高校专区
理解量化感知训练：量化权重的梯度偏向低损失盆地
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出统一几何框架解释后训练量化失败与量化感知训练恢复机制，揭示量化感知训练通过梯度感知谷壁使量化点返回低损失盆地。
Comments 31 pages, 10 figures
Video2Sim2Real：从单个人类视频实现全栈自主灵巧技能获取
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Toyota Research Institute（丰田研究所） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出Video2Sim2Real框架，从单个人类操作视频中重建数字孪生并提取运动先验，通过物体关键帧优化机器人配置，结合残差强化学习与碰撞感知规划，实现从仿真到真实世界的灵巧技能迁移。
Comments Website: https://video2sim2real.github.io/
主动流扩展用于分布外发现：从理论到分子
机构 * ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（ETH AI 中心） ； University of Pennsylvania（宾夕法尼亚大学） ； Caltech（加州理工学院） ； FutureHouse
AI总结 提出Active Flow Expansion (ActFlow)方法，通过验证器反馈和主动探索扩展预训练流模型的生成集，覆盖更多有效设计空间，理论证明统计学习保证，在分子和蛋白质任务上优于现有方法。
基于密度传输的流匹配策略强化学习
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出在线强化学习算法RLDT，利用Stein变分梯度下降构建传输场，微调预训练流匹配策略，通过期望目标估计稳定训练，在连续控制任务中优于基线方法。
变分推断默认优化器的大规模经验调优与比较
机构 * Department of Statistics, UBC（统计学系，不列颠哥伦比亚大学） ； Department of Mathematics & Statistics, Boston University（数学与统计学系，波士顿大学） ； Faculty of Computing & Statistics, Boston University（计算与统计学学院，波士顿大学） ； Department of Computer and Information Science, UPenn（计算机与信息科学系，宾夕法尼亚大学）
AI总结 通过大规模实验（56种优化器、1092个问题、55万次运行）评估变分推断中的自适应优化器，发现无单一方法最优，但5种算法组合可接近最佳性能。
Proper Calibeating
机构 * Department of Statistics, Wharton, University of Pennsylvania, Philadelphia, and Amazon, New York（统计系、沃顿商学院、宾夕法尼亚大学费城分校，以及纽约亚马逊公司） ； Institute of Mathematics, Department of Economics, and Federmann Center for the Study of Rationality, The Hebrew University of Jerusalem（数学研究所、经济系、理性研究基金会，以色列希伯来大学）
AI总结 本文将经典校准预测和calibeating概念扩展到真确评分规则，定义proper-calibration和proper-calibeating，证明校准蕴含proper-calibration而calibeating不一定蕴含proper-calibeating，展示如何保证proper-calibeating和proper-multicalibeating，并证明proper-calibration与不确定性决策中对预测最佳回应时通用无遗憾的等价性。
Comments v2: Updated section 6 "Decision Making Under Uncertainty"
Symskill：符号与技能共发明用于数据高效且反应性强的长周期操作
机构 * GRASP Laboratory, University of Pennsylvania（GRASP实验室，宾夕法尼亚大学）
AI总结 Symskill通过联合学习谓词、运算符和技能，实现了数据高效且反应性强的长周期操作，结合了组合泛化与实时恢复能力。
Comments ICRA 2026 Best Conference Paper Award; ICRA 2026 Best Paper Award on Planning and Control; CoRL 2025 Best Paper Award on Learning Effective Abstractions for Planning (LEAP) Workshop (https://symskill.github.io/)
MatSciBench: 基准测试大型语言模型在材料科学中的推理能力
机构 * University of California, Los Angeles Computer Science Department（加州大学洛杉矶分校计算机科学系） ； University of Pennsylvania Department of Materials Science and Engineering（宾夕法尼亚大学材料科学与工程系） ； Virginia Tech Department of Computer Science（弗吉尼亚理工大学计算机科学系）
AI总结 提出MatSciBench基准，包含1340道大学级材料科学问题，覆盖6个主领域和31个子领域，评估LLM推理能力，发现当前模型在领域知识、计算和图表理解方面存在局限。
VFEM: 视觉特征赋能的多变量时间序列预测与跨模态融合
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Pengcheng Laboratory（鹏城实验室） ； Ant Group（蚂蚁集团） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳）） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出VFEM模型，利用预训练大视觉模型通过跨模态注意力融合视觉与时间特征，仅训练7.45%参数即可捕捉跨变量依赖，提升多变量时间序列预测性能。
利用场景图扩展机器人模仿学习的时空上下文
机构 * University of Pennsylvania（宾夕法尼亚大学） ； RAI Institute（RAI研究院） ； University of Michigan（密歇根大学）
AI总结 提出使用场景图作为显式结构化记忆机制，通过动态维护对象中心关系及其时间演化，解决机器人模仿学习中的部分可观测性和长时推理问题。
ActiveGrasp: 基于校准能量模型的信息引导主动抓取
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Archimedes, Athena RC（阿基米德、阿提卡RC）
AI总结 针对密集杂乱环境中的抓取问题，提出一种校准能量模型生成抓取姿态，并基于抓取分布的信息增益主动选择视角，在有限视角下高效抓取目标物体。
Comments CVPR 2026
基于归一化流的潜在推理
机构 * University of Pennsylvania（宾夕法尼亚大学） ； UC San Diego（圣地亚哥大学） ； Meta
AI总结 提出NF-CoT框架，通过归一化流在LLM内部建模连续潜在思维，保留自回归生成、概率采样、KV缓存解码和似然估计等优势，在代码生成任务中提升通过率并降低推理成本。
使用时间序列基础模型的攻击检测
机构 * University of Pennsylvania（宾夕法尼亚大学） ； KTH Royal Institute of Technology（皇家理工学院） ； Uppsala University（乌普萨拉大学）
AI总结 针对无模型知识的网络物理系统，提出基于TimesFM时间序列基础模型的零样本攻击检测方法，在IEEE 14节点电力系统上验证其性能。
Comments Under review
Meridian: 超越城市环境的跨视角地理定位的度量-语义基元匹配
机构 * Massachusetts Institute of Technology（麻省理工学院） ； GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室） ； U.S. Army Combat Capabilities Development Command, Army Research Laboratory（美国陆军战斗能力发展指挥部，陆军研究实验室）
AI总结 提出Meridian方法，通过匹配航拍图像与地面机器人RGB-D数据中的高层度量-语义基元，无需特定区域训练即可实现跨多种环境的全局定位，平均轨迹误差2.4米。
Comments 9 pages, 6 figures
AlloGen: 基于差异状态评分的构象选择性结合物生成
机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； The Chinese University of Hong Kong（香港中文大学） ； Department of Bioengineering（生物工程系） ； University of Pennsylvania（宾夕法尼亚大学） ； Department of Computer and Information Science（计算机与信息科学系）
AI总结 提出AlloGen框架，通过可学习的构象选择性评分器Qθ，结合骨架生成与状态选择性，实现针对蛋白不同构象状态的选择性结合物设计。
通用合成数据驱动推断
机构 * Department of Electrical and Computer Engineering, Technion IIT, Israel（电气与计算机工程系，技术离子研究所，以色列） ； Department of Statistics and Data Science, The Wharton School, University of Pennsylvania, USA（统计学与数据科学系，沃顿商学院，宾夕法尼亚大学，美国） ； Department of Computer Science, Technion IIT, Israel（计算机科学系，技术离子研究所，以色列）
AI总结 本文提出了一种通用合成数据驱动推断框架，通过结合高质量合成数据和真实数据来提高样本效率，同时在合成数据质量低时自动回退到传统方法，无需分布假设即可保持误差率在用户指定范围内。
新基准测试显示TCR抗原表位预测模型的泛化能力有限
机构 * Trustworthy and Intelligent Computing Lab (TAIC), Department of Computer Science and Electrical Engineering, University of Maryland, Baltimore County（可信智能计算实验室（TAIC），计算机科学与电气工程系，马里兰大学巴尔的摩分校） ； Children’s Hospital of Philadelphia（费城儿童医院） ； Department of Bioengineering, University of Pennsylvania（生物工程系，宾夕法尼亚大学） ； Institute for Immunology & Immune Health, University of Pennsylvania（免疫学与免疫健康研究所，宾夕法尼亚大学） ； Institute for RNA Innovation, University of Pennsylvania（RNA创新研究所，宾夕法尼亚大学） ； Abramson Cancer Center, University of Pennsylvania（Abramson癌症中心，宾夕法尼亚大学） ； Center for Precision Engineering for Health, University of Pennsylvania（健康精准工程中心，宾夕法尼亚大学） ； Center for Cellular Immunotherapies, University of Pennsylvania（细胞免疫治疗中心，宾夕法尼亚大学）
AI总结 本文通过构建两类严格定义的未见基准数据集，评估了T细胞受体(TCR)抗原特异性预测模型的性能，发现现有模型泛化能力有限，并提出了改进框架。
Comments 6 pages, 1 figure. Preprint version
3D视觉食谱：数据、学习范式与应用
机构 * Brown University（布朗大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； New York University（纽约大学） ； The University of Sydney（悉尼大学） ； Stability AI
AI总结 本文提出一种以数据为中心的3D视觉分类法，通过分析点云、网格、体素和3D高斯等几何表示及其获取流程，以及数据集设计、基准构建和监督机制，统一了表示、学习范式与下游任务（重建、生成、视频建模）之间的关系。
Comments Accepted to the CVPR 2026 OpenSUN3D Workshop. Official version available at CVF Open Access. https://openaccess.thecvf.com/content/CVPR2026W/OpenSUN3D/html/Du_A_Cookbook_of_3D_Vision_Data_Learning_Paradigms_and_Application_CVPRW_2026_paper.html
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026
PointAction: 3D点作为机器人控制的通用动作表示
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出PointAction框架，通过微调视频生成模型联合预测未来RGB帧和动态3D点图，将点动力学作为与具体本体无关的动作接口，再由扩散动作解码器映射为可执行动作，以减少RGB动作歧义并跨任务/本体迁移。
Comments Project page: https://oriontmt.github.io/pointaction/
LLM 的拒绝回答可能既是真实不确定性的体现，也是提示的产物
机构 * The 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） ； Nanjing University of Posts and Telecommunications（南京邮电大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 本文发现大语言模型（LLM）的拒绝回答行为不仅源于真实不确定性，还受提示结构影响，称为“拒绝膨胀”，并通过实验证明该现象由额外选项的结构性存在触发，而非真实不确定性。
通过模拟退火逃离局部极小值：近似凸函数的优化
机构 * The Fuqua School of Business, Duke University（德克萨斯大学福克商学院） ； Department of Statistics, The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院统计系） ； Department of Statistics and Department of Mathematics, University of Washington（华盛顿大学统计系和数学系）
AI总结 本文研究了如何通过模拟退化方法优化近似凸函数，提出了一种基于Hit-and-Run方法的采样算法，能够有效避免局部极小值问题，并在零阶随机凸优化中实现了高效的ε-极小值求解。
Comments 27 pages
Journal ref Proceedings of the 28th Conference on Learning Theory 40 (2015) 240-265
多机器人网络中基于多重李雅普诺夫函数的去中心化目标分配与安全轨迹生成
机构 * GRASP Lab, 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GRASP实验室）
AI总结 本文研究了在仅本地通信可用的情况下多机器人网络的去中心化目标分配与轨迹生成问题，提出了一种基于切换系统和集合不变性方法的解决方案。通过使用一组李雅普诺夫-like函数编码候选目标分配的局部决策，使连接的代理选择最短总距离到目标的分配。当最优分配可能导致碰撞轨迹时，使用另一组李雅普诺夫-like屏障函数来维持系统安全并保持收敛保证。所提出的切换策略产生计算高效且可扩展的反馈控制策略，适用于在有限信息共享下机器人网络的快速响应部署。
随机系统辨识的有限样本分析
机构 * 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 本文基于机器学习和统计学的现代工具，研究了随机系统辨识的有限样本复杂性。通过子空间辨识算法和有限数量的输出样本，提供了系统参数估计误差的非渐近高概率上界，证明了在高概率下估计误差以1/√N的速度减小。
Comments Under review
通过高分辨率微分方程理解加速现象
机构 * Florida International University（佛罗里达国际大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文通过高分辨率微分方程研究优化算法的加速现象，提出了一种新的极限过程，能够区分Nesterov加速梯度法和Polyak重力球方法，并揭示了NAG-C在非强凸函数下的收敛特性。
Comments 82 pages, 11 figures
自动驾驶车辆验证：一个基准
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出一个简单的形式化模型用于自动驾驶车辆，尽管经过简化后其安全性已手动证明，但目前尚无自动形式化验证工具支持其动态特性，旨在为形式化验证工具提供挑战。
Comments 7 pages
非参数随机组合梯度下降法在连续马尔可夫决策问题中的Q学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； U.S. Army Research Laboratory（美国陆军研究实验室）
AI总结 本文提出非参数随机组合梯度下降法用于连续马尔可夫决策问题中的Q学习，通过将贝尔曼最优性方程转化为嵌套非凸随机优化问题，并利用核诱导再生核希尔伯特空间进行参数化，最终证明算法在概率意义下收敛于问题的 stationary 点。
鲁棒线性分类：一种应对训练数据攻击的方法
机构 * Department of Computer \& Information Science University of Pennsylvania ； University of Pennsylvania
AI总结 本文提出一种鲁棒线性分类方法，通过引入多数约束，提高对抗训练数据攻击的鲁棒性，验证了传统算法在攻击下的脆弱性。
Comments Accepted as a conference paper at ICCPS17
无需回忆的学习：对日志线性学习的案例
机构 * Department of Electrical and Systems Engineering, University of Pennsylvania, Philadelphia, PA 19104-6228 USA（电气与系统工程系，宾夕法尼亚大学，费城，PA 19104-6228 USA）
AI总结 本文研究了在无回忆条件下，理性代理人如何通过合理推断进行学习和信念形成，探讨了时间变化先验对学习和学习速率的影响。
Comments in 5th IFAC Workshop on Distributed Estimation and Control in Networked Systems, (NecSys 2015)
形式化绑定问题
机构 * Department of Physics and Astronomy, University of Pennsylvania, Philadelphia, PA, USA（物理与天文学系，宾夕法尼亚大学） ； Department of Neuroscience, University of Pennsylvania, Philadelphia, PA, USA（神经科学系，宾夕法尼亚大学） ； Department of Computer and Information Science, University of Pennsylvania（计算机与信息科学系，宾夕法尼亚大学） ； Department of Psychology, University of Pennsylvania（心理学系，宾夕法尼亚大学） ； Machine Learning Group, Technical University of Berlin, Berlin, Germany（机器学习组，柏林技术大学） ； Language Technology Institute, Carnegie Mellon University, Pittsburgh, PA, USA（语言技术研究所，卡内基梅隆大学）
AI总结 本文用信息论方法形式化绑定问题，提出一种探测方法测量模型表示中的绑定信息，并在视觉Transformer上实验，证明绑定是强视觉识别和推理的关键要素。
Comments Accepted to ICML 2026
基于无线冲突图的图神经网络极限分析
机构 * Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系） ； Halıcıoğlu Data Science Institute, UCSD（加州大学圣地亚哥分校Halıcıoğlu数据科学研究所）
AI总结 针对稀疏随机几何图上的图神经网络，通过分析其与确定性网格图的接近性，建立了跨尺度迁移性的理论界限，并在链路调度问题中验证了学习策略的优越性。
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