高校专区
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
Duet: 通过高效教学实现双机器人理解
机构 * University of Southern California（南加州大学） ； Toyota Research Institute（丰田研究所） ； Stanford University（斯坦福大学）
AI总结 提出DUET框架，利用VR遥操作和人类协作先验，通过预训练与微调结合，实现双机器人移动操作的高效学习，显著降低数据采集成本。
TaigiSpeech: 一个低资源真实世界语音意图数据集及基于可扩展野外数据挖掘的初步结果
机构 * Massachusetts Institute of Technology, USA（麻省理工学院） ； National Taiwan University, Taipei, Taiwan（国立台湾大学） ； National Taiwan University Artificial Intelligence Center of Research Excellence, Taipei, Taiwan（国立台湾大学人工智能研究中心） ； Academia Sinica, Taiwan（台湾“中央”研究院） ； National Yang Ming Chiao Tung University, Taiwan（阳明交通大学） ； 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）
AI总结 针对低资源台语，构建包含21位老年人3000条话语的语音意图数据集，并探索关键词匹配与LLM伪标注、音视频框架两种数据挖掘策略，以解决标注数据稀缺问题。
Comments Interspeech 2026 long paper
DamageArbiter：一种基于街景图像进行灾害损伤评估的多模态仲裁框架
机构 * organization= Department of Geography, Texas A\&M University , city= College Station , country= USA ； organization= Department of Landscape Architecture \& Urban Planning, Texas A\&M University , city= College Station , country= USA ； organization= Department of Industrial ； Systems Engineering, University of Florida , city= Gainesville , country= USA ； organization= Spatial Sciences Institute, University of Southern California , city= Los Angeles , country= USA ； organization= Department of Geography ； Sustainability, University of Tennessee , city= Knoxville , country= USA
AI总结 提出DamageArbiter多模态仲裁框架，通过轻量级逻辑回归元分类器仲裁单模态与多模态模型预测分歧，在2556张街景图像上将准确率提升至75.85%，MCC达0.6188，并将过度自信误差从70.58%降至16.45%。
解耦语言模型中的几何、性能与训练
机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 系统研究Transformer权重几何（尤其是解嵌入矩阵有效秩）与下游性能的关系，发现有效秩主要反映训练超参数而非性能，不能可靠预测模型表现。
通过自适应课程学习的高效强化微调
机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 提出AdaRFT方法，通过自适应课程学习动态调整训练问题难度，提升强化微调效率，在数学推理任务上训练时间减半。
Comments Published in Transactions on Machine Learning Research (TMLR). 30 pages, 8 figures, 7 tables
LLM的变色龙本质：量化搜索增强语言模型中的多轮立场不稳定性
机构 * University of Southern California（美国南加州大学）
AI总结 提出变色龙基准数据集和两个度量指标，揭示搜索增强LLM在多轮对话中因知识多样性不足而严重依赖查询框架，导致立场频繁摇摆。
Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: MTI-LLM @ NeurIPS 2025
评估评估指标——幻觉检测的幻象
机构 * University of Southern California（南加州大学） ； Apple Inc.（苹果公司）
AI总结 本文评估了6种幻觉检测指标在4个数据集、37个语言模型和5种解码方法上的表现，发现现有指标与人类判断不一致，且参数规模影响不一致，LLM评估和模式寻求解码方法能有效减少幻觉。
Comments Accepted at EMNLP 2025 Findings (Short)
利用双时相街景图像和预训练视觉模型进行超局部灾害损害评估
机构 * Department of Geography, Texas A&M University（地理系，德克萨斯A&M大学） ； Department of Geography, Pennsylvania State University（地理系，宾夕法尼亚州立大学） ； Department of Geography and Sustainability, University of Tennessee（地理与可持续发展系，田纳西大学） ； Spatial Sciences Institute, University of Southern California（空间科学研究所，南加州大学）
AI总结 本文研究利用双时相街景图像和预训练视觉模型，通过引入预灾图像作为无损类别，提升模型在损害分级中的性能，并设计双通道算法评估超局部灾害损害，实验表明双通道特征融合模型准确率提升显著。
Comments 27 pages,9 figures
Journal ref Computers, Environment and Urban Systems, 121, 102335 (2025)
GeoLocator：一种集成位置的大型多模态模型，用于推断地理隐私
机构 * Spatial Sciences Institute, University of Southern California（南加州大学空间科学研究所） ； Evolutionary Assets（进化资产） ； Viterbi school of engineering, University of Southern California（南加州大学维特比工程学院）
AI总结 本文提出GeoLocator模型，用于推断输入影像和社会媒体中的地理位置信息，揭示了模型在地理隐私保护中的潜在风险。
Comments 16pages, 2 figures
Journal ref Appl. Sci. 14(16), 7091 (2024)
仍未完全到位！评估大型语言模型用于共病心理健康诊断
机构 * University of Southern California（美国南加州大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Sion Hospital（Sion医院） ； Clinical Psychotherapist（临床心理治疗师） ； Sophia College for Women（Sophia女子学院） ； Indian Institute of Technology Bombay（印度班加罗尔理工学院）
AI总结 本文提出ANGLES基准，用于从社交媒体帖子中分类抑郁症和焦虑共病，通过多标签分类提升诊断准确性，评估了从Mental-BERT到GPT-4等多种模型的性能，发现GPT-4表现最佳但F1分数仍低于72%。
Comments 24 Pages
LLMs 是有效的谈判者吗？LLMs 在谈判对话中多方面能力的系统评估
机构 * University of Southern California（南加州大学） ； University of California, Berkeley（加州大学伯克利分校） ； Capital One
AI总结 系统评估大型语言模型在谈判中的多方面能力，发现 GPT-4 表现优异，但在主观评估和生成策略性响应方面存在挑战。
Comments Accepted to Findings of EMNLP 2024
小最大化域的非凸非凹极小极大优化
机构 * School of Mathematics & Industrial & Systems Engineering (ISyE), Atlanta, USA（数学与工业与系统工程学院（ISyE），美国亚特兰大） ； Viterbi School of Engineering, University of Southern California, Los Angeles, USA（维特比工程学院，美国南加州大学，洛杉矶）
AI总结 针对非凸非凹极小极大问题，提出利用泰勒近似替代原函数，当最大化域直径足够小时，近似问题的稳定点保持原问题的近似稳定点，并给出算法收敛保证。
Comments 50 pages
通过域内数据增强改进构音障碍语音的端到端语音识别
机构 * Department of Electronics and Communication Engineering, National Institute of Technology Sikkim, India（电子与通信工程系，印度尼特拉特技术学院Sikkim分校） ； Signal Analysis and Interpretation Laboratory (SAIL), University of Southern California, Los Angeles, USA（信号分析与解释实验室（SAIL），美国南加州大学洛杉矶分校）
AI总结 针对构音障碍语音识别中数据稀缺和严重程度差异的问题，本文探索了四种数据增强方法（SRM、PM、FM、VTLP）对预训练Wav2Vec2模型进行微调，在不同严重程度上实现了显著的字错误率降低。
构音障碍语音识别的系统研究：频谱特征与声学模型
机构 * Department of Electronics and Communication Engineering, National Institute of Technology Sikkim, India（电子与通信工程系，印度尼特技术学院锡金分校） ； Department of Information and Communications Engineering, Aalto University, Finland（信息与通信工程系，阿尔托大学，芬兰） ； Signal Analysis and Interpretation Laboratory (SAIL), University of Southern California, Los Angeles, USA（信号分析与解释实验室（SAIL），美国南加州大学洛杉矶分校）
AI总结 本文系统研究不同频谱特征与声学模型的组合，通过引入音高特征和优化训练帧重叠数，在F-TDNN模型上实现孤立词和句子识别相对提升4.65%和4.63%。
3D-PLOT-LLM: 用于三维大语言模型的部件级对象标记
机构 * University of Southern California（南加州大学） ； Ohio State University（俄亥俄州立大学）
AI总结 提出3D-PLOT-LLM，通过重组输入标记流使部件可直接通过LLM词汇寻址，无需分割解码器或边界框，在部件级基准上超越现有方法。
自主性税：防御训练破坏LLM智能体
机构 * University of Southern California（南加州大学）
AI总结 揭示防御训练在提升LLM智能体安全性时，系统性地破坏其工具执行能力，导致任务失败率飙升，且无法有效防御复杂攻击。
超越预测的良性过拟合：普通最小二乘插值器
机构 * Department of Data Sciences & Operations, University of Southern California（数据科学与运营系，南加州大学） ； Department of Statistics, University of California, Davis（统计学系，加州大学戴维斯分校） ； Department of Statistics, University of California, Berkeley（统计学系，加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind）
AI总结 本文研究过参数化线性模型中最小ℓ2范数OLS插值器的参数估计与推断性质，推导了留k法、遗漏变量偏误公式和Frisch-Waugh-Lovell定理的过参数化版本，并扩展了高斯-马尔可夫定理。
Comments This work is accepted for publication in Biometrika
面向同时最优遗憾的U-校准
机构 * University of Colorado Boulder（科罗拉多大学波德穆尔分校） ； University of Southern California（南加州大学） ； Google Research（谷歌研究）
AI总结 提出一种基于自和谐噪声的FTPL变体，实现对所有有界适当损失的最优$\tilde O(\sqrt{T})$遗憾和对光滑损失的对数遗憾。
Comments 30 pages; to appear at COLT 2026
基于可微联合推理与能量一致性验证的RGB-D序列URDF合成
机构 * University of Southern California（南加州大学）
AI总结 提出KinemaForge管道，通过可微关节推理和能量一致性验证，从RGB-D序列联合估计部件形状、关节拓扑和参数，显著降低关节轴误差和仿真漂移。
从规范到执行：AI辅助的科学工作流管理
机构 * RENCI, University of North Carolina at Chapel Hill, NC, USA（RENCI，北卡罗来纳大学教堂山分校） ； Information Sciences Institute, University of Southern California, Marina del Rey, CA, USA（信息科学研究所，南加州大学马里纳德尔雷耶斯分校）
AI总结 提出一种AI辅助方法，通过规范驱动的工作流生成、自动化调试和分布式执行，结合Pegasus与MCP层，实现从自然语言到大规模科学工作流的端到端管理。
Artemis: 解剖分辨的干预方法用于消除多模态神经影像混杂因素
机构 * University of Pittsburgh（匹兹堡大学） ； University of Maryland（马里兰大学） ； University of Southern California（南加州大学） ； Binghamton University（宾汉姆顿大学） ； University of Texas Rio Grande Valley（德克萨斯大学里奥格兰德河谷分校）
AI总结 提出Artemis框架，通过区域级因果干预学习特定脑区的混杂因素表示，消除fMRI和DTI多模态神经影像中人口统计学混杂因素对GNN的影响，在三个基准上提升性能。
Comments 11 pages, 8 figures
SpecAlign: 通过合成数据实现高效的大语言模型规范对齐
机构 * University of Notre Dame（圣母大学） ； Carnegie Mellon University（卡内基梅隆大学） ； LMU Munich（慕尼黑大学） ； University of Southern California（南加州大学）
AI总结 提出规范对齐新范式，通过从规范文档合成数据（SpecAlign框架），结合结构化规则标注、可控规范实例化和多智能体对抗数据合成，生成细粒度偏好对，提升规则遵守度且不损害通用能力。
Comments 58 pages
噪声中语音的可懂度：幅度谱和相位谱贡献的研究
机构 * Signal Analysis and Interpretation Laboratory, University of Southern California, Los Angeles, USA（美国南加州大学信号分析与解释实验室） ； National Institute of Technology, Patna, India（印度帕坦国家理工学院） ； Indian Institute of Technology, Jammu, India（印度朱默尔理工学院） ； Koneru Lakshmaiah Education Foundation, Vaddeswaram, Guntur District, Andhra Pradesh, India（安得拉邦戈塔瓦德区瓦达萨瓦拉姆康纳鲁拉克希玛伊教育基金会）
AI总结 通过三个实验评估幅度谱和相位谱对噪声中辅音可懂度的贡献，发现幅度谱在干净条件下贡献更大，而相位谱在噪声条件下更鲁棒，且鼻音比擦音和近音更易受噪声影响。
再探概率测度的Log-PCA：一种动力学公式与统计收敛性
机构 * Department of Statistics University of Illinois Urbana-Champaign（统计学系伊利诺伊大学厄巴纳-香槟分校） ； Department of ACMS University of Notre Dame（ACMS系诺丁汉大学） ； Department of Mathematics University of British Columbia（数学系不列颠哥伦比亚大学） ； Department of Mathematics Thomas Lord Department of Computer Science University of Southern California（数学系托马斯·劳德计算机科学系南加州大学）
AI总结 本文在Wasserstein几何下提出一种动力学公式解释log-PCA，称为Wasserstein切向PCA（WT-PCA），并推导了经验WT-PCA相对于总体测度的统计收敛速率。
人类与视觉语言模型之间的注意力对齐
机构 * Princeton Neuroscience Institute, Princeton University（普林斯顿大学普林斯顿神经科学研究所） ； Department of Psychology, Princeton University（普林斯顿大学心理学系） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Department of Psychology and Center for Computational Language Sciences, University of Southern California（南加州大学心理学系与计算语言科学中心） ； Department of Psychology, Université de Montréal（蒙特利尔大学心理学系）
AI总结 本研究比较了六种视觉语言模型的空间注意力图与人类注视热图，发现解码器架构（LSTM vs Transformer）主导对齐程度，LSTM解码器对齐度更高但空间分散且任务区分度低，而Transformer解码器注意力更集中且任务区分度强。
翻译不可译：一个可操作化的不可译性本体论
机构 * University of Southern California Information Sciences Institute（南加州大学信息科学研究所）
AI总结 提出一个结构化的不可译性本体论和补偿策略分类法，构建多语言数据集，通过人类偏好研究发现注释补偿策略最受青睐，为策略感知机器翻译奠定基础。
HeteRo-Select: 信息量作为异构联邦学习中的参与驱动因素
机构 * Queen’s University（皇后大学） ； University of Southern California（南加州大学） ； The Pennsylvania State University（宾夕法尼亚州立大学）
AI总结 提出HeteRo-Select框架，用客户端信息量分数替代带宽驱动压缩，联合决定客户端选择、压缩比和聚合权重，降低异构性并减少流量，在CIFAR-10上实现1.78倍加速和18.2%流量减少。
面向多样化类人团队协作与通信的算法化提示生成与大型语言模型
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） ； School of Computing and Information, University of Pittsburgh（美国匹兹堡大学计算与信息学院） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学西伯利机械与航空航天工程学院）
AI总结 结合质量多样性优化与LLM代理，自动搜索生成多样化团队行为的提示，捕获人类协作与通信策略，并通过用户研究验证其类人性。
解析挠率和谱间隙捕捉持久拉普拉斯算子的性能
机构 * University of Southern California（南加州大学）
AI总结 提出用贝蒂数、谱间隙和解析挠率三个不变量的紧凑谱表示替代全谱，在多个数据集上实现同等或更优性能，显著降低计算开销并避免高频噪声。
Comments 13 pages
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