高校专区
多模态模型中的非对称个性化特征
机构 * University of Southern California（南加州大学） ； New York University（纽约大学）
AI总结 本文研究了多模态模型中描述模型的个性化特征及其对文本到图像模型的影响，发现生成图像丢失了描述中的关键变化，提出了一种新的量化方法。
Comments Project page: https://muzi-tao.github.io/asymmetric-idiosyncrasies/
超智能中的涌现偏差主体：一种人类学、认知神经心理学、机器学习和本体论视角
机构 * Department of Anthropology, University of Minnesota（明尼苏达大学人类学系） ； Brain & Creativity Institute, University of Southern California（美国南加州大学脑与创造力研究所） ； Institute for Advanced Consciousness, Loomis Innovation Center（先进意识研究所） ； Stimson Center（斯蒂姆森中心）
AI总结 本文从人类学、认知神经心理学等多视角探讨超智能中人类主体与人工智能无意识的相互作用及伦理问题。
Comments 9 pages
超越星级评分：一种基于LLMs和文本分类的可扩展的基于方面的情感分析框架
机构 * University of Southern California（南加州大学）
AI总结 本文提出一种结合LLMs和传统机器学习的方法，用于大规模基于方面的情感分析，通过分析470万条评论，展示了其在餐饮体验、菜系和地理区域中的应用效果。
一个非常大的视频推理套件
机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。
Comments Homepage: https://video-reason.com/
AIForge-Doc: 一个用于检测金融和表单文档中AI伪造篡改的基准测试
机构 * Duke University（杜克大学） ； New York University（纽约大学） ； University of North Carolina（北卡罗来纳大学） ； University of Southern California（南加州大学）
AI总结 AIForge-Doc通过生成AI伪造的金融和表单文档数据，揭示了现有检测器对AI伪造篡改的识别能力不足，强调了文档取证领域的新挑战。
Comments 17 pages, 10 figures
一种绿色学习用于低剂量计算机断层扫描图像恢复
机构 * University of Southern California, Los Angeles, California, USA（南加州大学）
AI总结 本文提出一种基于绿色学习的LDCT图像恢复方法，具有高效性和高性能，实现了更小模型和更低复杂度的先进恢复效果。
Comments Published in IEEE International Conference on Image Processing (ICIP), 2025, pp. 1762-1767. Final version available at IEEE Xplore
Journal ref Proceedings of the IEEE International Conference on Image Processing (ICIP), 2025, pp. 1762-1767
少即是多：更少数据权重更新在更长地平线上的收敛优势
机构 * Google Research（谷歌研究） ； EPFL（瑞士联邦理工学院） ； University of Southern California（南加州大学）
AI总结 本文研究了数据混合中有限内更新步骤数对收敛的影响，证明了贪心方法在简单二次示例中可能失效，并推导了最优步骤数与参数更新预算的关系。
HEART: 语言模型在测试时的情感驱动扩展
机构 * Google（谷歌） ； University of Southern California（南加州大学）
AI总结 HEART通过情感驱动的测试时扩展方法，提升语言模型在复杂任务中的推理能力与准确性。
DP-RFT: 通过差分隐私强化微调学习生成合成文本
机构 * New York University（纽约大学） ； Microsoft（微软） ； University of Southern California（南加州大学）
AI总结 DP-RFT通过差分隐私强化微调方法，在不直接接触隐私数据的情况下生成高质量合成文本。
具有生理信息的深度学习：下一代PBPK建模的多尺度框架
机构 * University of Southern California（美国南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Connecticut（康涅狄格大学）
AI总结 本文提出了一种多尺度的生理信息深度学习框架，结合变换器、扩散模型和神经相似性，用于提高下一代PBPK建模的效率和准确性。
动作-图策略：在多智能体强化学习中学习动作互相关系
机构 * University of Southern California, Los Angeles, CA, USA（美国南加州大学） ； DEVCOM Army Research Laboratory, Adelphi, MD, USA（美国陆军研究实验室） ； DEVCOM ARL Army Research Office, Los Angeles, CA, USA（美国陆军研究办公室）
AI总结 本文提出动作图策略，通过建模智能体动作间的依赖关系，提升多智能体强化学习中协调动作的性能和效率。
Agent Banana: 基于代理思维与工具的高质量图像编辑
机构 * TAMU（德克萨斯大学） ； Brown University（布朗大学） ； UW-Madison（威斯康星大学麦迪逊分校） ； UCSD（加州大学圣地亚哥分校） ； USC（南加州大学） ； xAI（xAI公司） ； Adobe Research（Adobe研究院） ； Meta AI ； Princeton University（普林斯顿大学）
AI总结 Agent Banana通过分层代理规划-执行框架实现高质量图像编辑，解决多轮次编辑一致性与背景忠实度问题，同时保持指令遵循能力。
Comments Project Website: agent-banana.github.io
人机协同多机器人信息采集中的逆子模最大化
机构 * Department of Computer Science, University of Southern California（计算机科学系，南加州大学） ； Department of Electrical and Computer Engineering, University of Southern California（电气与计算机工程系，南加州大学） ； U.S. Army DEVCOM Army Research Laboratory（美国陆军 DEVCOM 军事研究实验室）
AI总结 本文提出了一种逆子模最大化方法，用于多机器人系统中人类监督者动态调整参数以实现信息采集优化。
ConformalNL2LTL：通过符合正确性保证将自然语言指令转换为时序逻辑公式
机构 * Department of Electrical and Systems Engineering, Washington University in St Louis（华盛顿大学圣路易斯分校电子与系统工程系） ； Department of Computer Science, University of Southern California（南加州大学计算机科学系）
AI总结 ConformalNL2LTL通过主辅模型协作和符合预测，将自然语言指令转换为时序逻辑公式并保证正确性。
MIRA: 集成记忆的强化学习智能体与有限LLM指导
机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 MIRA通过集成记忆图减少对LLM的依赖，提升稀疏奖励环境中的强化学习性能。
Comments International Conference on Learning Representations (ICLR'26)
EXACT: 显式属性引导的解码时个性化
机构 * Department of Statistics, the Pennsylvania State University, PA, USA（统计系，宾夕法尼亚州立大学） ； University of Southern California, CA, USA（南加州大学）
AI总结 EXACT通过显式属性引导解码时个性化，利用预定义可解释属性提升生成质量，有效缓解上下文偏好变化。
在翻译之前丢失：人工智能间交流中的社会信息传递与生存
机构 * University of Southern California（南加州大学）
AI总结 研究探讨了人工智能间信息传递中社会信息的传递与生存机制，揭示了信息在传递过程中出现的收敛、选择性生存和竞争过滤现象，以及其对人类认知和情感多样性的影响。
UniReason 1.0: 一个统一的推理框架，用于世界知识对齐的图像生成与编辑
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； Zhejiang University（浙江大学） ； University of Southern California（美国南加州大学）
AI总结 UniReason 1.0通过统一推理框架整合图像生成与编辑，利用世界知识增强文本推理和视觉优化，提升复杂合成任务的性能。
SyncTwin: 快速数字孪生构建与同步用于安全的机器人操作
机构 * University of California, Riverside（加州大学河滨分校） ； University of Southern California（南加州大学）
AI总结 SyncTwin通过快速构建和同步数字孪生，提升动态和遮挡环境下机器人操作的安全性和效率。
Comments Project Website: https://sync-twin.github.io/
CoAct-1: 基于计算机操作的多智能体系统与编码动作
机构 * University of Southern California（南加州大学） ； Salesforce（Salesforce公司） ； University of Washington（华盛顿大学）
AI总结 CoAct-1通过结合GUI操作与编程执行，提升复杂任务的自动化效率和可靠性，实现60.76%的新状态-of-the-art成功率。
警察拦车停靠中尊重的主观性：在体测摄像头录像中建模社区视角
机构 * Department of Computer Science, University of Southern California（计算机科学系，南加州大学） ； Department of Psychology, University of Southern California（心理学系，南加州大学） ； Department of Political Science, University of California Riverside（政治学系，加州河滨大学） ； Department of Anthropology, University of California Los Angeles（人类学系，加州大学洛杉矶分校） ； Department of Political Science and International Relations, University of Southern California（政治学与国际关系系，南加州大学） ； Harvard Law School, Harvard University（哈佛法学院，哈佛大学） ； Department of Sociology, The University of Texas at Austin（社会学系，德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种视角意识的建模框架，通过分析体测摄像头录像中的社区视角，提升对尊重评分的预测和理由生成能力，以促进公众信任和程序合法性。
针对移动设备上视觉变换器推理延迟的研究
机构 * University of Southern California（南加州大学）
AI总结 本文研究了移动设备上视觉变换器的推理延迟，通过比较CNNs和开发数据集，揭示影响因素并实现延迟预测。
Journal ref Volume 663 of LNICST (Proceedings of VALUETOOLS 2024), pages 229-251, Springer, 2026
通过细粒度CPU-GPU协同执行加速移动推理
机构 * University of Southern California（南加州大学）
AI总结 本文提出利用细粒度CPU-GPU协同执行机制，通过轻量级同步机制和机器学习模型提升移动设备推理速度，实现线性层和卷积层的加速效果
Journal ref Volume 15657 of Lecture Notes in Computer Science (Selected Papers of EPEW 2025), pages 41-55, Springer, 2026
通过交错语义、音频和文本标记扩展开放离散音频基础模型
机构 * Stanford University（斯坦福大学） ； University of Southern California（南加州大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出SODA模型，通过交错语义、音频和文本标记扩展开放离散音频基础模型，实现通用音频生成和跨模态能力。
持续公民大会中的时间面板选择
机构 * University of Southern California（南加州大学）
AI总结 本文提出了一种持续公民大会中时间面板选择的框架，通过比例代表性和个体公平性算法，确保不同群体在多个轮次中得到代表性。
Comments 20 pages, 2 figures, Accepted to AAMAS 2026
评分的不确定性有多大？基于大语言模型的自动评估中不确定性度量的基准测试
机构 * Michigan State University（密歇根州立大学） ； University of Southern California（南加州大学） ； Washington State University（华盛顿州立大学）
AI总结 本文研究了基于大语言模型的自动评估中不确定性度量的基准测试，分析了不同方法的优劣及影响因素，旨在提升评分系统的可靠性。
多模态大语言模型能否进行时间序列异常检测？
机构 * Illinois Institute of Technology（伊利诺伊理工学院） ； Emory University（埃默里大学） ； University of Illinois Chicago（伊利诺伊大学香槟分校） ； University of Southern California（南加州大学）
AI总结 本研究提出基于多代理框架的TSAD-Agents，利用多模态大语言模型实现自动时间序列异常检测。
Comments ACM Web Conference 2026 (WWW'26)
OpaqueToolsBench: 通过交互学习工具行为的细微差别
机构 * University of Southern California（南加州大学） ； Samaya AI
AI总结 OpaqueToolsBench通过交互学习工具行为的细微差别，提出ToolObserver框架有效改进不透明工具的文档化。
不要让它幻觉：通过检索增强的逻辑推理进行前提验证
机构 * University of Southern California（南加州大学）
AI总结 本文提出一种基于检索增强的逻辑推理方法，用于在生成前验证用户查询中的前提，从而减少幻觉并提高事实准确性。
Comments TMLR 2026
LRD-MPC: 通过低秩分解实现高效的MPC推断
机构 * University of Southern California（南加州大学）
AI总结 LRD-MPC通过低秩分解和优化技术，显著提升MPC在深度学习中的推断效率，减少通信开销和计算资源消耗。
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