高校专区
用于本构模型中不确定性量化和传播的区间与模糊物理增强神经网络（iPANN和fPANN）
机构 * Cornell University（康奈尔大学） ； Ecole Polytechnique Federale de Lausanne (EPFL)（洛桑联邦理工学院） ； Sandia National Laboratories（桑迪亚国家实验室） ； University of Southern California（南加州大学） ； Pasteur Labs（巴斯德实验室）
AI总结 针对本构模型不确定性量化与传播难题，提出iPANN和fPANN，通过学习自由能密度分支、编码机械约束及两阶段转移学习训练模型，在合成数据上评估，能包围应力观测值并传播不确定性，提供了相关有效途径。
AMICA-Python：具有安德森加速的自适应混合独立成分分析
机构 * University of Southern California（南加州大学） ； University of South Carolina（南卡罗来纳大学）
AI总结 研究针对AMICA算法依赖单一Fortran实现、限制其在非MATLAB生态系统中应用的问题，提出AMICA-Python这一Python实现，通过符合scikit-learn的API集成，引入安德森加速方案，经测试其数值精度高、运行时具竞争力。
表达方式很重要：探索用于人工智能辅助信息评估的修辞模式
机构 * Department of Computer Science, University of Southern California（计算机科学系，南加州大学） ； Department of Computer Science, University of Maryland（计算机科学系，马里兰大学） ； Information Sciences Institute, University of Southern California（信息科学研究所，南加州大学） ； School of Computer Science, University of Sydney（计算机科学学院，悉尼大学）
AI总结 研究人工智能辅助信息评估中修辞模式，通过主体内研究考察八种修辞模式，发现支架式解释与最高准确率提升相关，对抗条件也能适度提高准确率，还探讨了设计不同修辞风格对话代理的意义及相关权衡。
Comments 13 pages, 6 figures, 1 table
通过可靠性感知多引擎融合实现可靠的蛋白质-配体结合亲和力预测
机构 * University of Southern California（南加州大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 研究针对蛋白质-配体结合亲和力预测中引擎结果不一致问题，提出RELIABLE-BA框架，通过三步实现多引擎预测，经实验验证其能提升预测竞争力和不确定性校准，可筛选高置信对减少误差，是首个结合证据融合与上下文可靠性的预测框架。
用于混合整数线性规划的全局注意力图变换器的Weisfeiler-Leman特征
机构 * University of Southern California（南加州大学） ； USC Information Sciences Institute（南加州大学信息科学研究所）
AI总结 研究通过图同构测试，探讨具有全局注意力的图基础模型对混合整数线性规划的表达能力，证明一类分层图变换器受1-WL测试限制，验证多种图编码器，表明超越其表达能力源于输入编码，提供与编码器无关的诊断方法。
Comments Accepted to Topology, Algebra, and Geometry in Data Science (TAG-DS) 2026 (20 pages, 10 figures) [Lightning Oral Presentation]
分布转移下忠实生成的令牌级离策略学习
机构 * University of Southern California（南加州大学）
AI总结 研究分布转移下忠实生成问题，提出令牌级离策略标注（TOPL）方法，通过训练模型区分响应中好坏令牌引导生成，在文档摘要等任务实验中实现强大分布外泛化，能有效转移到机器翻译，且学习信号关键，更新具可解释性。
PREFAIL：识别机器人提升和放置任务中故障的先兆以提高任务执行性能
机构 * University of Southern California（南加州大学）
AI总结 研究非prehensile物料搬运的提升和放置任务，提出PREFAIL方法通过分析目标物体与载体相对运动预测故障先兆，引入精确标识最新干预时间的数据集，经实验验证该方法显著提升故障先兆响应的准确性与及时性。
人工智能生成的以人为中心的视频的多维质量评估：数据集与模型
机构 * Institute of Image Communication and Network Engineering, Shanghai Jiao Tong University（上海交通大学图像通信与网络工程研究所） ； USC-SJTU Institute of Cultural and Creative Industry, Shanghai Jiao Tong University（上海交通大学南加州大学文化创意产业学院） ； Polytech Nantes, Université de Nantes（法国南特大学高等理工学院）
AI总结 研究针对AI生成的以人为中心的视频质量评估问题，提出扩展数据集HVEval+并构建MoE-Rater模型，该模型采用专家混合及三阶段训练策略，能统一多种任务，在相关数据集上性能优越，推动了视频质量评估及T2V模型优化。
Comments Accepted for publication in IEEE TCSVT, 2026
看清实际存在的东西：用于在视觉语言模型中对代理视觉证据进行反事实评估的PriVE-Bench和PriVE-Tools
机构 * The University of Manchester（曼彻斯特大学） ； The University of Melbourne（墨尔本大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； Fudan University（复旦大学） ； University of Newcastle（纽卡斯尔大学）
AI总结 本文针对视觉语言模型常依先验而非图像回答问题的现象，引入PriVE-Bench和PriVE-Tools。通过配对图像及工具衍生证据评估模型，对比不同输入，发现视觉证据工具在特定情况有帮助，但不能解决所有模型依先验回答的问题。
主动观察者的测试
机构 * University of Southern California（南加州大学）
AI总结 研究多模态大语言模型是否具备主动观察能力，引入ActiveVision基准测试，发现前沿模型表现不佳，即便能编写视觉代码差距仍存，表明当前模型缺乏主动视觉观察，呼吁构建闭合感知 - 推理循环的架构和训练目标。
Comments 17 pages, 8 figures, 4 tables. Project page: https://activevision.dev
缩小人工智能信任差距：可信人工智能独立认证的案例
机构 * University College London（伦敦大学学院） ； AI Ethics Lab（人工智能伦理实验室） ； University of Cambridge（剑桥大学） ； Columbia University（哥伦比亚大学） ； MATS ； Tech with Intention（技术与意图） ； University of Southern California（南加州大学） ； Kyushu University（九州大学） ； University of Chile（智利大学） ； BehSci Meets AI（行为科学与人工智能） ； Digital Trust Council（数字信任委员会）
AI总结 研究指出负责任AI虽有实践但未形成奖励可信度的市场，存在信任差距。原因包括关注重点偏差及三个复合失败。通过审查治理工具发现不足，进而提出以结果为导向的独立认证来缩小信任差距，补充监管与内部治理。
人为制造的分裂：剖析七种社交媒体影响行动中的恶意内容
机构 * Department of Computer Science University of Southern California（计算机科学系 美国南加州大学）
AI总结 研究推特中七种政府认定活动推文里的恶意内容，通过双提示大语言模型检测器和可审计规则区分仇恨与其他分裂形式，发现将所有相关内容计为仇恨会高估，有助于重新定义影响活动及在线话语中仇恨的研究。
MemoHarness：从经验中学习的智能体控制层
机构 * University of Notre Dame（圣母大学） ； LMU Munich（慕尼黑大学） ； University of Southern California（南加州大学）
AI总结 研究针对智能体控制层设计影响行为但改进方法窄且多重用单一全局控制层的问题，提出自适应框架MemoHarness，通过分解控制层、存储经验并检索应用，在多基准测试中优于固定控制层，证明执行经验可构建更具适应性的控制层。
FOLIO：用于流视频理解的聚焦语义记忆
机构 * University of Southern California (USC)（南加州大学） ； Intel Labs（英特尔实验室） ； DEVCOM Army Research Office（陆军研究办公室）
AI总结 研究在线流视频理解中如何保留信息及组织历史记录的挑战，提出FOLIO聚焦语义记忆系统，通过动态聚焦状态更新记忆，结合短期视觉缓冲区与长期语义记忆，实现轻量级混合检索，提升性能并降低流记忆维护成本。
Comments 28 pages, 5 figures
流系统中事件触发大语言模型调用的不确定性感知序贯决策规则
机构 * Viterbi School of Engineering, University of Southern California（南加州大学维特比工程学院）
AI总结 研究流系统中何时调用大语言模型的问题，将其转化为基于风险的序贯停止问题，证明了相关理论结果。通过在涡轮风扇退化数据上的实验，验证假设、比较基线，得出次线性遗憾、高诊断质量等结论，表明异常分数驱动的风险函数更优。
Comments 18 pages, 5 figures. Accepted to the ECML PKDD 2026 Research Track
迈向多材料3D打印中的端到端优化
机构 * addressline= Sibley School of Mechanical ； Aerospace Engineering, Cornell University , city= Ithaca , state= NY , country= USA ； addressline= Department of Aerospace \& Mechanical Engineering, University of Southern California , city= Los Angeles , state= CA , country= USA ； addressline= Department of Materials Science ； Engineering, Technion - Israel Institute of Technology , city= Haifa , country= Israel ； addressline= Pasteur Labs , city= Brooklyn , state= NY , country= USA
AI总结 针对多材料3D打印中优化空间材料分布与结构拓扑的难题，提出将稀疏物理增强神经网络与有限元拓扑优化集成的端到端框架，通过提取本构定律实现精确微分，应用于软机器人抓手，可取代经验原型制作，建立实用的机器学习设计模型。
Fisher秩膨胀：标签噪声下记忆的谱特征
机构 * University of Southern California（南加州大学）
AI总结 研究标签噪声下深度网络记忆损坏标签过程中Fisher秩膨胀现象，推导相关公式并确定条件，通过实验验证其与记忆的关系及随损坏严重程度的变化，建立其作为连接多种因素的谱特征。
不仅仅是一个操纵器：为自由漂浮航天器规划无推进剂姿态机动
机构 * University of Southern California（南加州大学）
AI总结 研究利用机器人操纵器运动进行自由漂浮航天器无推进剂姿态控制，通过制定带约束的轨迹优化问题求解，展示多种系统轨迹，经与反作用轮阵列比较，证明其可作冗余或主要姿态控制系统，为空间应用提供框架。
EFLUX：基于智能语言模型的弹性多机器人编队导航与自适应
机构 * GRASP Lab, University of Pennsylvania（宾夕法尼亚大学GRASP实验室） ； Department of Computer Science, University of Southern California（南加州大学计算机科学系）
AI总结 针对多机器人在受限环境中编队导航问题，提出EFLUX框架，基于几何和大语言模型，对变形与重新配置动作联合推理，经闭环管道转化为航点，实验证明其能实现安全弹性导航，减少死锁与导航失败。
剖析不公平的评判者：基于大语言模型作为评判者的偏差的机械可解释性分析
机构 * AMAP, Alibaba Group（阿里巴巴集团AMAP实验室） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Southern California（南加州大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 研究大语言模型作为评判者的偏差，提出偏差在隐藏状态有表示层面解释。通过七位评判者等实验发现，偏差输入沿特定子空间移动，操纵隐藏状态可控制评分，线性投影能预测评判失败，统一多方面内容。
Comments 58 pages, 13 figures, 30 tables; project page: https://xzx34.github.io/unfair-judge/
可解释机器学习中构建重叠的审计：来自跨学生队列倦怠-抑郁预测的证据
机构 * Sharif University of Technology（伊朗德黑兰谢里夫理工大学） ； University of Southern California（美国南加州大学）
AI总结 研究可解释机器学习应用于心理健康结果时构建重叠问题，通过弹性网络管道及多组数据验证，发现特质焦虑和健康满意度占主导，经残差化实验揭示机制，指出残差化协议可用于相关XAI研究避免误判。
通过自我发现的规范进行智能体上下文学习
机构 * University of Southern California（南加州大学） ； University of Florida（佛罗里达大学） ； Emory University（埃默里大学） ； Adobe Research（Adobe研究院） ； The Ohio State University（俄亥俄州立大学） ； National Taiwan University（国立台湾大学）
AI总结 研究上下文学习困难的原因，发现其不仅需内容获取还需规范获取。设计PSCI干预措施，提取并强化局部规范，在多个模型上取得显著提升，验证了规范获取的重要性，表明上下文学习依赖内容与规范获取。
大语言模型中基于参考的蒸馏检测
机构 * University of California, Berkeley（加利福尼亚大学伯克利分校） ； University of Southern California（南加利福尼亚大学） ； OpenAI
AI总结 研究旨在检测大语言模型是否经蒸馏而来，提出基于参考的成员推理蒸馏检测方法，通过比较模型与不同候选教师输出的优先对齐程度识别教师及蒸馏证据，能处理未知管道，扩展到开放世界设置，应用于当代模型获潜在蒸馏关系新证据。
Comments 27 pages (14 main), 21 figures, 16 tables
SkillCenter：用于自主人工智能代理的大规模源基础技能库
机构 * Stony Brook University（纽约州立大学石溪分校） ； University of Southern California（南加州大学） ； Lehigh University（里海大学） ； Florida State University（佛罗里达州立大学）
AI总结 研究针对自主AI代理缺乏扎实操作知识的问题，构建SkillCenter技能库，通过多源获取等端到端框架，集成大量源基础和社区技能，实现技能可追溯，以保障代理输出的正确性、安全性和可维护性。
Comments 44 pages, 5 figures. Code: https://github.com/LabRAI/SkillCenter ; Data: https://huggingface.co/datasets/Tommysha/skillcenter-bundles
关于使轻量级博弈代理强大的因素的金标准研究
机构 * University of Southern California（美国南加州大学）
AI总结 研究不完美信息纸牌游戏中使轻量级博弈代理强大的因素，构建专家代理作标准，经超百次运行确定有效因素，添加基线并应用于另一游戏，得出通用方法可训练有竞争力代理且无需专家训练。
Comments 9 pages, 5 figures, 3 tables. Code and models: https://github.com/Nikelroid/adversarial-coevolution
视觉非因果梯形曼巴：在具有二阶动力学的视觉状态空间模型中消除定向扫描
机构 * University of Southern California（南加州大学） ； DEVCOM Army Research Office（国防高级研究计划局陆军研究办公室）
AI总结 研究针对视觉状态空间模型中定向扫描的问题，提出非因果梯形曼巴模型，通过二阶非因果建模使图像令牌单步交互，消除定向扫描，提升性能，在多视觉任务中优于其他模型。
Comments Technical Report
基于Feynman Kac重加权薛定谔桥匹配的皮层表面Tau PET标准化
机构 * Stevens Neuroimaging and Informatics Institute, University of Southern California（斯蒂文斯神经影像与信息学研究所，南加州大学） ； Ming Hsieh Department of Electrical and Computer Engineering of Viterbi School of Engineering, University of Southern California（明希德电气与计算机工程系，维特比工程学院，南加州大学） ； Alfred E. Mann Department of Biomedical Engineering of Viterbi School of Engineering, University of Southern California（阿尔弗雷德·E·曼生物医学工程系，维特比工程学院，南加州大学）
AI总结 提出Feynman Kac重加权薛定谔桥匹配（FKRSBM）模型，通过熵正则化最优传输实现源域与目标域间的随机传输，结合子群感知端点提议和球面卷积骨干网络，在Tau PET SUVR图上实现优于现有方法的分布对齐和下游疾病分类。
Pluralis v0.1：迈向用于人工智能风险与可靠性的多元文化、多模态、多语言基准测试
机构 * Google DeepMind（谷歌DeepMind） ； University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校） ； Google（谷歌） ； University of Missouri Columbia（密苏里大学哥伦比亚分校） ； Chunghwa Telecom Laboratories（春木电信实验室） ； University of Southern California（南加州大学） ； Polytechnique Montreal（蒙特利尔理工学院） ； Nutanix ； ThinkEvolve Labs（ThinkEvolve实验室） ； UCL（伦敦大学学院） ； Infocomm Media Development Authority（信息通信媒体发展局） ； Monark Health（Monark健康） ； Seoul National University（首尔国立大学） ； Microsoft（微软） ； Centre for Responsible AI (CeRAI), Wadhwani School of Data Science and AI (WSAI), Indian Institute of Technology Madras（负责任人工智能中心（CeRAI）、瓦达威人工智能学校（WSAI）、印度理工学院马德拉斯分校） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； Microsoft Research India（微软印度研究院） ； Stanford University（斯坦福大学） ； Argonne National Laboratory（阿贡国家实验室） ； University of Oxford（牛津大学） ； KAIST（韩国科学技术院） ； Yonsei University（延世大学） ； Amazon（亚马逊） ； UIUC（伊利诺伊大学香槟分校） ； Rochester Institute of Technology（罗切斯特理工学院） ； Xenoscube Inc.（Xenoscube公司） ； Korea AI Safety Institute (K-AISI)（韩国人工智能安全研究所（K-AISI）） ； MLCommons ； CommonGround ； Artifex Labs（Artifex实验室）
AI总结 研究针对现有AI安全评估框架忽视文化差异问题，构建多语言多模态数据集Pluralis v0.1，从文化优先视角引入新评估范式，提出Judge - Pluralis集成，揭示特定地区失败模式，为多语言多元文化评估提供基础和创新起点。
EquiFiLM：通过特征线性调制实现电荷条件下的等变力场
机构 * Stanford University（斯坦福大学） ； SLAC National Accelerator Laboratory（SLAC国家加速器实验室） ； University of Southern California（南加州大学）
AI总结 研究针对基础机器学习力场不能处理外部诱导电子态变化的问题，提出EquiFiLM方法，通过特征线性调制为等变基础MLFF添加外部条件，以少量训练数据学习势能面变化，在带电液态水实验中大幅提升精度，且与骨干和条件无关。
面向体积视频属性压缩的运动估计技术
机构 * University of Southern California（南加州大学） ； KDDI Research, Inc.（KDDI研究所）
AI总结 针对点云属性时域冗余难消除的问题，提出三类运动估计编码方案，在有损几何条件下较现有标准最高可实现55.3%的平均码率节省。
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