高校专区
LadderMan: 学习人形机器人感知爬梯
机构 * Amazon FAR（亚马逊FAR） ； USC（美国南加州大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； CMU（卡内基梅隆大学）
AI总结 提出LadderMan系统，通过两阶段学习管道和视觉基础模型，使人形机器人能够鲁棒地攀爬多种梯子并在梯子上进行操控。
GS-NFS: 动态高斯溅射和点云的带宽自适应流传输
机构 * University of Southern California（南加州大学）
AI总结 提出GS-NFS方法，通过GPU并行加速动态3DGS帧的编解码，实现全帧率运行，速度比现有技术快1-2个数量级，同时保持竞争性的压缩性能和渲染质量。
DP-MacAdam：具有自适应裁剪和自适应动量的差分隐私机制
机构 * University of Southern California（南加州大学）
AI总结 提出DP-MacAdam算法，通过联合利用梯度均值和方差估计进行自适应裁剪和动量更新，在无需手动调整裁剪阈值的情况下提升模型效用。
Comments 6 pages, 2 tables
转换而非等价：通过观察等价性基准测试代码库转换
机构 * University of Southern California（南加州大学） ； Google Cloud AI Research（谷歌云人工智能研究） ； University of Notre Dame（圣约翰大学） ； Google Deepmind（谷歌DeepMind）
AI总结 针对代码库转换中智能体过度信任本地验证导致语义违反的问题，提出T2J-Bench基准，通过固定等价契约和三级验证（Spec、Numeric、Behavioral）评估转换质量，发现最佳系统通过率仅26.7-28.9%，且所有系统高估成功率66.6-97.8点。
SHRED: 通过自蒸馏与对数势降低实现无保留集的去记忆
机构 * University of Southern California（南加州大学） ； USC Information Sciences Institute（USC信息科学研究所）
AI总结 本文提出了一种无需保留集的去记忆方法SHRED，通过自蒸馏与对数势降低，在去记忆的同时保持模型的实用性，优于传统需要保留集的方法。
Open-H-Embodiment: 一个大规模数据集，用于在医疗机器人中启用基础模型
机构 * Open-H-Embodiment Consortium ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Southern California（南加州大学） ； University of Cambridge（剑桥大学） ； University of Tokyo（东京大学） ； University of Tokyo, Graduate School of Information Science and Technology（东京大学信息科学与技术研究生院） ； University of Tokyo, Institute of Industrial Science（东京大学工业科学研究所）
AI总结 本文提出Open-H-Embodiment数据集，通过两个基础模型展示了其在医疗机器人领域的应用，展示了大规模开放数据在推动机器人学习和世界建模方面的关键作用。
Comments Project website: https://open-h.github.io/open-h-embodiment/
最小最大最优差分隐私合成数据用于平滑查询
机构 * Department of Mathematics, University of Southern California（南加州大学数学系） ； Department of Mathematics, University of California San Diego（加州圣地亚哥大学数学系）
AI总结 本文研究了如何生成具有(ε,δ)差分隐私的合成数据，以在保证个体隐私的同时，为有意义的下游分析提供强效用保证。提出了一种多项式时间算法，实现了最小最大误差率O_{k,d}(n^{-min{1, k/d}})，并建立了针对k-平滑查询的首个最小最大下界。
Comments COLT 2026 arXiv version. 34 pages
LIA: 在联邦学习中使用懒惰影响近似进行隐私保护的数据质量评估
机构 * École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院洛桑校区） ； Telenor Research（Telenor研究） ； University of Southern California（南加州大学）
AI总结 本文提出了一种新的隐私保护数据质量评估方法LIA，通过懒惰影响近似技术过滤和评分数据，在保持隐私的前提下有效识别低质量、损坏或恶意数据。
Comments Proceedings of the 2024 IEEE International Conference on Big Data (IEEE BigData 2024). A preliminary version of this work received the Best Paper Award at the International Workshop on Trustworthy Federated Learning at IJCAI (FL-IJCAI) 2023
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