高校专区
ReCoVLA: VLM引导的奖励编译用于视觉-语言-动作策略的故障恢复
机构 * University of Southern California（南加州大学） ； Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室） ； Harvard University（哈佛大学）
AI总结 提出ReCoVLA框架，通过冻结预训练VLA策略，利用外部VLM推断故障模式并编译结构化奖励，训练残差恢复策略，实现零样本仿真到真实部署，在多种操作任务中提升成功率。
Comments 19 pages, 7 figures
基于自监督视觉Transformer的CBCT颞下颌关节骨关节炎检测
机构 * Herman Ostrow School of Dentistry, University of Southern California（南加州大学赫尔曼·奥斯特罗牙科学院） ； Viterbi School of Engineering, University of Southern California（南加州大学维特比工程学院）
AI总结 研究DINO系列自监督ViT在CBCT颞下颌关节骨关节炎检测中的迁移性能，发现部分解冻最后两个Transformer块可将AUC从0.671提升至0.902，表明适应策略比骨干选择更重要。
GeoGNN：使用双塔图神经网络的时间序列地理定位
机构 * Emory University（埃默里大学） ； Oak Ridge National Laboratory（橡树岭国家实验室） ； University of Southern California（南加州大学）
AI总结 提出GeoGNN双塔架构，利用地理邻接图学习空间嵌入，结合时间序列表示，通过点积匹配实现时间序列地理定位，在电力消费数据集上平均提升约27%的定位精度。
SIMPLE：基于仿真的人形机器人全身操作策略学习与评估
机构 * USC Physical Superintelligence (PSI) Lab（南加州大学物理超级智能实验室）
AI总结 提出SIMPLE仿真平台，结合MuJoCo动力学与IsaacSim渲染，包含60个全身任务、50个室内场景和1000+物体资产，支持自动化轨迹生成和VR遥操作数据采集，并集成多种主流策略，实验证明仿真与真实世界性能强相关，可实现零样本迁移。
Astro，我回家了！利用监督机器学习研究影响家庭机器人接受度的因素
机构 * University of Southern California（南加州大学）
AI总结 本研究运用正则化技术（如Lasso和Ridge回归）分析影响社交机器人接受度的因素，发现绩效期望、社会影响和享乐动机是使用意图的最强预测因子，并识别出可用性、信任和能力等新变量。
Comments Preprint submitted to the 18th International Conference on Social Robotics (ICSR 2026)
面向LLM深度压缩的局部感知冗余剪枝
机构 * University of Southern California（美国南加州大学） ； Neural Superintelligence Lab, MODULABS（MODULABS神经超级智能实验室） ； Seoul National University（首尔国立大学） ； Inha University（釜山大学）
AI总结 提出LoRP，一种基于表示局部性的无训练单次深度剪枝框架，通过引入表示局部性分数（RLS）来识别和剪除冗余层，在多种LLM上提升了困惑度和下游任务准确率。
并排比较加剧语言模型中的方言偏见
机构 * University of Southern California（美国南加州大学）
AI总结 本研究通过并排比较标准美式英语和非裔美国英语的推文，发现语言模型中的隐性方言偏见在对比设置下显著加剧，且显性方言偏见在安全对齐微调后仍存在。
Comments In proceeding at ACM Conference on Fairness, Accountability, and Transparency 2026
Journal ref In The 2026 ACM Conference on Fairness, Accountability, and Transparency (FAccT '26)
自适应生成-排序-验证：具有高成本验证的推理时间搜索
机构 * University of Southern California（南加州大学） ； Northwestern University（西北大学） ； University of Chicago（芝加哥大学） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； Simons Institute for the Theory of Computing（Simons计算理论研究所） ； Data Science Institute at the University of Chicago（芝加哥大学数据科学研究所）
AI总结 本文提出了一种自适应生成-排序-验证方法，通过在未知分布下自适应地生成和验证候选答案，以在保证成本的前提下找到正例，同时通过理论分析和实验验证了该方法在数学推理和编程竞赛中的有效性。
Comments 33 Pages, 6 Figures, 4 Tables. Changes compared to V1: updated the related work section
Ghosted Layers: 无约束激活对齐用于恢复层剪枝的LLM
机构 * University of Southern California（南加州大学） ； Inha University（inha大学）
AI总结 本文提出Ghosted Layers方法，通过无约束优化解决层剪枝后激活分布不匹配问题，提升LLM准确性和 perplexity 而不牺牲效率。
奖励塑形用于（推理时）对齐：一个Stackelberg博弈视角
机构 * University of Southern California（南加州大学）
AI总结 针对KL正则化导致LLM继承基策略偏见的问题，提出将奖励模型优化形式化为Stackelberg博弈，并通过简单奖励塑形方案近似最优奖励模型，在推理时对齐中持续提升平均奖励并达到超过66%的胜率。
Comments Accepted to ICML 2026. Camera-ready version
全批量梯度下降优于单次SGD：单索引学习中的样本复杂度分离
机构 * Institute of Science and Technology Austria（奥地利科学与技术研究所） ； Sung Kyun Kwan University（顺天妇女大学） ； New York University and Flatiron Institute（纽约大学和Flatiron研究所） ； University of Southern California（南加州大学）
AI总结 研究单索引学习中全批量GD与单次SGD的样本复杂度差异，发现通过截断激活函数，全批量GD在n≃d样本时实现弱恢复，优于单次SGD的n≳d log d样本需求。
Comments Accepted to ICML 2026
多模态生成式引擎优化：针对视觉-语言模型排序器的排名操纵
机构 * Georgetown University（乔治城大学） ； University of Southern California（南加州大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Arizona State University（亚利桑那州立大学）
AI总结 提出多模态生成式引擎优化（MGEO）方法，通过联合优化图像扰动和文本后缀，利用视觉-语言模型内部跨模态知识耦合，实现对产品排名的有效操纵，揭示了多模态基础模型知识基础的脆弱性。
Comments Proceedings of the 4th Workshop on Towards Knowledgeable Foundation Models (KnowFM) at ACL 2026
基于LLM解释的完备且可靠的神经常识推理
机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Southern California（南加州大学） ； Rensselaer Polytechnic Institute（拉特格斯理工学院） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
AI总结 提出将LLM直接集成到次协调逻辑的语义解释函数中，实现可靠且完备的神经常识推理，在GPQA和SimpleQA基准上宏F1提升约6个百分点，并成功检测药物安全知识库中的矛盾。
Comments 43 pages, 14 tables, 4 figures. Accepted to the 19th Conference on Neurosymbolic Learning and Reasoning (NeSy 2025); to appear Neurosymbolic Artifical Intelligence Special Issue on NeSy 2025 Extended Papers
发现数据结构：最近邻搜索及其他
机构 * Université de Montréal（蒙特利尔大学） ； Mila ； HEC Montréal（蒙特利尔高等商学院） ； Microsoft Research（微软研究院） ； University of Southern California（南加州大学） ； Stanford University（斯坦福大学）
AI总结 提出一个端到端学习数据结构的通用框架，自动适应数据分布并控制查询与空间复杂度，在最近邻搜索中逆向工程出二分搜索、插值搜索、k-d树和局部敏感哈希等算法。
Comments Neurips 2025 Version
OATH-Frames: 利用大语言模型助手分析在线对无家可归者的态度
机构 * Dept. of Computer Science, University of Southern California（计算机科学系，南加州大学） ； Suzanne-Dwork School of Social Work, University of Southern California（苏兹曼-道克社会工作学院，南加州大学）
AI总结 本文提出OATH-Frames框架，通过大语言模型分析社交媒体上的无家可归者态度，提升大规模分析效率并揭示态度趋势。
Comments Project website: https://dill-lab.github.io/oath-frames/, EMNLP Main 2024
Journal ref In Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing
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