槟分校） ； University of Trento, Trento, Italy（特伦托大学） ； The Hong Kong Polytechnic University, China（香港理工大学） ； University of Pennsylvania, Philadelphia, USA（宾夕法尼亚大学）
AI总结 Medical SAM3通过微调SAM3模型，提升医学图像分割的通用提示驱动能力，解决领域偏移和复杂结构推理问题。
简洁的代理不如专家：使用风格特征于对话代理时揭示副作用
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 研究揭示了在对话代理中使用风格特征时的副作用，指出不同风格特征之间存在深度交织，传统方法难以有效控制，需更原理化的多目标引导策略。
研究检索增强生成系统在无法回答、无法欺骗、现实、多跳查询上的应用
机构 * Yale University（耶鲁大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Human Language Technology Center of Excellence（语言技术中心卓越中心） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出了一种自动创建难以欺骗、现实、无法回答和多跳查询的流程，以更真实地测试RAG系统的性能。
Comments ECIR 2026
Fed-SE: 联邦自我进化用于隐私约束下的多环境大语言模型代理
机构 * Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） ； UTHealth Houston（UT健康科学中心休斯顿分校） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 Fed-SE通过局部进化与全局聚合范式，在隐私约束下提升多环境大语言模型代理的跨环境知识转移效果。
让我思考！一个长的推理链可能比许多短的链多出指数倍
机构 * UC San Diego（UC圣地亚哥大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Harvard University（哈佛大学）
AI总结 本文探讨了推理链扩展策略，证明在特定图连通性问题中顺序扩展比并行扩展更有效。
Comments Published at NeurIPS 2025
利用大语言模型检测协作学习中的社会共享调节
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Vanderbilt University（范德堡大学） ； University of Detroit Mercy（底特律默克大学） ； New York University（纽约大学）
AI总结 本文利用大语言模型检测协作学习中的社会共享调节行为，通过嵌入方法提升学习分析的预测能力。
Comments Short research paper accepted at Learning Analytics and Knowledge (LAK '26)
量化混合问题形式中跨指令边界的LLM偏见
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Pennsylvania（宾夕法尼亚大学） ； Huazhong University of Science and Technology（华中科技大学） ； Hong Kong Polytechnic University（香港理工大学） ； Nanjing University of Posts and Telecommunications（南京邮电大学）
AI总结 本文提出BiasDetector基准，用于评估LLM在混合问题形式数据集下对稀疏标签混合的识别能力，揭示用户指令对LLM偏见的影响。
模糊聚类的统计推断
机构 * Department of Biostatistics & Bioinformatics, Duke University（杜克大学生物统计与生物信息学系） ； Department of Statistics & Data Science, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系） ； Department of Biostatistics & Bioinformatics and Department of Computer Science, Duke University（杜克大学生物统计与生物信息学系和计算机科学系）
AI总结 本文提出加权模糊c均值方法，通过统计推断框架解决聚类大小不平衡问题，提升不确定性量化与生物意义的软成员资格分析。
数字孪生AI：从大语言模型到世界模型的机会与挑战
机构 * Lehigh University（莱文斯顿大学） ； University of Maryland（马里兰大学） ； University of New South Wales（新南威尔士大学） ； Worcester Polytechnic Institute（沃思维尔理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Notre Dame（圣约翰大学） ； Columbia University（哥伦比亚大学） ； University of Georgia（佐治亚大学） ； Yale University（耶鲁大学） ； Texas A&M University（德克萨斯A&M大学） ； Stanford University（斯坦福大学） ； Squirrel Ai Learning ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Texas Health Science Center at Houston（德克萨斯大学健康科学中心休斯顿分校） ； University of California, Riverside（加州大学河滨分校） ； Florida International University（佛罗里达国际大学） ； Purdue University（普渡大学） ； Children’s Hospital of Philadelphia（费城儿童医院）
AI总结 本文提出统一的四阶段框架，探讨数字孪生中AI整合的机会与挑战，涵盖建模、镜像、干预和自主管理，强调大语言模型和基础模型的作用。
激进压缩使大语言模型权重窃取成为可能
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Center for AI Safety（人工智能安全中心）
AI总结 本文研究了通过压缩使大语言模型权重窃取风险增加的问题，提出通过放松解压缩约束来提升窃取效率，并探讨了三种防御方法以降低窃取风险。
Comments An early version of this work was presented at the SoLAR Workshop at NeurIPS 2024
grokking是否是计算玻璃的松弛？
机构 * Department of Physics, City University of Hong Kong（香港城市大学物理系） ； Department of Physics and Astronomy, University of Pennsylvania（宾夕法尼亚大学物理与天文学系） ； Innovation Campus Delaware, Air Liquide（Air Liquide创新校园）
AI总结 本文将grocking解释为计算玻璃松弛，提出无熵障碍的内存到泛化转变，并开发WanD优化器消除grocking，挑战传统理论并提出新优化器设计方向。
RNBF: 基于实时RGB-D的神经障碍函数用于安全机器人导航
机构 * University of Southern California（南加州大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出了一种实时RGB-D神经障碍函数框架，用于在未知环境中实现安全机器人导航，通过在线构建可微的SDFs并处理传感器噪声，提升导航安全性。
ADMM-MCBF-LCA：一种用于安全实时导航的分层控制架构
机构 * School of Engineering and Applied Science, University of Pennsylvania（工程与应用科学学院，宾夕法尼亚大学）
AI总结 ADMM-MCBF-LCA通过分层控制架构实现安全实时导航，结合离线路径库和在线路径选择，确保在动态环境中安全完成任务。
Journal ref Proc. IEEE Int. Conf. Robot. Autom. (ICRA), 2025, pp. 9243-9250
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