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。
虚假共振：对情感嵌入相似性在语音生成评估中的批判性检验
机构 * Graduate Institute of Communication Engineering, National Taiwan University, Taiwan（国立台湾大学通讯工程研究所） ； Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California, USA（美国南加州大学明希电气与计算机工程系） ； Gilbert AI Lab, USA（美国Gilbert人工智能实验室） ； Graduate Institute of Electrical Engineering, National Taiwan University, Taiwan（国立台湾大学电气工程研究所） ； Artificial Intelligence Center of Research Excellence, National Taiwan University, Taiwan（国立台湾大学人工智能研究中心）
AI总结 本文批判性地检验了情感嵌入相似性在语音生成评估中的有效性，指出其在零样本评估中存在代表性限制，导致语言和说话者干扰掩盖情感特征，从而与人类感知不一致。
Comments Interspeech 2026
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。
幻象与披露：合成数据审计的因果框架
机构 * Google（谷歌） ； University of Southern California（南加州大学）
AI总结 提出一个可定制的实证审计框架，通过区分真实披露与幻象披露，利用统计假设检验检测合成数据中的隐私泄露，无需模型访问或参考模型，提供比先前方法更紧的隐私泄露下界。
Comments 35 pages, 10 tables, 5 figures
心智理论效用：心理化机制的形式化规范
机构 * Institute for Creative Technologies, University of Southern California（南加州大学创意技术研究所） ； Khoury College of Computer Sciences, Northeastern University（东北大学库里计算机科学学院）
AI总结 提出心智理论效用（ToM-U）框架，通过局部认知世界模型（LEWM）形式化推断他人信念的计算问题，定义结构、推理过程及失败痕迹，区别于贝叶斯心智理论等方法。
EvoClaw: 评估AI代理在持续软件演化中的表现
机构 * USC（美国斯克利普斯大学） ； UCR（加州大学河滨分校） ； UCSD（加州大学圣地亚哥分校） ； Army Research Office（陆军研究办公室） ； Stanford（斯坦福大学） ； Princeton（普林斯顿大学） ； Haven ； OpenHands
AI总结 针对现有基准测试忽视软件演化中时间依赖和技术债务的问题，提出EvoClaw基准，通过从提交日志重建可验证里程碑DAG，评估AI代理在持续开发中维持系统完整性和限制错误累积的能力。
Comments ICML 2026
SENTINEL：面向基础模型基于具身代理的安全性评估多级形式框架
机构 * Northwestern University, USA ； University of Southern California, USA ； College of William \& Mary
AI总结 SENTINEL通过形式时序逻辑多级验证框架，系统性评估基础模型具身代理在模拟环境中的物理安全性。
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。
NANOZK：用于可验证大语言模型推理的分层零知识证明
机构 * USC Viterbi School of Engineering（USC维特里维学院工程学院）
AI总结 NANOZK通过分层零知识证明验证大语言模型推理，采用分层证明框架实现常数大小证明，提升可扩展性与并行证明效率，同时保持形式正确性。
Comments Extended version. The first 12 pages correspond to the ICICS 2026 (Springer LNCS) camera-ready paper. This version supersedes the earlier ICLR 2026 VeriFAI Workshop preprint and adds full security proofs, Halo2 circuit details, lookup-table derivations, extended experiments, verifier-cost analysis, GPU scaling, reproducibility instructions, and appendices omitted from the proceedings
ICLR: 基于视觉推理的上下文模仿学习
机构 * University of Southern California（南加州大学） ； Autodesk Research（Autodesk研究）
AI总结 ICLR通过结合视觉推理与上下文模仿学习，提升机器人在复杂任务中的适应性和泛化能力。
Comments Accepted to IROS 2026. Project website: https://toannguyen1904.github.io/ICLR
无监督发现部署日志中的故障分类
机构 * Stanford University（斯坦福大学） ； University of Southern California（南加州大学）
AI总结 本文提出无监督发现部署日志中的故障分类方法，通过视觉-语言推理和语义聚类，提升机器人系统鲁棒性和故障监控能力。
ECHO：通过高阶运算编码社区
机构 * Thomas Lord Department of Computer Science, University of Southern California（美国南加州大学汤姆·劳德计算机科学系）
AI总结 ECHO通过高阶运算和自监督架构，解决社区检测中的拓扑与语义瓶颈，实现高效准确的社区划分。
Journal ref Machine Learning with Applications, Volume 25, 100930, 2026
基于道德依据的自解释仇恨言论检测
机构 * University of São Paulo（圣保罗大学） ； University of Southern California（南加州大学） ； Saarland University（萨尔兰大学） ； Virginia Tech（弗吉尼亚理工大学） ； University of Melbourne（墨尔本大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； Technical University of Munich（慕尼黑技术大学） ； Google Research（谷歌研究） ； Portland State University（波特兰州立大学）
AI总结 研究针对现有仇恨言论检测模型的不足，提出SMRA框架，将道德依据监督融入训练目标，引入新数据集。该框架在检测任务中提升性能，增强解释，且公平性稳定。
Comments This paper was published at Findings of the Association for Computational Linguistics: ACL 2026 (https://aclanthology.org/2026.findings-acl.1704/)
生成AI悖论：生成AI与信任的侵蚀、信息验证的腐蚀以及真理的消亡
机构 * Thomas Lord Department of Computer Science, University of Southern California (USC)（汤姆斯·劳德计算机科学系，南加州大学） ； Information Sciences Institute (ISI), University of Southern California (USC)（信息科学研究所，南加州大学）
AI总结 本文探讨生成AI带来的信任危机，提出合成现实的分层结构，并强调其对社会认知基础的侵蚀，呼吁建立互补的缓解措施以应对AI带来的挑战。
Journal ref Future Internet, 18(2), 73, 2026
语言模型偏见缓解中的“无免费午餐”现象？针对性偏见减少可能加剧未缓解的LLM偏见
机构 * University of Southern California（南加州大学）
AI总结 本文研究了语言模型偏见缓解的跨类别影响，发现针对性缓解可能加剧其他方面的偏见，强调了多维评估的重要性。
Journal ref AI, 7(1), 24, 2026
大语言模型中的信息压制：对DeepSeek的信息审查、量化与特征化
机构 * Thomas Lord Department of Computer Science, University of Southern California, USA（汤姆斯·劳德计算机科学系，南加州大学） ； Information Sciences Institute, University of Southern California, USA（信息科学研究所，南加州大学） ； Annenberg School of Communication, University of Southern California, USA（安纳伯格传播学院，南加州大学）
AI总结 本研究通过审计框架揭示DeepSeek在处理政治敏感提示时的信息压制现象，指出模型在内部推理中保留敏感内容，但在最终输出中进行过滤或改写，强调了对AI模型中信息压制机制进行系统审查的重要性。
Journal ref Inf. Sci. 724, C (Jan 2026)
棱柱形合成：基于梯度的数据多样化提升语言模型推理中的泛化能力
机构 * NVIDIA Research（NVIDIA研究部） ； University of Washington（华盛顿大学） ； University of Southern California（南加州大学）
AI总结 研究语言模型训练数据多样性对泛化的作用，提出基于梯度熵的G - Vendi指标，进而构建棱柱形合成框架生成多样合成数据，有效提升模型性能，在多个基准测试中表现优于依赖更大数据生成器的模型。
在极端类别不平衡下基于网络的提示工程对抗有组织的Astroturf活动
机构 * University of Southern California（美国南加州大学） ； Cisco AI Research（思科人工智能研究）
AI总结 本文提出基于大型语言模型的Balanced RAG框架，通过提示工程和平衡检索增强生成技术，在极端类别不平衡下有效识别协调虚假信息活动。
Journal ref WWW '25: Companion Proceedings of the ACM on Web Conference 2025
语言模型调解者能否改善在线讨论的健康状况？
机构 * Department of Computer Science and Information Sciences Institute University of Southern California（计算机科学系和信息科学研究所 南加州大学）
AI总结 本文探讨了语言模型作为对话调解员的效果，发现其能提供具体公平的反馈，但难以提升用户尊重与合作水平。
Comments 9 pages, NAACL 2024 Main
Journal ref Proceedings of the 2024 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies
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。
L-MARS：具有协调推理和代理搜索的法律多智能体工作流
机构 * University of Southern California（南加州大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 L-MARS是一种多代理检索框架，通过分解查询为结构化子问题，利用代理网络搜索获取证据，并通过验证代理过滤结果，从而在法律问答中实现高准确率。
Comments Accepted at the AI4Law Workshop at ICML 2026
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