高校专区
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。
神经导航函数用于零样本泛化运动规划
机构 * University of Pennsylvania, United States（宾夕法尼亚大学，美国） ； Department of Mechanical Engineering and Applied Mechanics（机械工程与应用力学系） ； Department of Electrical and Systems Engineering（电气与系统工程系）
AI总结 提出神经导航函数（Neural-NF），通过将数据驱动适应嵌入结构化椭圆规划器，实现跨未见环境几何的零样本迁移，并保证无碰撞、单调下降和全局最小值。
Comments 17 pages, 10 figures
LLM辅助重排序以在推荐系统中实现细微目标
机构 * Department of Communication, University of California, Los Angeles, CA 90095（通信系，加州大学洛杉矶分校，CA 90095） ； Department of Computer and Information Science, University of Pennsylvania, Philadelphia, PA 19104（计算机与信息科学系，宾夕法尼亚大学，Philadelphia, PA 19104） ； Amenenberg School of Communication, University of Pennsylvania, Philadelphia, PA 19104（安纳伯格通信学院，宾夕法尼亚大学，Philadelphia, PA 19104） ； Operations, Information, and Decisions Department, University of Pennsylvania, Philadelphia, PA 19104（运营、信息与决策系，宾夕法尼亚大学，Philadelphia, PA 19104）
AI总结 本研究通过零样本指令提示对YouTube侧边栏候选进行重排序，发现无约束的LLM辅助重排序会放大极端和阴谋论内容，而轻量级提示正则化可在轻微损失相关性的情况下减少极端内容并增加意识形态多样性。
Comments 30 pages total; 11 pages, 5 figures, 2 tables (main text); 19 pages, 11 figures, 9 tables (appendix)
MultiTurnPSB：评估多轮越狱攻击与基于分类器的防御在医疗AI安全中的应用
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出多轮对抗基准MultiTurnPSB，通过四轮对话评估医疗聊天机器人的安全漏洞，发现多轮攻击下不安全响应率从35%升至近80%，并验证了轻量级输入分类器可降低52个百分点的不安全响应但存在高误报率。
NBQ: 动态画像中的下一最佳问题
机构 * National University of Singapore（国立新加坡大学） ； University of Pennsylvania（宾夕法尼亚大学） ； EvenUp
AI总结 提出NBQ框架，通过自适应选择信息增益最大的问题，从对话中动态构建用户画像，并引入QuickMatch加速双向匹配。
Journal ref KDD 2026
MIND: 多尺度意图扩散用于文本驱动的基于物理的人形控制
机构 * ShanghaiTech University（上海科技大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Bytedance Seed（字节跳动种子） ； Stanford University（斯坦福大学） ； InstAdapt
AI总结 提出MIND框架，通过多尺度意图扩散机制将文本命令与低级动作语义对齐，实现基于物理的人形机器人行为生成。
机制设计是不够的：面向合作AI的亲社会智能体
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； Institute for Decentralized AI（去中心化人工智能研究所） ； Jinesis Lab, University of Toronto & Vector Institute（多伦多大学Jinesis实验室及向量研究所） ； EuroSafeAI ； University of Pennsylvania（宾夕法尼亚大学） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（德国图宾根最大计划智能系统研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所）
AI总结 本文证明仅靠机制设计无法最大化LLM智能体的社会福利，并提出亲社会智能体（兼顾他人福利）能弥补这一差距，实现更优的社会与个体结果。
Comments 42 pages
处处学习：具有逐点约束的人工智能
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） ； École polytechnique, Institut Polytechnique de Paris（巴黎理工学院）
AI总结 提出“处处学习”新范式，通过近似对偶理论分析泛化性能，并用稀疏L1惩罚控制泛化，在语言模型任务中验证其优势。
SafeVLA-Bench: 视觉-语言-动作模型中成功-安全差距的基准
机构 * University of Notre Dame（诺丁汉大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出SafeVLA-Bench，一种基于信号时序逻辑的后验安全评估框架，用于量化VLA策略在完成任务时的安全违规行为，揭示成功与安全之间的差距。
Comments 27 pages, 5 figures
DREAM-S: 基于可搜索草稿与目标感知精炼的推测解码用于多模态生成
机构 * New York University（纽约大学） ； Cerebras Systems Inc.（Cerebras Systems公司） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出DREAM-S框架，通过神经架构搜索和目标感知超网训练自动优化草稿模型架构与交互策略，结合注意力熵引导的自适应中间特征蒸馏，实现视觉语言模型的高效推测解码，加速比达3.85倍。
内积感知量化：可证明快速、准确且自适应的算法
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出内积感知量化方法，通过优化目标函数并利用自适应随机量化（ASQ）理论，开发出快速且无偏的量化算法，在保证质量的同时比现有方法快2-10倍。
智能体Transformer通过强化学习可证明地学会搜索
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pennsylvania（宾夕法尼亚大学） ； The Ohio State University（俄亥俄州立大学） ； Yale University（耶鲁大学）
AI总结 本文通过构建双头Transformer实现随机深度优先搜索，并分析策略梯度训练动力学，证明该搜索机制能从稀疏强化反馈中分阶段涌现，且具备深度泛化能力。
有状态在线监控捕获分布式智能体攻击
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 针对分布式智能体攻击中跨账户聚合的恶意行为难以被单上下文监控检测的问题，提出一种基于实时聚类的有状态在线监控方法，能够更早、更有效地捕获分布式攻击，同时保持低延迟。
智能体强化学习中的技能重用作为压缩
机构 * Arizona State University（亚利桑那州立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学）
AI总结 提出ReuseRL方法，基于最小描述长度原则将成功轨迹压缩为可重用技能字典，并通过分割代价惩罚低效编码行为，在多个环境中提升分布内和分布外成功率。
Comments Work in progress
mRNAutilus：多目标引导的mRNA离散生成与优化治疗特性
机构 * Atom Bioworks Inc.（Atom Bioworks公司） ； 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） ； Department of Bioengineering University of Pennsylvania（宾夕法尼亚大学生物工程系） ； Center of Computational Biology Duke-NUS Medical School（杜克-新加坡国立大学医学学院计算生物学中心） ； GenScript USA Inc.（GenScript美国公司）
AI总结 提出mRNAutilus框架，结合掩码离散扩散模型和蒙特卡洛树引导，实现同时优化密码子和从头设计UTR，生成多目标帕累托最优的完整mRNA序列，在多个靶标上显著提升表达和稳定性。
扩散模型中的遗忘学习：基于KL散度和似然约束的统一框架
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Tennessee, Knoxville（田纳西大学，基洛纳）
AI总结 提出一个约束优化框架，通过最小化与预训练模型的偏差并施加与遗忘分布的分离约束，实现扩散模型中的概念和数据遗忘，并基于KL散度和似然约束推导最优解及原始-对偶算法。
Comments 27 pages, 6 figures, 4 tables; Accepted by ICML 2026
基于Bernstein多项式近似的几何感知控制障碍函数用于碰撞避免
机构 * GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室） ； Department of Computer Science, University of Illinois Chicago（伊利诺伊大学芝加哥分校计算机科学系） ； Department of Computer Science, University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校计算机科学系）
AI总结 提出一种基于Bernstein多项式符号距离场的几何感知控制障碍函数，统一表示障碍物与机器人，利用多项式可微性实现闭环控制约束，保证单机器人和异构多机器人碰撞避免的安全性与效率。
Comments 8 pages; Accepted by 2026 IEEE International Conference on Robotics and Automation (ICRA 2026)
奖励偏差替代：单轴偏差缓解措施重定向优化压力
机构 * Stanford University（斯坦福大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出奖励偏差替代现象，即单轴缓解奖励模型偏差（如减少对长度、谄媚或风格的依赖）会将优化压力转移到相关代理上而非消除，并通过理论证明和实验（如GRPO训练中的长度惩罚导致过度自信）揭示了该问题，建议在评估中纳入策略诱导分布并跟踪多偏差。
Comments Improved readability (mostly appendix D)
Neurosim: 一种用于神经形态机器人感知的快速模拟器
机构 * GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）
AI总结 提出Neurosim和Cortex库，通过高速传感器模拟和低延迟通信，支持神经形态感知与控制算法的训练和闭环测试。
Comments 11 pages, 6 figures
语言模型智能体中目标导向性的行为与表征评估
机构 * University of Pennsylvania（宾夕法尼亚大学） ； New York University（纽约大学） ； Indiana University, Bloomington（印第安纳大学，布卢明顿） ； Northeastern University（东北大学） ； University College London（伦敦大学学院）
AI总结 本文提出一种结合行为评估与内部表征可解释性分析的目标导向性评估框架，并以LLM智能体在2D网格世界中的导航为例，验证了其行为与表征的一致性。
Comments Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
超级激活机制：Transformer将可靠概念信号集中在尾部
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文发现Transformer中的超级激活机制，通过放大概念激活差距，将最可靠的概念证据集中在少数高激活token上，并基于此提出检测方法，在图像和文本模态中F1提升高达0.14。
当2D任务遇到1D序列化：结构化任务中的序列化摩擦
机构 * Northeastern University（东北大学） ； University of Pennsylvania（宾夕法尼亚大学） ； UC Santa Cruz（加州大学圣克鲁兹分校） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； University of Montreal（蒙特利尔大学） ； BAIR, UC Berkeley（伯克利大学BAIR实验室）
AI总结 研究通过矩阵转置、康威生命游戏和LU分解三个任务，发现将二维布局任务序列化为一维文本会因表示不匹配导致性能下降，且错误呈现空间结构模式。
图Transformer的尺寸可迁移性与卷积位置编码
机构 * Department of Electrical and Systems Engineering（电气与系统工程系） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California San Diego（圣地亚哥大学）
AI总结 通过图神经网络位置编码建立图Transformer与流形神经网络的联系，证明其在小图上训练后可泛化到大图，并在标准基准和实际地形最短路径估计任务中验证可扩展性。
CORE-T: 面向文本到SQL的表格连贯检索
机构 * Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science TU Darmstadt and National Research Center for Applied Cybersecurity ATHENE, Germany（普适知识处理实验室（UKP实验室），计算机科学系 TU Darmstadt 和应用网络安全国家研究中心 ATHENE，德国） ； Arizona State University（亚利桑那州立大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出CORE-T框架，通过LLM生成元数据和预计算兼容性缓存，在无需训练的情况下从异构表集合中高效检索连贯可连接的表集合，提升表选择F1最多22.7点并减少40%的表数量。
Comments Preprint is revised and under review. Code and data available at: https://github.com/UKPLab/arxiv2026-core-t
AttuneBench: 基于对话的LLM情商基准测试
机构 * Pareto ； Thoughtful ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出AttuneBench基准，基于200个真实多轮人机对话，评估LLM在情绪识别、行为分类、偏好预测和响应质量等方面的情商能力，发现这些能力相互独立且偏好对齐和响应质量更具区分性。
Comments v2: Updated def_18 and def_20 supplemental figures to cover all 11 evaluated models (previously 9). Removed redundant supplemental figures. Corrected select captions (color descriptions, chance baselines, figure-content mismatches). No changes to experimental results, numerical claims, or conclusions
小型智能体群是数字健康的未来
机构 * State University of New York at Binghamton（纽约州立大学布inghamton分校） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出小型智能体群（SAG）通过协作推理替代单一大型模型，在数字健康中实现更优的有效性、可靠性和部署效率。
Comments ICML'26
生成式4D世界中的可扩展射频仿真
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出WaveVerse框架，通过语言引导的4D世界生成器和物理信号模拟器实现可扩展的射频信号仿真，在相位敏感基准上表现高保真度，并有效提升下游任务性能。
Comments Accepted to ICML 2026
DREAM-R: 基于强化学习的精炼草稿、精确验证与完全并行执行的多模态推测推理
机构 * New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出DREAM-R框架，通过强化学习优化草稿生成、阈值验证机制和完全并行执行，加速多模态模型的推理密集型任务，同时保持准确性。
语言模型中的形式与功能测量
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Department of Linguistics and Computer and Information Science（语言学与计算机与信息科学系）
AI总结 通过引入儿童语言习得的定量指标，提出上下文替代选择（CAC）提示方法，评估语言模型在英语限定词的形式句法和功能话语知识方面的表现，发现仅大型模型能同时满足形式和功能基准。
Comments Under review at ACL Rolling Review May 2026 cycle
EventShiftFlow：面向硬件高效的基于FPGA的流估计
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出一种基于事件相机的流估计方法，通过离散化事件、构建1位空间占用网格并并行评估速度假设，仅使用固定宽度整数逻辑实现，无需帧重建、浮点运算或迭代优化，适用于低延迟机器人感知。
Comments 10 pages, 5 figures. Accepted to the IEEE ICRA 2026 Workshop on Challenges and Opportunities of Neuromorphic Field Robotics and Automation
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