高校专区
评价的是宣传话术，而非产品本身：用户对大语言模型的评估更多反映期望而非性能
机构 * Brock University（布鲁克大学） ； Emory University（埃默里大学） ； University of Southern California（南加州大学） ； University College London（伦敦大学学院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究通过控制实验，让参与者使用不同宣传话术下的六种大语言模型完成任务，发现宣传话术影响用户评价和交互行为，任务表现未变，用户评价更多反映期望管理。
对话时间动态能否改善二元组中的抑郁症检测？多模态视角的初步调查
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，美国） ； Signal Analysis and Interpretation Laboratory (SAIL), University of Southern California, USA（信号分析与解释实验室（SAIL），南加州大学，美国）
AI总结 研究从临床访谈自动检测抑郁症，将对话时间动态（二元轮流配对时间）与自监督编码器融合，在DAIC-WOZ数据集上评估，时间模块单模态性能最佳，融合策略提升整体性能，对话时间可作二元抑郁症筛查补充。
Comments Submitted to SLT 2026
再谈Adam算法的收敛性
机构 * Department of Mathematics, University of Southern California（南加州大学数学系）
AI总结 研究在线优化中投影Adam算法，通过特定线性函数序列证明任意时刻衰减参数下平均遗憾值有界非零，结果扩展到多种Adam变体及相关序列。
Comments 26 pages
DiPS：高风险说服代理的对话策略选择
机构 * University of Southern California（南加州大学）
AI总结 针对高风险场景中说服策略需个性化的问题，提出DiPS框架，基于Q-learning动态选择说服策略，在火灾疏散模拟和真实人机交互中提升成功率。
Comments Proceedings of the 27th Annual Meeting of the Special Interest Group on Discourse and Dialogue (SIGDIAL 2026)
OrbitQuant: 图像和视频扩散Transformer的数据无关量化
机构 * Cantina Labs（Cantina实验室） ； University of Southern California（南加州大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出数据无关量化方法OrbitQuant，通过归一化旋转基和Lloyd-Max码本，无需校准数据即可对扩散Transformer的权重和激活进行低比特量化，在多个模型和模态上达到最优。
推理的几何特征：任务难度的谱视角
机构 * Northeastern University（东北大学） ； University of Southern California（南加州大学） ； Google Research（谷歌研究院）
AI总结 通过分析Transformer隐藏状态空间中思维链轨迹的谱、位置和运动学几何特征，提出有效维度d_ρ衡量轨迹复杂度，发现平坦特征谱对应更难任务，并利用运动学特征在生成早期预测答案正确性。
MIBE：面向个性化图像生成的多主体交互基准与评估器
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Southern California（南加州大学） ； DeerLab LLC（DeerLab有限责任公司） ； Carnegie Mellon University（卡内基梅隆大学） ； Clemson University（克莱姆森大学） ； Google（谷歌） ； San Jose State University（圣何塞州立大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出MIBE框架，包含多主体交互基准（MIB）和评估器（MIE），通过解耦数据体制和双头排序诊断目标，解决多主体个性化图像生成中主体遗漏、外观失配和交互错误问题，在黄金集上达到0.922成对准确率。
异步RLHF的陈旧度-学习率缩放定律
机构 * The University of Hong Kong（香港大学） ； Shanghai Jiao Tong University（上海交通大学） ； Gradient ； University of Southern California（南加州大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 研究异步GRPO中陈旧rollout的影响，推导出陈旧度与学习率之间的缩放定律，揭示稳定性受累积漂移和陈旧度约束的双重条件。
基于时序逻辑规范的学习步态感知四足运动
机构 * Department of Electrical Engineering and Computer Sciences University of California Berkeley（加州大学伯克利分校电气工程与计算机科学系） ； University of Southern California（南加州大学）
AI总结 提出用信号时序逻辑参数化约束指定步态，通过奖励塑形提供密集连续奖励，在Barkour机器人上实现更紧的速度跟踪和稳定训练。
当LLM粗心阅读表格时：测量并减少数据引用错误
机构 * University of Southern California（南加州大学） ； AWS AI Labs（AWS AI实验室）
AI总结 本研究系统评估了大型语言模型在表格任务中的数据引用错误，并提出基于批评模型的过滤与拒绝采样方法，将答案准确率提升高达12.0%。
Comments ACL 2026 (Oral)
一次检索覆盖所有：基于共现感知的知识库重组用于会话级RAG
机构 * University of Southern California（南加州大学）
AI总结 针对会话级信息需求，提出基于共现聚类的知识库离线重组和查询时扩展检索候选的方法，将单次查询会话覆盖率从41%提升至58%，并压缩知识库至原大小的20%。
Comments Accepted to the Towards Knowledgeable Foundation Models (KnowFM) Workshop at ACL 2026
跨模态分层融合用于多传感器地面观测
机构 * University of Southern California（南加州大学）
AI总结 提出AtmoFuseNet框架，通过跨模态分层聚合、条件变分精化和相关运动估计，融合多视角天空相机、毫米波云雷达和云高仪数据，实现云微物理场和风场的4D重建。
拒绝的几何：安全对齐大语言模型中的线性不稳定性
机构 * University of Southern California（南加州大学） ； Independent Researcher（独立研究员）
AI总结 研究通过对比安全与不安全系统提示的隐藏状态，提出对比逻辑操控（CLS）框架，揭示安全对齐的线性脆弱性，并证明逻辑级干预比隐藏状态方法更有效，同时可实现双向控制。
Comments Accepted at TrustNLP 2026 (Sixth Workshop on Trustworthy Natural Language Processing, ACL 2026)
向LLM讲述数字：用于时间序列预测的多小波数字嵌入
机构 * University of Southern California（南加州大学） ； Meta ； Google DeepMind（谷歌DeepMind）
AI总结 提出TempoWave，一种即插即用的多小波数字嵌入接口，将标量观测映射为数字级嵌入，以对齐LLM的离散分词与连续数值，提升时间序列预测的排序准确性和可靠性。
Comments Camera Ready version of IJCAI 2026
跨模态结构引导的3D潜在扩散用于鲁棒FLAIR超分辨率
机构 * University of Southern California（南加州大学） ； Yale University（耶鲁大学）
AI总结 提出MR-DiffuSR框架，利用HR T1w结构先验通过跨模态结构swin注意力引导厚层FLAIR超分辨率，采用混合尺度退化策略和DINOv3感知损失，在ADNI-4数据集上优于CNN和2D扩散方法，并在下游白质高信号分割中保持鲁棒性。
Swazure: 飞行光点的群体姿态测量
机构 * University of Southern California（南加州大学）
AI总结 针对飞行光点（FLS）在传感器最佳范围外无法相互跟踪的问题，提出Swazure方法，通过FLS间协作解决缺失传感器数据，实现物理数据独立性，并引入两种启发式算法处理遮挡。
Comments Appeared in Proceedings of the Holodecks Foundation, Vol. 2, No. 3
慢时变图中的低秩更新用于时空信号插值
机构 * Department of EECS, York University（约克大学电子工程与计算机科学系） ； Dept of ECE, University of Southern California（南加州大学电子工程系）
AI总结 针对节点关系缓慢演变的时空数据，提出将相邻时刻邻接矩阵的差异建模为低秩矩阵，通过联合优化信号平滑先验和低秩先验进行信号插值，并利用快速正交匹配追踪算法近似低秩项，展开为轻量神经网络实现参数调优。
OpenThoughts-Agent: 智能体模型的数据配方
机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； JSC（于利希超级计算中心） ； LAION ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Bespoke Labs ； Laude Institute ； UCLA（加州大学洛杉矶分校） ； Harvard University & Harvard Medical School（哈佛大学与哈佛医学院） ； TU Munich & Munich Center for Machine Learning（慕尼黑工业大学与慕尼黑机器学习中心） ； New York University（纽约大学） ； Medical University of South Carolina（南卡罗来纳医科大学） ； The LLM Data Company ； BenchFlow ； Independent Researcher（独立研究员） ； Northeastern University（东北大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Washington（华盛顿大学） ； TU Darmstadt（达姆施塔特工业大学） ； University of Southern California（南加州大学） ； UC San Diego（加州大学圣地亚哥分校） ； Amazon（亚马逊） ； Microsoft（微软） ； Korea University（高丽大学） ； Cornell Tech（康奈尔科技） ； University of Michigan（密歇根大学）
AI总结 提出全开放数据筛选流水线，通过100多次消融实验研究任务来源与多样性，构建10万样本训练集，在7个智能体基准上平均44.8%准确率，较最强开源模型提升3.9个百分点。
ReM-MoA：推理记忆维持混合代理的扩展
机构 * University of Southern California（南加州大学） ； Iowa State University（爱荷华州立大学） ； Cisco AI Research（思科人工智能研究院）
AI总结 提出ReM-MoA框架，通过排名推理记忆和策展多样化记忆路由机制，解决混合代理架构随深度增加性能退化问题，在多个推理基准上持续优于现有方法。
跨数据集、年龄和性别泛化：低资源儿童语音识别的微调策略综合分析
机构 * Department of Electronics and Communication Engineering, National Institute of Technology Sikkim, India（印度西西姆国立技术学院电子与通信工程系） ； Signal Analysis and Interpretation Laboratory, University of Southern California, Los Angeles, USA（美国南加州大学洛杉矶分校信号分析与解释实验室）
AI总结 针对低资源儿童语音识别，系统分析了不同微调策略在跨数据集、年龄和性别泛化上的表现，发现特定策略能显著提升泛化能力。
DSSCNet：一种用于跨语料库构音障碍语音严重程度分类的迁移学习框架
机构 * Department of Computer Science and Engineering, Sikkim Manipal Institute of Technology, India（计算机科学与工程系，西基姆曼普尔理工学院，印度） ； Department of Electronics and Communication Engineering, National Institute of Technology Sikkim, India（电子与通信工程系，西基姆国家理工学院，印度） ； Signal Analysis and Interpretation Laboratory (SAIL), University of Southern California, Los Angeles, USA（信号分析与解释实验室（SAIL），南加州大学，美国洛杉矶）
AI总结 提出DSSCNet深度学习模型，利用迁移学习和多语料库学习，在TORGO和UA-Speech数据集上分别达到75.80%和68.25%的准确率，优于现有模型。
自监督语音模型在儿童语音中编码年龄和性别的效果如何？跨多种架构的逐层分析
机构 * National Institute of Technology Sikkim（锡金国立技术学院） ； Signal Analysis and Interpretation Lab (SAIL), University of Southern California（信号分析与解读实验室（SAIL），南加州大学）
AI总结 本研究分析了四种自监督语音模型（Wav2Vec2、HuBERT、Data2Vec、WavLM）在儿童语音中编码年龄和性别的能力，通过逐层特征提取和轻量级CNN分类，发现早期到中间层编码最强副语言线索，HuBERT在年龄分类上表现最佳，且结果对数据不平衡和领域不匹配具有鲁棒性。
非语言发声中的说话人身份：条件蒸馏与专家混合方法
机构 * University of Michigan（密歇根大学） ； National Taiwan University（国立台湾大学） ； Signal Analysis and Interpretation Laboratory (SAIL)（信号分析与解释实验室） ； University of Southern California（南加州大学） ； National Taiwan University Artificial Intelligence Center of Research Excellence（国立台湾大学人工智能研究中心）
AI总结 针对非语言发声的说话人验证难题，提出结合冻结Data2Vec自监督特征、ECAPA-TDNN和专家混合模块的框架，通过条件蒸馏和对比损失，将等错误率从38.93%降至22.66%。
Comments Accepted by INTERSPEECH 2026
RaMem: 面向长期智能体记忆的上下文重建
机构 * University of Southern California（南加州大学）
AI总结 针对长期记忆中的上下文坍塌问题，提出RaMem框架，通过证据锚定、回忆条件归纳、有效性感知检索和上下文保留合成四个阶段，将检索到的记忆片段转化为可验证的上下文证据，在多个基准上平均F1提升超10%。
GRADE: LLM智能体依赖与执行的图表示
机构 * University of Southern California（南加州大学）
AI总结 提出GRADE，将LLM智能体的运行建模为具有执行边和依赖边的图，依赖边通过分级推断，在多个数据集上优于运行规模指标，并可用于故障定位。
Comments 18 pages, 5 figures, 8 tables. Code: https://github.com/yzhao062/grade
AgentLens: 通过机制子空间实现多轮编码代理的可解释安全引导
机构 * University of Georgia（佐治亚大学） ； University of South Florida（南佛罗里达大学） ； Rutgers University（罗格斯大学） ； University of Southern California（南加州大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 提出AgentLens框架，从内部表示层检测和缓解多轮编码代理的安全风险，通过单层10维子空间干预实现运行时安全控制，并在MAS基准上验证有效性。
使用LightBender绘制线条图：创作与照明
机构 * University of Southern California（南加州大学）
AI总结 提出一种由无人机和LED灯带构成的LightBender系统，用于在空中照明线条图和字母，通过算法优化编队、Blender插件和SVG导入实现创作与部署，实验表明10.1毫米偏差在感知上可接受。
增强道路安全：基于物联网的交通事故检测与预防机制
机构 * University of Southern California（美国南加州大学） ； Coimbatore Institute of Technology（科伊巴托尔理工学院）
AI总结 提出一种基于物联网的交通事故预防与检测系统（APDS），通过多层级架构实现实时遥测监控、主动报警和自动紧急通信，以降低事故风险并优化应急响应。
Comments 4 pages, 4 figures, 1 table
何时压缩有益，何时有害：链式思维蒸馏的条件感知分析
机构 * Ningbo Institute of Digital Twin, Eastern Institute of Technology, Ningbo（宁波数字孪生研究院，东方理工高等研究院，宁波） ； Viterbi School of Engineering, University of Southern California（南加州大学维特比工程学院） ； The Hong Kong Polytechnic University（香港理工大学） ； LMU Munich（慕尼黑大学） ； Saarland University（萨尔大学）
AI总结 通过系统实验揭示链式思维蒸馏中压缩方法的关键因素：重要性准则的粒度、重构级别和压缩预算在不同领域和模式下的影响，并给出条件感知的部署指南。
从社会选择视角看AI对齐
机构 * Google Research（谷歌研究院） ； University of Southern California（南加州大学） ； Harvard University（哈佛大学）
AI总结 本文从社会选择理论视角审视人类反馈对齐中的偏好聚合问题，识别失败模式并揭示处理分歧的广阔设计空间。
Comments Accepted for publication in ACM SIGecom Exchanges
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