高校专区
TrajTok: 用于轨迹表示学习的自适应空间令牌化
机构 * University of Southern California（南加州大学）
AI总结 本文提出TrajTok，一种通过自适应空间令牌化学习通用轨迹表示的方法，通过多分辨率六边形网格划分和预训练策略，实现了在轨迹相似性搜索、分类、预计到达时间和旅行时间回归等任务上的优异表现。
并非所有不确定性都相同：波动性、随机性与探索
机构 * Department of Psychology, University of Southern California（南加州大学心理学系）
AI总结 本文研究了在生物和人工智能中适应性决策中波动性和随机性对探索的影响差异，提出了CAUSE方法以提升探索效率。
用时空逻辑引导神经符号场景生成
机构 * University of Trieste（特里埃斯特大学） ； University of Southern California（南加州大学）
AI总结 本研究提出STRELGen框架，结合扩散模型和时空逻辑规范，高效生成安全关键的多智能体驾驶场景，提升自动驾驶系统的鲁棒性验证能力。
CHI-Bench: 能否让AI代理自动化端到端、长周期、政策丰富的医疗工作流程？
机构 * Johns Hopkins Medicine（约翰霍普金斯医学中心） ； Wellstar Health System（Wellstar健康系统） ； Stanford University（斯坦福大学） ； CMU（卡内基梅隆大学） ； UCSD（加州大学圣地亚哥分校） ； Yale School of Medicine（耶鲁医学院） ； Salesforce AI Research（Salesforce人工智能研究） ； University of Washington（华盛顿大学） ； Northeastern University（东北大学） ； Brown University（布朗大学） ； Boston College（波士顿学院） ； Stony Brook University（史泰森布里克大学） ； University of Oxford（牛津大学） ； Arizona State University（亚利桑那州立大学） ； University of Southern California（南加州大学） ； Emory University（埃默里大学） ； MBZUAI ； Recursive Superintelligence（递归超级智能） ； University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
AI总结 本文提出CHI-Bench基准，旨在评估AI代理在医疗工作流程中端到端、长周期和政策丰富任务中的自动化能力，揭示当前基准测试中政策密度、多角色协作和多方交互等能力的不足。
Comments Website: https://actava.ai/benchmarks Code: https://github.com/actava-ai/chi-bench Dataset: https://huggingface.co/datasets/actava/chi-bench
SACHI：通过整体信息整合实现多智能体强化学习中的结构化智能体协调
机构 * University of Southern California（南加州大学） ； DEVCOM Army Research Laboratory（美国陆军研究实验室） ； DEVCOM Army Research Office（美国陆军研究办公室）
AI总结 本文提出SACHI方法，通过整体信息整合实现多智能体强化学习中的结构化智能体协调，解决了智能体在部分局部观察下协调行动的信息瓶颈问题，通过图Transformer卷积在智能体协调图上增强每个智能体的表示，从而在多个任务中表现出色。
在大型语言模型中追溯道德基础
机构 * Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Department of Psychology, University of Southern California（南加州大学心理学系） ； Center for Computational Language Sciences, University of Southern California（南加州大学计算语言科学中心）
AI总结 本文研究了大型语言模型中道德基础的编码、组织和表达，通过多层方法分析道德基础与人类道德感知的一致性，并发现道德结构在预训练和微调过程中自然形成，且部分解耦。
不要在没有充分鲁棒性审计的情况下从LLM社会模拟中绘制科学结论
机构 * Thomas Lord Department of Computer Science, University of Southern California（美国南加州大学计算机科学系汤姆·劳德部门） ； Marshall School of Business, University of Southern California（美国南加州大学马歇尔商学院）
AI总结 本文研究了从LLM社会模拟中得出的科学结论不应强于支持它们的鲁棒性审计，通过两个案例研究展示了小扰动如何影响模拟结果，并提出TRAILS框架以规范鲁棒性审计。
当个体校准的模型成为集体不校准的
机构 * USC Viterbi School of Engineering（南加州大学维特比工程学院）
AI总结 研究探讨了在多智能体环境中，即使每个模型都经过个体校准，聚合预测仍可能不校准的现象，提出通过VCG聚合方法解决这一问题，实现激励相容和近最优性能。
Comments 42 pages, 1 main figure, multiple tables. Accepted at ProbML 2026
基于图的跨行业实时监控框架用于反洗钱检测在融合的移动-能源供应链网络
机构 * School of Public Policy, University of Southern California（南加州大学公共政策学院） ； Boston University（波士顿大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出了一种基于图的跨行业实时反洗钱监控框架（GCRMF），用于整合的旅行-能源供应链网络，通过构建跨行业异构图并结合双图注意力网络，动态编码资本流动路径和时间演变特征，以提高跨行业洗钱行为的识别能力，并通过自监督在线学习机制实现实时适应和持续优化。
注意力的路由和过滤结构
机构 * University of Southern California（南加州大学）
AI总结 本文研究了注意力机制中的路由和过滤结构，通过分解1776个预训练Transformer的头部，发现路由在低秩状态下运行，并引入S-D注意力作为诊断参数化方法，分离路由和过滤，实现稳定训练和有效降维。
Comments 13 pages, 7 figures
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