高校专区
预测编码网络中的拓扑简化
机构 * University of Southern California（南加州大学）
AI总结 该研究用分层持续同调分析，发现预测编码网络（PCNs）的模型规模、简化深度与重构误差、架构类型影响其连通分量合并时机，揭示了PCNs压缩-重构权衡的相关规律。
Comments Accepted to the 2nd Annual Conference on Topology, Algebra, and Geometry in Data Science (TAG-DS 2026); to appear in Proceedings of Machine Learning Research
TabletCraft：通过双向阿卡德语神经机器翻译（NMT）与楔形文字渲染弥合4000年的文化鸿沟
机构 * University of Southern California（南加州大学） ； USC Viterbi School of Engineering（南加州大学维特比工程学院）
AI总结 TabletCraft是首个支持美索不达米亚文字双向交互的开源系统，整合ByT5翻译模型等组件，实现阿卡德语与英语双向翻译及楔形文字渲染，在阿卡德米亚验证集上取得反向翻译的首个定量结果。
Comments 5 pages, 1 figure. Accepted to C3NLP @ ACL 2026
JigShape：通过拼图任务评估视觉语言模型的视觉几何推理能力
机构 * University of Southern California（南加州大学） ； National University of Singapore（新加坡国立大学） ； Adobe Research（奥多比研究院） ； Texas A&M University（德克萨斯农工大学） ； Rice University（莱斯大学） ； The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本研究提出JigShape拼图基准，发现零样本VLM大多缺乏几何推理能力，所有模型在大尺寸拼图上均出现性能崩塌，将可扩展几何推理确立为VLM的开放性挑战。
NOVA：通过人工智能进行知识发现的基本限制
机构 * University of Southern California（南加州大学） ； Northeastern University（东北大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出NOVA框架，将“生成-验证-积累-再训练”循环建模为知识空间上的自适应采样过程，识别了知识覆盖有限域的条件及失败模式，并证明了发现成本与Zipf定律相关的标度律。
Comments Added an explicit recursive retraining model showing how accepted outputs reshape future generation. New results characterize when repeated retraining suppresses undiscovered artifacts and when mixing updates with a fixed base distribution preserves exposure. Corrected the Zipf discovery-cost proof and expanded the analysis. Main results and implications remain unchanged
在智能体丛林中通过历史感知的对手意识进化
机构 * University of Edinburgh（爱丁堡大学） ； University of Oklahoma（俄克拉荷马大学） ； Imperial College London（伦敦帝国学院） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Tencent（腾讯） ； Beijing Normal University（北京师范大学） ； Beijing Normal–Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院）
AI总结 针对多智能体环境中对手策略持续进化导致静态技能修改方法失效的问题，提出OASE方法，通过历史快照锚定的配对比较选择有益技能修改，在两类场景中实现更低均衡距离与更少无效策略变更。
PALMs：使用多构造基础理由对大语言模型中的群体偏好进行建模
机构 * University of Southern California（南加州大学） ； Information Sciences Institute（信息科学研究所）
AI总结 该研究提出了群体对齐语言模型PALMs，通过结合心理与文化构造的理由进行偏好调优，在多维度评估中优于基准模型，且下游任务泛化能力强
TrajWiki：面向长程对话智能体的基于来源的记忆轨迹
机构 * The University of Manchester（曼彻斯特大学） ； The University of Melbourne（墨尔本大学） ； The University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 该研究针对长程对话智能体的记忆可追溯性与透明性问题，提出TrajWiki框架，通过轨迹式记忆表示与Memory Wiki中间层提升对话性能及可解释性。
CurveShift：智能体的进展是标量吗？区分水平与形态
机构 * University of Southern California（南加利福尼亚大学） ； University of Chicago（芝加哥大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； University of California, Davis（加利福尼亚大学戴维斯分校） ； Pennsylvania State University（宾夕法尼亚州立大学） ； Harvard University（哈佛大学） ； University of Oxford（牛津大学）
AI总结 该研究针对大型语言模型进展的标量总结问题，通过LiveCodeBench基准分离混淆，发现2024年9月后发布的模型在竞赛编程难任务上有超出预期的增益，发布了相关数据集与代码。
Comments 25 pages, 4 figures, 7 tables. Data and code: https://github.com/harvenstar/CurveShift
模形式Bootstrap的深入探索
机构 * University of Southern California（南加州大学） ； Boston University（波士顿大学） ； Massachusetts Institute of Technology（麻省理工学院） ； The NSF Institute for Artificial Intelligence and Fundamental Interactions（美国国家科学基金会人工智能与基本相互作用研究所）
AI总结 本文通过机器学习优化高效搜索二维共形场论的模形式Bootstrap解，发现中央荷在1到8/7之间的候选CFT，并提出更严格的谱间隙约束。
Comments 57 pages, 21 figures, 4 tables; v2: updated references, acknowledgments, and formatting; v3: additional discussions, bug fixed in Figure 1a, conclusions unchanged, approximate version to appear in JHEP; code available at http://github.com/jdthaler/modular-bootstrap
当只有最终文本幸存时：多智能体归因的隐式执行追踪
机构 * University of Southern California（南加州大学） ； University of Toronto（多伦多大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Independent Researcher（独立研究员）
AI总结 本文提出隐式执行追踪框架，通过在生成过程中嵌入代理特定的统计信号，实现多智能体系统的归因和执行轨迹恢复，即使在元数据缺失的情况下也能保持生成质量。
用于突发干扰信道的带GRAND接收机的闭环贝叶斯智能体编码器
机构 * Ming Hsieh Department of Electrical and Computer Engineering（明希学校电气与计算机工程系） ； Viterbi School of Engineering, University of Southern California（维特比工程学院，南加州大学）
AI总结 研究在有未知干扰源的信道上，随机线性码与跨码字交织码的分组级选择。采用GRAND接收机及贝叶斯估计器，通过折扣汤普森采样器选传输模式，经实验得出不同阶段模式偏好及模型优势，还给出误块率降低等成果。
Comments 11 pages, 6 figures
CLAM：基于未标记演示的连续潜在动作模型用于机器人学习
机构 * Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Department of Electrical and Computer Engineering, University of Southern California（南加州大学电气与计算机工程系）
AI总结 CLAM通过连续潜在动作标签和联合训练动作解码器，有效解决复杂连续控制任务中未标记数据的学习问题，实现在DMControl和MetaWorld等基准及真实机器人上的性能提升。
Comments Latent Action Models, Self-supervised Pretraining, Learning from Videos
Journal ref IEEE/RSJ International Conference on Intelligent Robots and Systems 2026
批量自适应因果标注
机构 * UC Berkeley（加州大学伯克利分校） ； Fordham University（福特汉姆大学） ； University of Southern California（南加州大学）
AI总结 本文提出一种批量自适应方法，通过优化数据采样策略提高因果效应估计效率，减少标注成本，实验证明在缺失数据下能显著降低均方误差。
Comments Extended journal version. A preliminary version was accepted to AISTATS 2026
PreDiff-LM：具有混合注意力的预训练离散掩码扩散语言模型
机构 * University of Southern California（南加州大学） ； New York University（纽约大学） ； Columbia University（哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stevens Institute of Technology（史蒂文斯理工学院） ； University of Notre Dame（圣母大学） ； Nanyang Technological University（南洋理工大学）
AI总结 研究离散掩码扩散语言模型中因果预训练与双向去噪协调问题，提出PreDiff-LM模型，通过混合注意力机制改进无条件困惑度等指标，在多方面优于先前扩散基线，明确与优化AR模型的差距，为预训练因果主干调整提供补充机制。
数据更少，对齐更好：用于偏好优化的数据中心多评估器一致性方法
机构 * University of Southern California（南加州大学） ； New York University（纽约大学） ； Columbia University（哥伦比亚大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； City College of New York, CUNY（纽约市立大学城市学院） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Nanyang Technological University（南洋理工大学）
AI总结 研究聚焦偏好优化，提出DMAPO方法，从目标策略生成候选响应，经多评估器评估、校正后保留高一致性示例。实验表明该方法数据效率高，能提升模型在MT - Bench等指标上的表现，且改变评估器或准则对下游性能影响小。
Comments 19 pages
LoTA-N2N：用于零样本自监督图像去噪的局部迹线自适应
机构 * Tsinghua University（清华大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Southern California（南加州大学） ； Peking University（北京大学）
AI总结 研究针对单图像自监督去噪问题，提出LoTA-N2N两阶段零样本自适应框架，通过估计局部相互作用和控制空间抵消，在多种噪声下实验效果优于仅基于MSE的方法，为无配对干净目标等情况的自监督去噪提供有效设计原则。
Comments 22pages, 9 tables, 11 figures
MaskAttn-SDXL：可控区域级文本到图像生成
机构 * University of Southern California（南加州大学） ； University of Toronto（多伦多大学）
AI总结 本文提出MaskAttn-SDXL模块，通过在softmax前注入token条件空间门控，解决扩散模型在多物体生成中的全局协调和可靠性问题，无需改变SDXL流程。
Comments Published in the 2026 International Joint Conference on Neural Networks (IJCNN 2026)
Journal ref Proceedings of the 2026 International Joint Conference on Neural Networks (IJCNN 2026)
弥合农村医疗差距：一种级联边缘-云架构用于自动化视网膜筛查
机构 * University of Southern California（南加州大学）
AI总结 本文提出一种边缘-云级联架构，利用轻量级MobileNetV3-small模型在本地设备进行视网膜病变初步筛查，再通过云上的RETFoundDINOv2模型进行严重程度分级，从而降低云计算成本并提高筛查效率。
Comments Accepted in IEEE International Conference on Responsible Artificial Intelligence (IRAI) 2026
Humanly：一个用于人机协作写作的可配置且可追溯的环境
机构 * UT Austin（德克萨斯大学奥斯汀分校） ； University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； USC（南加州大学） ； KAUST（阿卜杜拉国王科技大学）
AI总结 研究针对人机协作写作难以判断创作过程的问题，提出Humanly写作平台，用户能配置环境，平台记录活动与辅助，可打包会话生成证书，支持多种场景，经研究验证对各角色有帮助且能区分打字方式。
硬决策层：Transformer中确定推理的证据
机构 * University of Southern California（南加州大学） ； Information Sciences Institute（信息科学研究所）
AI总结 研究基于Transformer的语言模型在多选型问答中做预测的位置与方式，识别出硬决策层，经多模型和数据集验证其在无学习路由策略时一致出现且对微调不变，HDL处准确率显著提升，为Transformer推理提供见解与机会。
MIRROR：从其他视角学习以进行多模态推理
机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究视觉语言模型在几何问题多模态推理上的不足，构建ODA-Data数据集，提出模态感知互惠推理优化（MIRROR）方法，通过强化学习自我监督，提升多模态推理能力，在相关基准测试中表现更优。
QuantiBias：量化大语言模型中量化诱导偏差的基准测试
机构 * University of Southern California（南加州大学）
AI总结 研究大语言模型量化中的偏差问题，提出QuantiBias基准测试，通过结合多种控制和对比有无推理的构建来评估偏差，发现量化器按无偏差预防信号的数据分配精度，推理对部分偏差有减半效果，强调需重新评估量化模型的开放式偏差。
Comments Benchmark protocol on Hugging Face: https://huggingface.co/datasets/emilioferrara/quantibias
FELT：从视觉生成触觉信号用于视觉触觉操纵
机构 * Viterbi School of Engineering, University of Southern California（南加州大学维特比工程学院） ； Columbia University（哥伦比亚大学） ； Starpilot（星航）
AI总结 研究针对触觉数据稀缺问题，提出FELT框架，利用视觉编码器和查询解码器从RGB观测合成触觉图像，通过单独分支解码左右传感器面板，实验表明该方法能提升策略成功率，潜在特征训练和部署无需真实触觉传感器。
Comments 26 pages, including supplementary material
迈向针对大气化学进行微调的人工智能基础模型的机理可解释性
机构 * Stanford University（斯坦福大学） ； University of Southern California（南加州大学） ； University of Utah（犹他大学）
AI总结 研究针对大气化学微调的人工智能基础模型学到了什么，通过对微软Aurora模型施加化学扰动、检查内部表示等方法，发现其虽捕捉到部分臭氧响应但未执行化学约束，提供了测试模型是否学大气化学的框架，强调预测应依内部机制评判。
稀疏高维随机几何图中的谱集中与恢复
机构 * Department of Mathematics, University of Southern California（数学系，南加州大学）
AI总结 研究稀疏高维随机几何图，通过连接内积超阈值的向量对生成。证明了球面和高斯模型的谱范数界，改进恢复保证，还得到高斯混合块模型的精确恢复结果，采用新证明方法结合多种技术。
Comments 67 pages, 2 figures
生成模型比较的统计推断
机构 * Marshall School of Business, University of Southern California, USA（美国南加州大学马歇尔商学院） ； Department of Mathematical Science, New Jersey Institute of Technology, USA（美国新泽西理工学院数学科学系） ； School of Statistics, Beijing Normal University, People’s Republic of China（中国北京师范大学统计学院）
AI总结 研究如何比较不同生成模型与测试样本潜在分布的接近程度，核心方法是用KL散度衡量距离并扩展到条件生成模型，利用Edgeworth展开处理有限数据，在模拟及图像文本数据集上有有效覆盖率且结论有统计置信度。
Comments 35 pages, 25 figures
STEREOFLOW：基于StereoDiT和过渡流匹配的渐进式立体匹配
机构 * School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； University of California, Berkeley（加州大学伯克利分校） ； University of Southern California（南加州大学） ； Google（谷歌公司） ； State Key Laboratory of Intelligent Manufacturing Equipment and Technology, Huazhong University of Science and Technology（华中科技大学智能制造装备与技术国家重点实验室） ； Tencent（腾讯公司） ； GigaAI（未知（可能是公司或组织，由于未找到确切对应中文名，按原文保留））
AI总结 研究针对立体匹配问题，提出先验引导的生成框架StereoFlow，通过两阶段渐进级联匹配网络、像素扩散变压器StereoDiT和过渡流匹配实现高效优化，在多基准测试中取得多个最新结果，提升了立体匹配效果。
Comments 10 pages, 6 figures, submitted to TVCG
BRIM：工作负载平衡的双边位串行稀疏推理加速器
机构 * University of Southern California（南加州大学） ； Yale University（耶鲁大学）
AI总结 研究针对双边位串行稀疏推理加速器工作负载不平衡问题，提出BRIM。它采用循环平衡剪枝和成对时隙捐赠两种机制，在等面积约束下评估，能提高PE利用率，实现显著加速和能效提升。
随机函数的Lipschitzian强大数定律
机构 * Department of Industrial and Systems Engineering, University of Southern California（工业与系统工程系，南加州大学）
AI总结 研究局部Lipschitz函数在Lipschitz伪度量下的强大数定律，结果在拓扑或模型理论条件下成立，应用于极限和Clarke次微分收敛等，确定了一类不会出现之前负面结果中失败现象的函数。
Comments 30 pages
具有光滑映射的凸差复合函数的在线优化
机构 * Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系） ； The Daniel J. Epstein Department of Industrial and Systems Engineering, University of Southern California（南加州大学丹尼尔·J·埃普斯坦工业与系统工程系）
AI总结 研究结构化非凸非光滑问题的在线优化，提出时间平滑近端线性算法和基于近端残差映射的局部遗憾度量，建立局部遗憾界等，推导误差界，证明残差是平稳性度量，可通过凸优化预言机计算更新。
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