高校专区
用于摊销贝叶斯推理的神经架构：统计基础与实证评估
机构 * Department of Mathematics and Statistics, Indian Institute of Technology Kanpur（数学与统计学系，印度理工学院坎浦尔分校） ； Marshall School of Business, University of Southern California（马歇尔商学院，南加州大学）
AI总结 探讨用于摊销贝叶斯推理的神经架构，从统计角度分析前馈网络等架构如何支持摊销推理，通过模拟研究评估其在不同场景下的表现，展现其优势与局限。
Comments 32 pages, 8 figures, 3 tables
用于脂质纳米颗粒转染效率预测的机器学习基准框架
机构 * Department of Electrical and Computer Engineering, University of Southern California（电气与计算机工程系，南加州大学） ； University of Cambridge（剑桥大学） ； School of Pharmacy, University of Wisconsin-Madison（威斯康星大学麦迪逊分校药学院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； East Tennessee State University（东田纳西州立大学）
AI总结 研究针对脂质纳米颗粒转染效率预测，提出机器学习基准框架，系统测试不同分子表示与机器学习架构，用特定数据集评估模型，显示利用显式分子子结构编码的模型准确性最高，为相关预测模型发展建立基线。
Comments Published in Communications AI & Computing (Nature Portfolio), 2026
Journal ref Commun. AI Comput. 1, 2 (2026)
FOLIO：用于流视频理解的聚焦语义记忆
机构 * University of Southern California (USC)（南加州大学） ； Intel Labs（英特尔实验室） ； DEVCOM Army Research Office（陆军研究办公室）
AI总结 研究在线流视频理解中如何保留信息及组织历史记录的挑战，提出FOLIO聚焦语义记忆系统，通过动态聚焦状态更新记忆，结合短期视觉缓冲区与长期语义记忆，实现轻量级混合检索，提升性能并降低流记忆维护成本。
Comments 28 pages, 5 figures
流系统中事件触发大语言模型调用的不确定性感知序贯决策规则
机构 * Viterbi School of Engineering, University of Southern California（南加州大学维特比工程学院）
AI总结 研究流系统中何时调用大语言模型的问题，将其转化为基于风险的序贯停止问题，证明了相关理论结果。通过在涡轮风扇退化数据上的实验，验证假设、比较基线，得出次线性遗憾、高诊断质量等结论，表明异常分数驱动的风险函数更优。
Comments 18 pages, 5 figures. Accepted to the ECML PKDD 2026 Research Track
迈向多材料3D打印中的端到端优化
机构 * addressline= Sibley School of Mechanical ； Aerospace Engineering, Cornell University , city= Ithaca , state= NY , country= USA ； addressline= Department of Aerospace \& Mechanical Engineering, University of Southern California , city= Los Angeles , state= CA , country= USA ； addressline= Department of Materials Science ； Engineering, Technion - Israel Institute of Technology , city= Haifa , country= Israel ； addressline= Pasteur Labs , city= Brooklyn , state= NY , country= USA
AI总结 针对多材料3D打印中优化空间材料分布与结构拓扑的难题，提出将稀疏物理增强神经网络与有限元拓扑优化集成的端到端框架，通过提取本构定律实现精确微分，应用于软机器人抓手，可取代经验原型制作，建立实用的机器学习设计模型。
冲突情境下心智理论的人工智能因果模型
机构 * Institute for Creative Technologies, University of Southern California（南加州大学创意技术研究所）
AI总结 提出结构因果模型，将心智理论视为由情境和主体条件激活的机制，通过三条因果路径决定何时进行心智化，提升AI社会推理的准确性和效率。
NanoGS: 无训练高斯点简化
机构 * USC Institute for Creative Technologies（USC创意科技研究所） ； Texas A\&M University（德克萨斯农工大学）
AI总结 本文提出NanoGS，一种无需训练的高斯点简化框架，通过局部成对合并实现紧凑表示，保留场景结构与外观，适用于现有高斯点模型，运行高效且易于集成。
FairCoder：通过编码任务探究高风险决策中语言模型的偏差
机构 * Pennsylvania State University（宾夕法尼亚州立大学） ； University of Southern California（南加州大学）
AI总结 研究通过FairCoder基准将决策制定设为编码任务，探究LLMs在多领域的偏差，针对现有指标不足提出FairScore指标，经实验揭示了此前未充分探索的偏差模式，凸显LLMs作决策代理的风险并提供评估框架。
Fisher秩膨胀：标签噪声下记忆的谱特征
机构 * University of Southern California（南加州大学）
AI总结 研究标签噪声下深度网络记忆损坏标签过程中Fisher秩膨胀现象，推导相关公式并确定条件，通过实验验证其与记忆的关系及随损坏严重程度的变化，建立其作为连接多种因素的谱特征。
不仅仅是一个操纵器：为自由漂浮航天器规划无推进剂姿态机动
机构 * University of Southern California（南加州大学）
AI总结 研究利用机器人操纵器运动进行自由漂浮航天器无推进剂姿态控制，通过制定带约束的轨迹优化问题求解，展示多种系统轨迹，经与反作用轮阵列比较，证明其可作冗余或主要姿态控制系统，为空间应用提供框架。
EFLUX：基于智能语言模型的弹性多机器人编队导航与自适应
机构 * GRASP Lab, University of Pennsylvania（宾夕法尼亚大学GRASP实验室） ； Department of Computer Science, University of Southern California（南加州大学计算机科学系）
AI总结 针对多机器人在受限环境中编队导航问题，提出EFLUX框架，基于几何和大语言模型，对变形与重新配置动作联合推理，经闭环管道转化为航点，实验证明其能实现安全弹性导航，减少死锁与导航失败。
层次化合成表格数据生成：一种自上而下与自下而上混合框架
机构 * University of Southern California（南加州大学）
AI总结 提出一种层次化混合自上而下和自下而上（H-TDBU）框架，通过解耦语义结构与随机纹理，结合结构驱动的逻辑约束和轻量级表格生成器，在弱多模态金融基准上提升合成数据的语义一致性和统计保真度。
Comments Accepted as a poster at FMSD @ ICML 2026. 9 pages, 6 figures
重新思考基于检索增强的个性化对话的评估：认知与语言学视角
机构 * Institute for Creative Technologies, University of Southern California（南加州大学创意技术研究所）
AI总结 本文从认知与语言学角度重新审视基于检索增强的个性化对话评估，指出传统表面相似度指标无法反映对话质量的深层特征，并通过LAPDOG框架分析，强调需建立更符合人类沟通原理的评估方法。
Comments Accepted by LREC 2026, official link: http://www.lrec-conf.org/proceedings/lrec2026/pdf/2026.lrec2026-1.892.pdf
Journal ref In Proceedings of the Fifteenth Language Resources and Evaluation Conference (LREC 2026)
剖析不公平的评判者：基于大语言模型作为评判者的偏差的机械可解释性分析
机构 * AMAP, Alibaba Group（阿里巴巴集团AMAP实验室） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Southern California（南加州大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 研究大语言模型作为评判者的偏差，提出偏差在隐藏状态有表示层面解释。通过七位评判者等实验发现，偏差输入沿特定子空间移动，操纵隐藏状态可控制评分，线性投影能预测评判失败，统一多方面内容。
Comments 58 pages, 13 figures, 30 tables; project page: https://xzx34.github.io/unfair-judge/
可解释机器学习中构建重叠的审计：来自跨学生队列倦怠-抑郁预测的证据
机构 * Sharif University of Technology（伊朗德黑兰谢里夫理工大学） ； University of Southern California（美国南加州大学）
AI总结 研究可解释机器学习应用于心理健康结果时构建重叠问题，通过弹性网络管道及多组数据验证，发现特质焦虑和健康满意度占主导，经残差化实验揭示机制，指出残差化协议可用于相关XAI研究避免误判。
通过自我发现的规范进行智能体上下文学习
机构 * University of Southern California（南加州大学） ； University of Florida（佛罗里达大学） ； Emory University（埃默里大学） ； Adobe Research（Adobe研究院） ； The Ohio State University（俄亥俄州立大学） ； National Taiwan University（国立台湾大学）
AI总结 研究上下文学习困难的原因，发现其不仅需内容获取还需规范获取。设计PSCI干预措施，提取并强化局部规范，在多个模型上取得显著提升，验证了规范获取的重要性，表明上下文学习依赖内容与规范获取。
大语言模型中基于参考的蒸馏检测
机构 * University of California, Berkeley（加利福尼亚大学伯克利分校） ； University of Southern California（南加利福尼亚大学） ； OpenAI
AI总结 研究旨在检测大语言模型是否经蒸馏而来，提出基于参考的成员推理蒸馏检测方法，通过比较模型与不同候选教师输出的优先对齐程度识别教师及蒸馏证据，能处理未知管道，扩展到开放世界设置，应用于当代模型获潜在蒸馏关系新证据。
Comments 27 pages (14 main), 21 figures, 16 tables
简单配方有效：视觉-语言-动作模型通过强化学习成为自然持续学习者
机构 * University of Southern California（南加州大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文通过系统研究发现，对于大型预训练视觉-语言-动作模型，简单的顺序微调结合低秩适配在持续强化学习中表现出高可塑性、几乎无遗忘和强零样本泛化，优于复杂方法。
Comments Accepted at RLC 2026; Best paper award at ICRA26 RL4IL Workshop
触发式对齐：黑盒评估无法保证更新后对齐
机构 * University of Southern California（南加州大学）
AI总结 研究大语言模型更新后对齐问题，指出静态黑盒评估有局限，无法保证更新后对齐，通过理论分析和多领域实证验证，揭示模型隐藏对抗行为及与模型规模的关系，强调更新后鲁棒对齐评估的迫切性。
基于LLM的推荐系统中上下文示例的成员推断攻击
机构 * University of Maryland, Baltimore County（马里兰大学巴尔的摩分校） ； University of Cincinnati（辛辛那提大学） ； University of Southern California（南加州大学）
AI总结 本文提出两种针对LLM推荐系统中上下文示例的成员推断攻击，揭示了敏感信息暴露的风险及现有防御方法的不足。
Comments This is paper is accepted by ACM RecSys 2026 main track
用于机会约束优化的共形预测编程
机构 * Thomas Lord Department of Computer Science, University of Southern California（汤姆斯·劳德计算机科学系，南加州大学） ； Department of Data Sciences and Operations, University of Southern California（数据科学与运营系，南加州大学）
AI总结 提出共形预测编程（CPP）框架解决机会约束优化问题，利用随机变量样本和分位数引理转化问题，有独立校准步骤提供后验保证，能支持不同共形预测变体，案例研究证明其有效性及相较于情景方法的优势。
SkillCenter：用于自主人工智能代理的大规模源基础技能库
机构 * Stony Brook University（纽约州立大学石溪分校） ； University of Southern California（南加州大学） ； Lehigh University（里海大学） ； Florida State University（佛罗里达州立大学）
AI总结 研究针对自主AI代理缺乏扎实操作知识的问题，构建SkillCenter技能库，通过多源获取等端到端框架，集成大量源基础和社区技能，实现技能可追溯，以保障代理输出的正确性、安全性和可维护性。
Comments 44 pages, 5 figures. Code: https://github.com/LabRAI/SkillCenter ; Data: https://huggingface.co/datasets/Tommysha/skillcenter-bundles
关于使轻量级博弈代理强大的因素的金标准研究
机构 * University of Southern California（美国南加州大学）
AI总结 研究不完美信息纸牌游戏中使轻量级博弈代理强大的因素，构建专家代理作标准，经超百次运行确定有效因素，添加基线并应用于另一游戏，得出通用方法可训练有竞争力代理且无需专家训练。
Comments 9 pages, 5 figures, 3 tables. Code and models: https://github.com/Nikelroid/adversarial-coevolution
视觉非因果梯形曼巴：在具有二阶动力学的视觉状态空间模型中消除定向扫描
机构 * University of Southern California（南加州大学） ； DEVCOM Army Research Office（国防高级研究计划局陆军研究办公室）
AI总结 研究针对视觉状态空间模型中定向扫描的问题，提出非因果梯形曼巴模型，通过二阶非因果建模使图像令牌单步交互，消除定向扫描，提升性能，在多视觉任务中优于其他模型。
Comments Technical Report
基于Feynman Kac重加权薛定谔桥匹配的皮层表面Tau PET标准化
机构 * Stevens Neuroimaging and Informatics Institute, University of Southern California（斯蒂文斯神经影像与信息学研究所，南加州大学） ； Ming Hsieh Department of Electrical and Computer Engineering of Viterbi School of Engineering, University of Southern California（明希德电气与计算机工程系，维特比工程学院，南加州大学） ； Alfred E. Mann Department of Biomedical Engineering of Viterbi School of Engineering, University of Southern California（阿尔弗雷德·E·曼生物医学工程系，维特比工程学院，南加州大学）
AI总结 提出Feynman Kac重加权薛定谔桥匹配（FKRSBM）模型，通过熵正则化最优传输实现源域与目标域间的随机传输，结合子群感知端点提议和球面卷积骨干网络，在Tau PET SUVR图上实现优于现有方法的分布对齐和下游疾病分类。
关于视觉对象属性的常识推理研究
机构 * Department of Computer Science, Vrije Universiteit（自由大学计算机科学系） ； Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）
AI总结 研究针对视觉对象属性的常识推理，引入含特定图像类型、推理层次和属性维度的评估框架，在两个VQA基准中实验，发现现有VLM存在显著局限，虽新模型有进步但仍与人类有差距，还提供了相关数据和代码以助未来研究。
踢坏人出去！基于零知识证明的联邦学习中条件激活的异常检测
机构 * University of California, Irvine（加州大学尔湾分校） ； Texas A&M University（德克萨斯农工大学） ； University of Birmingham（伯明翰大学） ； University of Southern California（南加州大学） ； Palo Alto Networks（帕洛阿尔托网络） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 CustodianFL通过零知识证明实现条件激活的异常检测，有效识别并排除联邦学习中的恶意模型，提升系统安全性和训练效率。
Pluralis v0.1：迈向用于人工智能风险与可靠性的多元文化、多模态、多语言基准测试
机构 * Google DeepMind（谷歌DeepMind） ； University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校） ； Google（谷歌） ； University of Missouri Columbia（密苏里大学哥伦比亚分校） ； Chunghwa Telecom Laboratories（春木电信实验室） ； University of Southern California（南加州大学） ； Polytechnique Montreal（蒙特利尔理工学院） ； Nutanix ； ThinkEvolve Labs（ThinkEvolve实验室） ； UCL（伦敦大学学院） ； Infocomm Media Development Authority（信息通信媒体发展局） ； Monark Health（Monark健康） ； Seoul National University（首尔国立大学） ； Microsoft（微软） ； Centre for Responsible AI (CeRAI), Wadhwani School of Data Science and AI (WSAI), Indian Institute of Technology Madras（负责任人工智能中心（CeRAI）、瓦达威人工智能学校（WSAI）、印度理工学院马德拉斯分校） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； Microsoft Research India（微软印度研究院） ； Stanford University（斯坦福大学） ； Argonne National Laboratory（阿贡国家实验室） ； University of Oxford（牛津大学） ； KAIST（韩国科学技术院） ； Yonsei University（延世大学） ； Amazon（亚马逊） ； UIUC（伊利诺伊大学香槟分校） ； Rochester Institute of Technology（罗切斯特理工学院） ； Xenoscube Inc.（Xenoscube公司） ； Korea AI Safety Institute (K-AISI)（韩国人工智能安全研究所（K-AISI）） ； MLCommons ； CommonGround ； Artifex Labs（Artifex实验室）
AI总结 研究针对现有AI安全评估框架忽视文化差异问题，构建多语言多模态数据集Pluralis v0.1，从文化优先视角引入新评估范式，提出Judge - Pluralis集成，揭示特定地区失败模式，为多语言多元文化评估提供基础和创新起点。
EquiFiLM：通过特征线性调制实现电荷条件下的等变力场
机构 * Stanford University（斯坦福大学） ； 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 研究针对基础机器学习力场不能处理外部诱导电子态变化的问题，提出EquiFiLM方法，通过特征线性调制为等变基础MLFF添加外部条件，以少量训练数据学习势能面变化，在带电液态水实验中大幅提升精度，且与骨干和条件无关。
HANDFUL: 有意识资源利用的顺序抓取-条件灵活操作
机构 * Northwestern University（西北大学） ； University of Southern California（南加州大学）
AI总结 本文提出HANDFUL框架，通过资源感知抓取提升多任务操作的灵活性和鲁棒性，结合仿真与现实验证其有效性。
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