高校专区
条件在全头3D GANs中至关重要
机构 * SSE, CUHK-Shenzhen（CUHK-Shenzhen 信息学院） ； Tongyi Lab, Alibaba Group（阿里巴巴集团通义实验室） ； MBZUAI ； USC（美国南加州大学） ； FNii-Shenzhen（深圳未来网络智能省重点实验室） ； Guangdong Provincial Key Laboratory of Future Networks of Intelligence Internship at Tongyi Lab（广东未来网络智能省重点实验室）
AI总结 本文提出使用视角不变的语义特征作为条件输入，以解决全头3D GANs中视角偏差问题，提升生成质量和一致性。
Comments Accepted by ICLR 2026. Project page: https://lhyfst.github.io/balancehead/
增强模拟推理以实现贝叶斯最优实验设计
机构 * 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 本文提出基于神经似然估计的改进方法，通过多起始并行梯度上升提升SBI在贝叶斯最优实验设计中的性能，达到或超越现有最先进方法22%。
TrailBlazer: 基于历史的强化学习用于黑盒大语言模型劫持
机构 * Daegu Gyeongbuk Institute of Science and Technology（大邱庆 bun 科学技术研究院） ； Harvard University（哈佛大学） ； University of Southern California（南加州大学）
AI总结 TrailBlazer通过历史感知强化学习提升黑盒大语言模型劫持效率，实现更高效的攻击策略和更高的查询效率。
博弈中的对抗学习：带轮盘反馈的对数纯策略最大化遗憾
机构 * The University of Tokyo and RIKEN（东京大学和RIKEN） ； University of Southern California（美国南加州大学） ； University of Washington（华盛顿大学）
AI总结 研究在轮盘反馈下通过Tsallis-INF和Maximin-UCB算法实现零和博弈的纯策略最大化遗憾最小化，提出两种算法并推广至双线性博弈。
探测大型视觉-语言模型中的知觉恒常性
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Emory University（埃默里大学） ； University of Washington（华盛顿大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； 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 California, Berkeley（加州大学伯克利分校） ； University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了大型视觉-语言模型在颜色、大小和形状恒常性任务中的表现，发现模型在不同任务上的性能存在显著差异。
Comments Under Review
NeVStereo: 一种基于NeRF的NVS-立体架构用于高保真3D任务
机构 * University of Washington（华盛顿大学） ； University of Southern California（南加州大学） ； CUHK-Shenzhen（香港中文大学（深圳）） ； USC Institute for Creative Technologies（南加州大学创意技术研究所）
AI总结 NeVStereo通过结合NeRF和多视角深度估计，实现了高保真3D重建，显著提升了深度精度和网格质量。
VRIQ：评估和分析视觉推理IQ的VLMs基准测试
机构 * University of Southern California, Los Angeles, USA（美国南加州大学）
AI总结 VRIQ基准测试评估了VLMs的视觉推理能力，发现其在抽象推理任务中表现薄弱，主要源于感知限制，提出细粒度诊断方法以改进多模态系统中的视觉推理。
AirGlove: 探索第一人称视角下3D手部跟踪与外观泛化用于传感手套
机构 * Meta Reality Labs Research（Meta现实实验室） ； Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California（明希德电气与计算机工程系，南加州大学）
AI总结 AirGlove通过利用现有手套泛化学习的表示，有效提升了传感手套下的手部姿态跟踪性能。
Comments Accepted by ICASSP 2026
基于图的对抗多智能体建模模拟器
机构 * University of Southern California（美国南加州大学）
AI总结 GAMMS是一款轻量级多智能体仿真框架，支持图结构环境下的快速开发与评估，提供可视化反馈和现实基础，适用于复杂领域如交通和通信系统。
从扩散模型中引入多样性以实现语义引导的面部资产生成
机构 * University of Southern California, USC Institute for Creative Technologies（美国南加州大学，USC创意技术研究所） ； USC Institute for Creative Technologies（USC创意技术研究所）
AI总结 本文提出了一种语义可控的生成网络，通过扩散模型生成高质量3D面部数据库，并开发了高效的GAN基生成器，用于创建和编辑高质量面部资产。
Comments Accepted Manuscript
先成长，再关怀？追踪LLM在日常困境中的价值偏好景观
机构 * University of Southern California（美国南加州大学） ； Tsinghua University（清华大学）
AI总结 研究揭示LLM在日常困境中更倾向优先考虑探索与成长的价值，而非关怀与连接，指出AI建议系统可能带来的价值同质化风险。
Comments dataset available at https://github.com/Renesmeeczy/Value-Trade-off-in-Reddit-Dilemmas
BioTamperNet：基于状态空间模型的亲和引导检测篡改生物医学图像
机构 * USC Information Sciences Institute（USC信息科学研究所） ； USC Thomas Lord Department of Computer Science（USC汤姆·劳德计算机科学系）
AI总结 BioTamperNet通过亲和引导的注意力机制，高效检测生物医学图像中的篡改区域，提升检测精度。
重用FLOPs：通过条件化非常离策略前缀来扩展RL在困难问题上的应用
机构 * Meta ； Carnegie Mellon University（卡内基梅隆大学） ； University of Southern California（南加州大学）
AI总结 通过条件化离策略前缀提升RL在困难问题上的学习效率，实现更快的训练奖励和更高的最终奖励。
Privasis：从零开始合成最大的“公共”私有数据集
机构 * NVIDIA ； CMU（卡内基梅隆大学） ； USC（南加州大学）
AI总结 Privasis是首个从零开始构建的百万级合成数据集，用于提升隐私敏感领域研究的规模和效率，其模型在隐私净化任务中表现优异。
Comments For code and data, see https://privasis.github.io
什么使一个好的例子？用神经网络表示进行实例选择建模
机构 * Department of Psychology, University of Southern California（心理学系，南加州大学） ； Department of Statistics and Data Science, University of California, Los Angeles（统计与数据科学系，加州大学洛杉矶分校）
AI总结 本文通过神经网络表示和原则性子集选择标准建模人类实例选择，发现联合代表性与多样性结合的策略最能反映人类判断，且转换器表示比卷积网络更符合人类行为。
SATORIS-N：基于谱分析的交通密度观测恢复 via 有信息子空间和核范数最小化
机构 * Thomas Lord Department of Computer Science University of Southern California Los Angeles, USA（托马斯·劳德计算机科学系 美国南加州大学 洛杉矶）
AI总结 SATORIS-N通过利用子空间信息和核范数最小化，有效恢复部分缺失的交通密度数据，提升高遮挡情况下的准确性。
特征、对齐与监督在类别学习中的作用：基于儿童与神经网络的比较方法
机构 * Department of Psychology, University of Southern California（南加州大学心理学系） ； Department of Statistics and Data Science, University of California, Los Angeles（加州大学洛杉矶分校统计与数据科学系）
AI总结 本文通过比较儿童与神经网络在少量半监督类别学习任务中的表现，揭示了监督、特征结构和对齐在学习过程中的相互作用。
一个模型，所有角色：多轮、多智能体自我对战强化学习用于对话社交智能
机构 * Microsoft Corporation（微软公司） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； Penn State University（宾夕法尼亚州立大学）
AI总结 OMAR通过多轮多智能体自我对战强化学习，使AI在无监督情况下发展出共情、说服等社交智能。
解构偏好与资格：基于大语言模型的约束双视角推理 job 推荐
机构 * University of Southern California（南加州大学）
AI总结 JobRec通过约束双视角推理解构偏好与资格，提升职位推荐的可控性和匹配质量。
加速自动驾驶中的结构化链式推理
机构 * NVIDIA ； University of Southern California（南加州大学） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 FastDriveCoT通过并行解码方法加速自动驾驶中的结构化链式推理，实现3-4倍的生成速度提升和端到端延迟的显著降低，同时保持推理效果。
确定性等价策略在部分观测系统中的次优界限
机构 * INLAN ； McGill University（麦吉尔大学） ； University of Southern California（南加州大学） ； Atmanity
AI总结 本文研究了部分观测系统中确定性等价策略的次优界限，推导了在适当光滑条件下策略次优性的上界，并通过实例展示了结果。
Comments 12 pages, 0 figures
稳定性正则化的交叉验证
机构 * Department of Analytics, Marketing and Operations, Imperial Business School, UK（分析、营销与运营系，帝国商业学院，英国） ； Department of Industrial and Systems Engineering, Viterbi School of Engineering, University of Southern California, CA, USA（工业与系统工程系，维特里商学院，南加州大学，美国）
AI总结 本文提出一种稳定性正则化的嵌套k折交叉验证方法，通过减少模型不稳定性来提升测试集性能并降低离样失望感。
Comments Some of this material previously appeared in 2306.14851v2, which we have split into two papers (this one and 2306.14851v3), because it contained two ideas that need separate papers
实现时间序列推理需要重新思考模型设计、任务制定和评估
机构 * University of Oxford, UK（牛津大学） ； Hong Kong University of Science（香港科学大学） ； Griffith University, Australia（格里菲斯大学） ； Tsinghua University, China（清华大学） ； University of Southern California, USA（南加州大学）
AI总结 本文指出时间序列推理需重新审视模型设计、任务制定和评估，提出统一框架以提升现实应用中的鲁棒性、可解释性和决策相关性。
人格表达的多情境性：语言与行为在大语言模型代理中的变化
机构 * University of Southern California（南加州大学）
AI总结 本研究探讨了大语言模型在不同对话情境中人格表达的差异，发现相同人格提示在不同情境下产生不同语言、行为和情感表现，表明LLMs能根据社交需求灵活调整。
ConsensusDrop：融合视觉与跨模态显著性以提高视觉语言模型的效率
机构 * University of Southern California（南加州大学） ； DEVCOM Army Research Office（陆军研究办公室）
AI总结 ConsensusDrop通过融合视觉与跨模态显著性，提高视觉语言模型的效率和准确性，优于现有token修剪方法。
Comments Technical Report
MAGNET：迈向基于记忆驱动的知识演化的自适应GUI代理
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； University of Southern California（南加州大学）
AI总结 MAGNET通过双层记忆机制和动态演化机制，提升GUI代理在界面变化中的适应性和任务执行性能。
LLaVA-PruMerge: 适应性令牌减少用于高效的大多模态模型
机构 * UCF（佛罗里达大学） ； UW-Madison（威斯康星大学麦迪逊分校） ； USC（南加州大学） ； UIC（伊利诺伊大学香槟分校）
AI总结 LLaVA-PruMerge通过自适应视觉令牌减少策略，显著降低视觉令牌数量而不影响性能，适用于高效的大多模态模型。
Comments Accepted to ICCV 2025. First Version is released in 2024/03
分段属性用于长推理轨迹的选择性学习
机构 * University of Southern California（南加州大学）
AI总结 本文提出一种基于分段属性的选择性学习框架，通过量化标记对最终答案的影响，提升长推理轨迹学习的效率和准确性。
Comments Accepted to ICLR 2026. 16 pages, 5 figures. Code available at https://github.com/SiyuanWangw/SegmentSelectiveSFT
SPARC-RAG：基于上下文管理的自适应顺序-并行扩展用于检索增强生成
机构 * University of Southern California（南加州大学） ； Capital One
AI总结 SPARC-RAG通过多代理框架实现顺序与并行扩展的协调，提升检索增强生成在多跳问答中的性能和效率。
VeFA：基于向量的特征空间适应以实现鲁棒的模型微调
机构 * Department of Industrial and System Engineering, University of Southern California, Los Angeles, United States（工业与系统工程系，南加州大学，洛杉矶，美国）
AI总结 VeFA通过在特征空间中进行元素级适应，提升模型在分布偏移下的鲁棒性，同时保持预训练表示。
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