Differentially Private Retrieval-Augmented Generation
差分隐私增强的检索增强生成
机构 * University of Southern California（南加州大学）
AI总结 DP-KSA 是一种整合差分隐私的检索增强生成算法，通过关键词增强减少隐私风险并保持实用性。
高校专区
University of Southern California（南加州大学）
Experiential Reinforcement Learning
经验强化学习
机构 * University of Southern California（南加州大学） ； Microsoft（微软公司） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 经验强化学习通过显式经验-反思-巩固循环提升语言模型在稀疏奖励环境中的学习效率和性能。
Comments 26 pages, 9 tables, 7 figures
voice2mode: Phonation Mode Classification in Singing using Self-Supervised Speech Models
voice2mode：基于自监督语音模型的歌唱发声模式分类
机构 * University of Birmingham, School of Computer Science, Birmingham, UK（伯明翰大学计算机科学学院） ； Carnegie Mellon University, Information Systems, Doha, Qatar（卡内基梅隆大学信息系统） ； University of Southern California, Department of Electrical（南加州大学电气工程系）
AI总结 voice2mode利用自监督语音模型提取的嵌入对四种歌唱发声模式进行分类，实验表明基础模型特征在准确率上显著优于传统方法。
Comments Accepted to the Speech, Music and Mind (SMM26) workshop at the IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2026). This is the preprint version of the paper to appear in the proceedings
GSRM: Generative Speech Reward Model for Speech RLHF
GSRM：生成式语音奖励模型用于语音强化学习反馈机制
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Massachusetts Institute of Technology（麻省理工学院） ； Arizona State University（亚利桑那州立大学） ； University of Southern California（南加州大学）
AI总结 GSRM通过生成式语音奖励模型提升语音生成的自然度，利用可解释的推理链实现更准确的自然度评估。
The Agentic Leash: Extracting Causal Feedback Fuzzy Cognitive Maps with LLMs
代理缰绳：利用大语言模型提取因果反馈模糊认知图
机构 * University of Southern California（南加州大学） ； Florida International University（佛罗里达国际大学）
AI总结 本文提出利用LLM代理系统提取因果反馈模糊认知图，通过三步过程生成与人类生成的FCM具有相同平衡特性的动态系统。
Comments 15 figures
Writing in Symbiosis: Mapping Human Creative Agency in the AI Era
共生写作：人工智能时代人类创造性自主性的映射
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 本文探讨了人工智能时代人类创造性自主性的共生写作模式，通过分析纵向写作数据揭示了作者与AI风格的适应性变化。
Comments Advances in Neural Information Processing Systems (NeurIPS 2025)
Latent Denoising Makes Good Tokenizers
潜在去噪使分词器更有效
机构 * USC（美国南加州大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Google DeepMind（谷歌DeepMind） ； OpenAI
AI总结 本文提出通过潜在去噪目标优化分词器，提升生成模型的生成质量。
Comments Code is available at: https://github.com/Jiawei-Yang/DeTok
Comparing Classifiers: A Case Study Using PyCM
比较分类器：使用PyCM进行案例研究
机构 * Open Science Laboratory（开放科学实验室） ； Department of Computer Science, University of Southern California（计算机科学系，南加州大学）
AI总结 本文通过PyCM库探讨了多类分类器的评估方法，强调多维评估框架在揭示模型性能细微差异中的重要性。
Comments 13 pages, 3 figures, 2 tables
TemporalBench: A Benchmark for Evaluating LLM-Based Agents on Contextual and Event-Informed Time Series Tasks
TemporalBench: 一个用于评估基于LLM的智能体在上下文和事件驱动的时间序列任务中的基准
机构 * University of Southern California（美国南加州大学）
AI总结 TemporalBench是一个多领域基准，用于评估基于LLM的智能体在上下文和事件驱动的时间序列任务中的时序推理能力。
How to Train Your Resistive Network: Generalized Equilibrium Propagation and Analytical Learning
如何训练你的电阻网络：通用平衡传播与解析学习
机构 * Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California, Los Angeles, CA, USA（明希德电气与计算机工程系，南加州大学，洛杉矶，加利福尼亚州，美国） ； Center for Nonlinear Studies, Los Alamos National Laboratory, Los Alamos, New Mexico 87545, USA（非线性研究中心，洛斯阿拉莫斯国家实验室，洛斯阿拉莫斯，新墨西哥州，美国） ； Theoretical Division (T4), Los Alamos National Laboratory, Los Alamos, New Mexico 87545, USA（理论部（T4），洛斯阿拉莫斯国家实验室，洛斯阿拉莫斯，新墨西哥州，美国） ； CAI-3, Los Alamos National Laboratory, Los Alamos, New Mexico 87545, USA（CAI-3，洛斯阿拉莫斯国家实验室，洛斯阿拉莫斯，新墨西哥州，美国） ； University of California, Berkeley, Berkeley, CA, 94720, USA（加州大学伯克利分校，伯克利，加利福尼亚州，美国） ； Department of Physics, University of Pisa, Largo Bruno Pontecorvo 3, 56127 Pisa, Italy（物理学系，比萨大学，布鲁诺·蓬泰科罗夫大道3号，比萨，意大利）
AI总结 本文提出了一种基于图论和解析框架的算法，用于精确计算电阻网络的梯度，实现高效训练，无需复制或读出，且能局部更新电阻值以提升性能。
Comments 8 pages double column; plus 16 supp mat.;
Human-Aligned MLLM Judges for Fine-Grained Image Editing Evaluation: A Benchmark, Framework, and Analysis
面向细粒度图像编辑评估的人类对齐MLLM评判：一个基准、框架和分析
机构 * University of Virginia（弗吉尼亚大学） ； Columbia University（哥伦比亚大学） ； Vanderbilt University（范德比大学） ； Adobe Research（Adobe研究） ； Dolby Laboratories（杜比实验室） ； Cisco Research（思科研究） ； University of Southern California（南加州大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of Oregon（俄勒冈大学） ； Texas A&M University（德克萨斯大学）
AI总结 本文提出细粒度MLLM评判框架，通过分解十二个可解释因素，提升图像编辑评估的精度与实用性，为研究和改进图像编辑方法提供实用基础。
DeepGen 1.0: A Lightweight Unified Multimodal Model for Advancing Image Generation and Editing
DeepGen 1.0: 一种轻量级统一多模态模型，用于推进图像生成与编辑
机构 * Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Nanjing University（南京大学） ； University of Southern California（南加州大学）
AI总结 DeepGen 1.0通过轻量级统一多模态模型在图像生成与编辑领域实现高性能，采用SCB框架和数据驱动训练策略，超越大参数模型表现。
OptiML: An End-to-End Framework for Program Synthesis and CUDA Kernel Optimization
OptiML：一种端到端的程序合成与CUDA内核优化框架
机构 * Iowa State University, Ames, Iowa, USA（爱荷华州立大学） ； Cisco AI Research, San Jose, California, USA（思科人工智能研究） ； University of Southern California, Los Angeles, California, USA（南加州大学）
AI总结 OptiML通过端到端框架将自然语言意图或输入代码转化为高性能CUDA内核，结合搜索与验证技术实现优化。
Is Online Linear Optimization Sufficient for Strategic Robustness?
在线线性优化是否足以实现战略稳健性？
机构 * Yale University（耶鲁大学） ； University of Southern California（南加州大学） ； University of Virginia（弗吉尼亚大学）
AI总结 本文探讨在线线性优化算法是否足以实现投标算法的战略稳健性，并提出方法在已知和未知价值分布下均取得改进。
Comments 26 pages
Compiler-Guided Inference-Time Adaptation: Improving GPT-5 Programming Performance in Idris
编译器引导的推理时适应：提升GPT-5在Idris中的编程性能
机构 * Ming Hsieh Department of Electrical and Computer Engineering（明希斯部门电子与计算机工程系） ； Viterbi School of Engineering, University of Southern California（维特比工程学院，南加州大学）
AI总结 本文研究GPT-5通过编译器反馈提升在低资源语言Idris中的编程性能，发现结合本地编译错误的改进策略显著提高了模型表现。
EM-Aware Physical Synthesis: Neural Inductor Modeling and Intelligent Placement & Routing for RF Circuits
具有电磁意识的物理综合：神经感应器建模和智能放置与路由用于射频电路
机构 * Electrical Engineering, University of Southern California（电气工程，南加州大学） ； Electrical Engineering and Computer Science, University of California Irvine（电气工程与计算机科学，加州大学伊维特分校）
AI总结 本文提出一种基于神经网络的射频电路综合方法，通过高精度电感器建模和智能布局优化，实现电磁准确的可制造GDSII布局生成。
Comments Accepted at the 2026 IEEE International Symposium on Circuits and Systems (ISCAS 2026)
NewsInterview: a Dataset and a Playground to Evaluate LLMs' Ground Gap via Informational Interviews
NewsInterview: 一个用于通过信息性访谈评估LLM地面间隙的数据集和游乐场
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Southern California（南加州大学） ； Information Sciences Institute（信息科学研究所） ； Northeastern University（东北大学）
AI总结 NewsInterview通过信息性访谈数据集和模拟环境，揭示LLMs在战略对话和多轮规划方面的能力不足，强调需提升其对话策略与说服力。
Comments Accepted at ACL 2025: https://aclanthology.org/2025.acl-long.1580/
What do people want to fact-check?
人们想要验证什么？
机构 * University of Southern California（南加州大学） ； Mila ； Université de Montréal（蒙特利尔大学） ； McGill University（麦吉尔大学）
AI总结 研究发现人们在验证请求中倾向于简单描述性声明，且存在无法实证解决的请求，揭示了现有验证工具与真实需求的不匹配。
MapVerse: A Benchmark for Geospatial Question Answering on Diverse Real-World Maps
MapVerse：一个用于在多样化真实世界地图上进行地理问答的基准测试
机构 * University of Southern California（南加州大学） ； University of California Los Angeles（加州大学洛杉矶分校） ； University of Utah（犹他大学） ； Arizona State University（亚利桑那州立大学）
AI总结 MapVerse是一个基于真实世界地图的大规模基准测试，用于评估地理问答任务中的多模态推理能力，揭示了当前VLMs在复杂空间推理任务上的不足。
Analyzing Fairness of Neural Network Prediction via Counterfactual Dataset Generation
通过反事实数据集生成分析神经网络预测的公平性
机构 * University of Southern California（南加州大学）
AI总结 通过反事实数据集生成分析神经网络预测的公平性，揭示训练数据偏差对模型预测的影响。
Comments Presented at NLDL 2026
Accurate, provable and fast polychromatic tomographic reconstruction: A variational inequality approach
精确、可证明且快速的多色断层成像重建：一种变分不等式方法
机构 * Georgia Institute of Technology, School of Industrial and Systems Engineering（佐治亚理工学院工业与系统工程学院） ； University of Southern California, Department of Data Sciences and Operations（南加州大学数据科学与运营系）
AI总结 本文提出了一种基于变分不等式的EXACT算法，用于多色断层成像重建，证明了其在统计和计算性能上的优势，并展示了其在实际应用中的高效性。
Comments Accepted at SIAM Journal on Imaging Sciences
Can Image Splicing and Copy-Move Forgery Be Detected by the Same Model? Forensim: An Attention-Based State-Space Approach
图像拼接和复制移动伪造能否由同一模型检测？Forensim：一种基于注意力的状态空间方法
机构 * USC Information Sciences Institute（USC信息科学研究所） ； USC Thomas Lord Department of Computer Science（USC托马斯·劳德计算机科学系）
AI总结 Forensim通过基于注意力的状态空间方法，实现图像拼接和复制移动伪造的联合定位检测，并发布新数据集提升伪造检测性能。
Auditing Multi-Agent LLM Reasoning Trees Outperforms Majority Vote and LLM-as-Judge
对多智能体大语言模型推理树进行审计优于多数投票和LLM作为裁判
机构 * University of Southern California, Los Angeles, CA, USA（美国南加州大学）
AI总结 通过构建推理树路径搜索机制，AgentAuditor在多智能体系统中实现了优于多数投票和LLM作为裁判的推理准确性提升
Layer-wise Update Aggregation with Recycling for Communication-Efficient Federated Learning
分层更新聚合与回收的通信高效联邦学习
机构 * Inha University（延世大学） ； University of Southern California（南加州大学）
AI总结 FedLUAR通过分层更新聚合与回收技术，在保持模型准确性的同时显著降低联邦学习的通信成本。
Comments NeurIPS 2025
Deep Meta Coordination Graphs for Multi-agent Reinforcement Learning
基于深度元协调图的多智能体强化学习
机构 * University of Southern California（南加州大学） ； DEVCOM Army Research Laboratory（陆军研究实验室） ； DEVCOM ARL Army Research Office（陆军研究办公室）
AI总结 本文提出深度元协调图方法，通过图卷积网络提升多智能体协作策略的学习效率和表现。
Interaction-Grounded Learning for Contextual Markov Decision Processes with Personalized Feedback
基于交互的 contextual Markov 决策过程学习与个性化反馈
机构 * University of Iowa（爱荷华大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Southern California（南加州大学） ； Microsoft Research（微软研究院）
AI总结 本文提出了一种计算高效的算法，用于在具有个性化反馈的上下文性 Markov 决策过程中实现次线性遗憾保证，通过扩展奖励估计器构造并设计逆间隙加权算法，有效提升了多轮交互中学习个性化目标的能力。
DIAL-SUMMER: A Structured Evaluation Framework of Hierarchical Errors in Dialogue Summaries
DIAL-SUMMER：一种评估对话摘要中分层错误的结构化框架
机构 * University of Southern California（美国南加州大学） ； Capital One
AI总结 DIAL-SUMMER提出一种结构化框架，用于评估对话摘要中分层错误，通过细粒度错误分类和实证分析揭示摘要生成的挑战。
Paper Copilot: Tracking the Evolution of Peer Review in AI Conferences
Paper Copilot：追踪人工智能会议中同行评审的演变
机构 * University of Southern California（南加州大学） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学）
AI总结 Paper Copilot通过创建同行评审数字档案和开放数据集，分析人工智能会议评审实践的演变，促进同行评审系统的透明和改进。
Comments ICLR 2026. https://papercopilot.com/
Efficient Attention via Pre-Scoring: Prioritizing Informative Keys in Transformers
通过预评分实现高效的注意力机制：在Transformer中优先选择信息量大的键
机构 * Carnegie Mellon University, Pittsburgh, USA ； University of Southern California, Los Angeles, CA, USA ； University of California, San Diego, Department of Mathematics, La Jolla, CA, USA ； University of California, Davis, Applied Mathematics \& Statistics, Davis, CA, USA ； Carnegie Mellon University, Pittsburgh, PA, USA
AI总结 本文提出预评分方法，通过优先选择信息量大的键提升Transformer在长上下文语言建模和视觉任务中的效率与精度
Online Learning for Uninformed Markov Games: Empirical Nash-Value Regret and Non-Stationarity Adaptation
在线学习无信息马尔可夫游戏：经验纳什价值遗憾与非平稳适应
机构 * University of Washington（华盛顿大学） ； University of Southern California（南加州大学） ； Hong Kong University of Science and Technology（香港科学与技术大学）
AI总结 本文提出了一种参数无关算法，通过经验纳什价值遗憾度量，在对手非平稳性适应下实现O(min{√K + (CK)^{1/3},√LK})的遗憾界。
Comments 36 pages
