高校专区
函数诱导与任务泛化：一项可解释性研究——关于“加一错误”加法
机构 * University of Southern California（南加州大学） ； Salesforce AI Research（Salesforce AI研究院）
AI总结 本研究通过分析“加一错误”加法任务，揭示了语言模型中函数诱导机制如何实现任务泛化，展示了其在多种任务中的复用能力。
Comments ICLR 2026. Code: https://github.com/INK-USC/function-induction
AutoQD: 利用质量-多样性优化自动发现多样化行为
机构 * University of Southern California（南加州大学） ； Archimedes AI
AI总结 AutoQD通过自动生成行为描述符，利用随机傅里叶特征近似MMD，实现无需预定义描述符的多样化策略发现。
Comments Accepted to ICLR 2026
关于Squint算法变种的简短注记
机构 * University of Southern California（南加州大学）
AI总结 本文提出Squint算法的一个变种，并通过修改证明展示其后悔界与Freund等人近期工作中的结果相似。
追踪大语言模型中的药理学知识
机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； Purdue University（普渡大学） ； Viterbi School of Engineering（维特比工程学院） ； University of Southern California（南加州大学） ； Stephen J. R. Smith Faculty of Engineering and Applied Science（工程与应用科学学院） ； Queen’s University（皇后大学） ； Department of Molecular and Cellular Biology（分子与细胞生物学系） ； Scripps Research（斯克里普斯研究学院）
AI总结 本研究通过因果性和探测性方法揭示大语言模型中药物组语义的分布式表示机制，发现早期层和中间token对编码药理学知识起关键作用。
Comments Accepted, Learning Meaningful Representations of Life (LMRL) Workshop @ ICLR 2026
GreenPhase: 一种用于地震相识别的绿色学习方法
机构 * Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California（美国南加州大学明希斯电气与计算机工程系） ； Center for Earth and Environmental Studies, National Central University（中华大学地球与环境研究所） ； Department of Computer Science & Information Engineering, National Central University（中华大学计算机科学与信息工程系）
AI总结 GreenPhase通过多分辨率前馈结构，在减少计算成本的同时实现了高效且可解释的地震相识别。
EnECG：用于心电图多任务基础模型的高效集成学习
机构 * Department of Computer Science, Emory University（埃默里大学计算机科学系） ； Center for Data Science, School of Nursing, Emory University（埃默里大学护理学院数据科学中心） ； Bakar Computational Health Sciences Institute, UCSF（旧金山大学巴卡计算健康科学研究所） ； Department of Computer Science, USC（美国南加州大学计算机科学系） ； Department of Computer Science, UNC（北卡罗来纳大学教堂山分校计算机科学系）
AI总结 EnECG通过集成多个专门基础模型，高效处理多种ECG任务，降低计算成本并提升实用性。
密度引导的响应优化：通过隐含接受信号实现社区导向的对齐
机构 * Information Sciences Institute, University of Southern California（信息科学研究所，南加州大学） ； Aptima Inc.（Aptima公司）
AI总结 通过隐含接受信号实现社区导向的对齐，无需显式偏好标签，提升语言模型在多样社区中的适应性与表现。
Comments 27 Pages
安全载荷转移与船载起重机：一种鲁棒模型预测控制方法
机构 * California Institute of Technology（加州理工学院） ； Jet Propulsion Laboratory（喷气推进实验室） ； Illinois Institute of Technology（伊利诺伊理工学院） ； University of Southern California（南加州大学） ； Stealth Labs
AI总结 本文提出了一种鲁棒模型预测控制方法，用于安全控制船载起重机的载荷转移，通过引入鲁棒零阶控制屏障函数和时间变化边界框实现安全避障和精确定位。
强化学习在语言模型规划中的利弊：一种理论视角
机构 * Microsoft Research Asia（微软亚洲研究院） ； Peking University（北京大学） ； Harvard University（哈佛大学） ； University of Southern California（南加州大学）
AI总结 本文从理论角度分析强化学习在语言模型规划中的利弊，揭示探索的重要性及Q学习在多样性保持方面的优势。
通过镜头进行Doxing：揭示多模态大推理模型中的位置相关隐私泄露
机构 * University of Georgia（佐治亚大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； John Hopkins University（约翰·霍普金斯大学） ； University of Southern California（南加州大学） ； University of Maryland, College Park（马里兰大学学院市分校）
AI总结 本文研究了多模态大推理模型中的位置隐私泄露问题，提出DoxBench和GeoMiner框架，揭示模型在推断地理位置信息上的能力及隐私风险。
Comments Camera-ready version. Accepted as a poster at the 14th International Conference on Learning Representations (ICLR 2026). For official ICLR page, see https://iclr.cc/virtual/2026/poster/10006914
每个语言模型都有抗伪造的签名
机构 * University of Southern California（南加州大学）
AI总结 本研究提出了一种基于语言模型输出椭圆表面的抗伪造签名方法，通过几何约束验证模型输出来源，具有高安全性与实用性。
分歧偏好：标注者何时分歧以及模型是否知道？
机构 * New York University（纽约大学） ； Allen Institute for Artificial Intelligence（人工智能研究院） ； NVIDIA（NVIDIA公司） ； University of Washington（华盛顿大学） ； University of Southern California（南加州大学）
AI总结 本文研究了标注者分歧的来源，发现任务不明确等因素导致大多数分歧，并提出方法以减轻其在LLM评估和训练中的影响。
Comments ICML 2025
softmax自注意力层的训练动态：通过预条件实现快速全局收敛
机构 * Simons Institute, UC Berkeley（西蒙斯研究所，伯克利大学） ； Department of Electrical and Computer Engineering, University of Southern California（电气与计算机工程系，南加州大学）
AI总结 本文提出了一种结构感知的梯度下降算法，通过预条件和谱初始化实现softmax自注意力层在有限数据下的快速全局收敛。
D-REX：用于学习灵巧抓取的可微现实到仿真到现实引擎
机构 * Physical Superintelligence (PSI) Lab, University of Southern California（南加州大学物理超智能实验室） ； Viterbi School of Engineering, University of Southern California（南加州大学韦伯尔工程学院） ； Department of EECS, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系）
AI总结 D-REX通过可微引擎实现现实到仿真到现实的抓取学习，利用高斯点表示自动构建数字双胞胎并优化质量识别，从而提升抓取策略的力感知性能。
Comments ICLR 2026 Poster
V-MORALS: 基于视觉莫尔斯图的学得潜在空间中吸引区域估计
机构 * Viterbi School of Engineering, University of Southern California（美国南加州大学维特比工程学院） ； Automatic Control Laboratory, ETH Zürich（瑞士苏黎世联邦理工学院自动控制实验室）
AI总结 V-MORALS通过学习潜在空间生成莫尔斯图，实现无需全状态信息的吸引区域估计，适用于仅使用传感器数据的机器人系统分析。
混合引导图优化用于终身多智能体路径寻找中的边缘方向和权重优化
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Thomas Lord Department of Computer Science, University of Southern California（南加州大学计算机科学系托马斯·劳德部门） ； Lila Sciences
AI总结 本文提出混合引导图优化方法，通过优化边方向和权重提升终身多智能体路径寻找的引导效果。
理解训练数据在测试时扩展中的作用
机构 * University of Southern California（南加州大学） ； Google Research（谷歌研究） ； University of California Los Angeles（加州大学洛杉矶分校）
AI总结 本文研究了训练数据对测试时扩展性能的影响，发现增加计算量可减少上下文长度并提升模型表现，但若训练数据缺乏必要技能则可能损害性能。
Comments 25 pages, 5 figures, accepted in ICLR 2026
Memba: 用于Mamba的膜驱动参数高效微调
机构 * Electrical and Computer Engineering, University of Southern California（南加州大学电气与计算机工程系） ； Electrical Engineering, Yale University（耶鲁大学电气工程系）
AI总结 Memba提出了一种针对Mamba的膜驱动PEFT方法，通过引入LIM神经元和LoRA结合跨层膜传输，提升时间建模能力，实现高效微调。
Comments ICLR 2026
SpinML：为私有训练定制合成数据生成专用机器学习模型
机构 * University of Southern California（美国南加州大学）
AI总结 SpinML通过生成定制合成数据，实现专用机器学习模型的私有训练，提升模型性能同时保护用户隐私。
Comments 17 pages (with appendix), 6 figures, Accepted at The 25th Privacy Enhancing Technologies Symposium (PETS2025)
优化基于大语言模型的自动评分的上下文演示
机构 * Michigan State University（密歇根州立大学） ； University of Southern California（南加州大学）
AI总结 GUIDE通过迭代设计示例优化自动评分，提升评分标准的符合性和边界处理能力。
MED-COPILOT：一种基于图RAG和相似患者案例检索的医疗助手
机构 * University of Southern California（南加州大学）
AI总结 MED-COPILOT通过结合图RAG和相似患者案例检索，提升临床决策支持系统的证据整合与推理准确性。
证明-感知：具有组合性符合保证的认证工具使用多模态推理
机构 * University of Southern California（南加州大学） ； Nuro
AI总结 Proof-of-Perception通过组合性符合保证实现多模态推理的可信工具使用，提升性能和可靠性，同时更高效地利用计算资源。
Journal ref CVPR 2026
基于前瞻树的rollouts用于增强强化学习中轨迹层面的探索
机构 * Nanjing University（南京大学） ； University of Southern California（南加州大学） ； Fudan University（复旦大学）
AI总结 基于前瞻树的rollouts通过促进轨迹多样性提升强化学习中策略学习效率
数字陪伴：AI陪伴与AI助手的重叠使用
机构 * Max Planck Institute for Human Cognitive and Brain Sciences（人类认知与脑科学研究所） ； Sentience Institute（意识研究所） ； University of Edinburgh（爱丁堡大学） ； University of Oxford（牛津大学） ； University of Southern California（南加州大学） ； Stanford University（斯坦福大学）
AI总结 本文探讨了AI陪伴与助手在社交和任务中的重叠使用，揭示了用户对人机关系的复杂态度及设计上的挑战。
Comments Final version with incorporated reviewer comments
HardcoreLogic: 用长尾逻辑谜题游戏挑战大型推理模型
机构 * Fudan University（复旦大学） ； University of Southern California（南加州大学） ； Huawei Technologies Ltd（华为技术有限公司） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 HardcoreLogic通过长尾逻辑谜题挑战大型推理模型，揭示其在复杂规则和非标准变体上的局限性。
LLM摘要推断的分层视角：LIDS
机构 * Department of Mathematics, University of Southern California（数学系，南加州大学） ； Data Sciences and Operations Department, Marshall School of Business, University of Southern California（数据科学与运营系，马歇尔商学院，南加州大学）
AI总结 LIDS是一种基于BERT-SVD方向度量和SOFARI的LLM摘要推断方法，通过可解释的关键字分析实现摘要准确性的评估，并通过实证研究验证其在大规模文本缩减中的有效性。
Comments 48 pages, 15 figures
FRIEDA：评估视觉语言模型中多步骤制图推理的基准
机构 * University of Minnesota-Twin Cities（明尼苏达大学双城分校） ； University of California, Davis（加州大学戴维斯分校） ； University of Southern California（南加州大学）
AI总结 FRIEDA 是一个评估视觉语言模型多步骤制图推理能力的基准，通过多步骤推理和跨地图定位测试，揭示了当前模型在空间智能方面的不足。
Comments Accepted to ICLR 2026
通用贝塔散射
机构 * University of Southern California（南加州大学） ； United Imaging Intelligence（联合影像智能）
AI总结 通用贝塔散射提出了一种统一框架，通过各向异性贝塔核实现显式光场渲染，能有效处理复杂光传输和动态场景，优于现有方法。
Comments ICLR 2026
基于先验信念的逆优化 apprenticeship 学习
机构 * Department of Mathematics（数学系） ； University of Southern California（南加州大学）
AI总结 本文提出基于先验信念的逆优化方法，将正则化应用于apprenticeship学习问题，通过随机镜像下降算法解决不恰当性问题，并验证正则化在学习成本函数和策略中的重要性。
Journal ref Machine Learning (2026) 115:43
QD-MAPPER: 一种用于在多样化地图上自动评估多智能体路径寻找算法的质量多样性框架
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Southern California（南加州大学）
AI总结 QD-MAPPER是一种基于质量多样性算法的框架，用于在多样化地图上自动评估多智能体路径寻找算法的性能，通过生成多样化地图实现对不同算法的公平比较和性能分析。
Comments 14 pages, 23 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