高校专区
基于自监督视觉Transformer的CBCT颞下颌关节骨关节炎检测
机构 * Herman Ostrow School of Dentistry, University of Southern California（南加州大学赫尔曼·奥斯特罗牙科学院） ； 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DINO系列自监督ViT在CBCT颞下颌关节骨关节炎检测中的迁移性能，发现部分解冻最后两个Transformer块可将AUC从0.671提升至0.902，表明适应策略比骨干选择更重要。
GeoGNN：使用双塔图神经网络的时间序列地理定位
机构 * Emory University（埃默里大学） ； Oak Ridge National Laboratory（橡树岭国家实验室） ； University of Southern California（南加州大学）
AI总结 提出GeoGNN双塔架构，利用地理邻接图学习空间嵌入，结合时间序列表示，通过点积匹配实现时间序列地理定位，在电力消费数据集上平均提升约27%的定位精度。
SIMPLE：基于仿真的人形机器人全身操作策略学习与评估
机构 * USC Physical Superintelligence (PSI) Lab（南加州大学物理超级智能实验室）
AI总结 提出SIMPLE仿真平台，结合MuJoCo动力学与IsaacSim渲染，包含60个全身任务、50个室内场景和1000+物体资产，支持自动化轨迹生成和VR遥操作数据采集，并集成多种主流策略，实验证明仿真与真实世界性能强相关，可实现零样本迁移。
Astro，我回家了！利用监督机器学习研究影响家庭机器人接受度的因素
机构 * University of Southern California（南加州大学）
AI总结 本研究运用正则化技术（如Lasso和Ridge回归）分析影响社交机器人接受度的因素，发现绩效期望、社会影响和享乐动机是使用意图的最强预测因子，并识别出可用性、信任和能力等新变量。
Comments Preprint submitted to the 18th International Conference on Social Robotics (ICSR 2026)
面向LLM深度压缩的局部感知冗余剪枝
机构 * University of Southern California（美国南加州大学） ； Neural Superintelligence Lab, MODULABS（MODULABS神经超级智能实验室） ； Seoul National University（首尔国立大学） ； Inha University（釜山大学）
AI总结 提出LoRP，一种基于表示局部性的无训练单次深度剪枝框架，通过引入表示局部性分数（RLS）来识别和剪除冗余层，在多种LLM上提升了困惑度和下游任务准确率。
并排比较加剧语言模型中的方言偏见
机构 * University of Southern California（美国南加州大学）
AI总结 本研究通过并排比较标准美式英语和非裔美国英语的推文，发现语言模型中的隐性方言偏见在对比设置下显著加剧，且显性方言偏见在安全对齐微调后仍存在。
Comments In proceeding at ACM Conference on Fairness, Accountability, and Transparency 2026
Journal ref In The 2026 ACM Conference on Fairness, Accountability, and Transparency (FAccT '26)
自适应生成-排序-验证：具有高成本验证的推理时间搜索
机构 * University of Southern California（南加州大学） ； Northwestern University（西北大学） ； University of Chicago（芝加哥大学） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； Simons Institute for the Theory of Computing（Simons计算理论研究所） ； Data Science Institute at the University of Chicago（芝加哥大学数据科学研究所）
AI总结 本文提出了一种自适应生成-排序-验证方法，通过在未知分布下自适应地生成和验证候选答案，以在保证成本的前提下找到正例，同时通过理论分析和实验验证了该方法在数学推理和编程竞赛中的有效性。
Comments 33 Pages, 6 Figures, 4 Tables. Changes compared to V1: updated the related work section
Ghosted Layers: 无约束激活对齐用于恢复层剪枝的LLM
机构 * University of Southern California（南加州大学） ； Inha University（inha大学）
AI总结 本文提出Ghosted Layers方法，通过无约束优化解决层剪枝后激活分布不匹配问题，提升LLM准确性和 perplexity 而不牺牲效率。
奖励塑形用于（推理时）对齐：一个Stackelberg博弈视角
机构 * University of Southern California（南加州大学）
AI总结 针对KL正则化导致LLM继承基策略偏见的问题，提出将奖励模型优化形式化为Stackelberg博弈，并通过简单奖励塑形方案近似最优奖励模型，在推理时对齐中持续提升平均奖励并达到超过66%的胜率。
Comments Accepted to ICML 2026. Camera-ready version
全批量梯度下降优于单次SGD：单索引学习中的样本复杂度分离
机构 * Institute of Science and Technology Austria（奥地利科学与技术研究所） ； Sung Kyun Kwan University（顺天妇女大学） ； New York University and Flatiron Institute（纽约大学和Flatiron研究所） ； University of Southern California（南加州大学）
AI总结 研究单索引学习中全批量GD与单次SGD的样本复杂度差异，发现通过截断激活函数，全批量GD在n≃d样本时实现弱恢复，优于单次SGD的n≳d log d样本需求。
Comments Accepted to ICML 2026
多模态生成式引擎优化：针对视觉-语言模型排序器的排名操纵
机构 * Georgetown University（乔治城大学） ； University of Southern California（南加州大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Arizona State University（亚利桑那州立大学）
AI总结 提出多模态生成式引擎优化（MGEO）方法，通过联合优化图像扰动和文本后缀，利用视觉-语言模型内部跨模态知识耦合，实现对产品排名的有效操纵，揭示了多模态基础模型知识基础的脆弱性。
Comments Proceedings of the 4th Workshop on Towards Knowledgeable Foundation Models (KnowFM) at ACL 2026
基于LLM解释的完备且可靠的神经常识推理
机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Southern California（南加州大学） ； Rensselaer Polytechnic Institute（拉特格斯理工学院） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
AI总结 提出将LLM直接集成到次协调逻辑的语义解释函数中，实现可靠且完备的神经常识推理，在GPQA和SimpleQA基准上宏F1提升约6个百分点，并成功检测药物安全知识库中的矛盾。
Comments 43 pages, 14 tables, 4 figures. Accepted to the 19th Conference on Neurosymbolic Learning and Reasoning (NeSy 2025); to appear Neurosymbolic Artifical Intelligence Special Issue on NeSy 2025 Extended Papers
发现数据结构：最近邻搜索及其他
机构 * Université de Montréal（蒙特利尔大学） ； Mila ； HEC Montréal（蒙特利尔高等商学院） ； Microsoft Research（微软研究院） ； University of Southern California（南加州大学） ； Stanford University（斯坦福大学）
AI总结 提出一个端到端学习数据结构的通用框架，自动适应数据分布并控制查询与空间复杂度，在最近邻搜索中逆向工程出二分搜索、插值搜索、k-d树和局部敏感哈希等算法。
Comments Neurips 2025 Version
OATH-Frames: 利用大语言模型助手分析在线对无家可归者的态度
机构 * Dept. of Computer Science, University of Southern California（计算机科学系，南加州大学） ； Suzanne-Dwork School of Social Work, University of Southern California（苏兹曼-道克社会工作学院，南加州大学）
AI总结 本文提出OATH-Frames框架，通过大语言模型分析社交媒体上的无家可归者态度，提升大规模分析效率并揭示态度趋势。
Comments Project website: https://dill-lab.github.io/oath-frames/, EMNLP Main 2024
Journal ref In Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing
利用丰富反馈的强化学习与分布式DAgger
机构 * University of Southern California（南加州大学）
AI总结 提出DistIL算法，通过分布式DAgger利用丰富反馈（如执行轨迹、工具输出等）进行前向交叉熵优化，实现单调策略改进和更好的Pass@N性能。
LadderMan: 学习人形机器人感知爬梯
机构 * Amazon FAR（亚马逊FAR） ； USC（美国南加州大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； CMU（卡内基梅隆大学）
AI总结 提出LadderMan系统，通过两阶段学习管道和视觉基础模型，使人形机器人能够鲁棒地攀爬多种梯子并在梯子上进行操控。
GS-NFS: 动态高斯溅射和点云的带宽自适应流传输
机构 * University of Southern California（南加州大学）
AI总结 提出GS-NFS方法，通过GPU并行加速动态3DGS帧的编解码，实现全帧率运行，速度比现有技术快1-2个数量级，同时保持竞争性的压缩性能和渲染质量。
DP-MacAdam：具有自适应裁剪和自适应动量的差分隐私机制
机构 * University of Southern California（南加州大学）
AI总结 提出DP-MacAdam算法，通过联合利用梯度均值和方差估计进行自适应裁剪和动量更新，在无需手动调整裁剪阈值的情况下提升模型效用。
Comments 6 pages, 2 tables
转换而非等价：通过观察等价性基准测试代码库转换
机构 * University of Southern California（南加州大学） ； Google Cloud AI Research（谷歌云人工智能研究） ； University of Notre Dame（圣约翰大学） ； Google Deepmind（谷歌DeepMind）
AI总结 针对代码库转换中智能体过度信任本地验证导致语义违反的问题，提出T2J-Bench基准，通过固定等价契约和三级验证（Spec、Numeric、Behavioral）评估转换质量，发现最佳系统通过率仅26.7-28.9%，且所有系统高估成功率66.6-97.8点。
SHRED: 通过自蒸馏与对数势降低实现无保留集的去记忆
机构 * University of Southern California（南加州大学） ； USC Information Sciences Institute（USC信息科学研究所）
AI总结 本文提出了一种无需保留集的去记忆方法SHRED，通过自蒸馏与对数势降低，在去记忆的同时保持模型的实用性，优于传统需要保留集的方法。
Open-H-Embodiment: 一个大规模数据集，用于在医疗机器人中启用基础模型
机构 * Open-H-Embodiment Consortium ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Southern California（南加州大学） ； University of Cambridge（剑桥大学） ； University of Tokyo（东京大学） ； University of Tokyo, Graduate School of Information Science and Technology（东京大学信息科学与技术研究生院） ； University of Tokyo, Institute of Industrial Science（东京大学工业科学研究所）
AI总结 本文提出Open-H-Embodiment数据集，通过两个基础模型展示了其在医疗机器人领域的应用，展示了大规模开放数据在推动机器人学习和世界建模方面的关键作用。
Comments Project website: https://open-h.github.io/open-h-embodiment/
最小最大最优差分隐私合成数据用于平滑查询
机构 * Department of Mathematics, University of Southern California（南加州大学数学系） ； Department of Mathematics, University of California San Diego（加州圣地亚哥大学数学系）
AI总结 本文研究了如何生成具有(ε,δ)差分隐私的合成数据，以在保证个体隐私的同时，为有意义的下游分析提供强效用保证。提出了一种多项式时间算法，实现了最小最大误差率O_{k,d}(n^{-min{1, k/d}})，并建立了针对k-平滑查询的首个最小最大下界。
Comments COLT 2026 arXiv version. 34 pages
LIA: 在联邦学习中使用懒惰影响近似进行隐私保护的数据质量评估
机构 * École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院洛桑校区） ； Telenor Research（Telenor研究） ； University of Southern California（南加州大学）
AI总结 本文提出了一种新的隐私保护数据质量评估方法LIA，通过懒惰影响近似技术过滤和评分数据，在保持隐私的前提下有效识别低质量、损坏或恶意数据。
Comments Proceedings of the 2024 IEEE International Conference on Big Data (IEEE BigData 2024). A preliminary version of this work received the Best Paper Award at the International Workshop on Trustworthy Federated Learning at IJCAI (FL-IJCAI) 2023
非完美压缩下的预测：近似最小描述长度理论
机构 * Shenzhen Research Institute of Big Data（深圳大数据研究院） ； University of Southern California（南加州大学）
AI总结 本文研究了在近似优化下，最小描述长度（MDL）原则仍能保证可靠序列预测的条件，证明了加性松弛下的鲁棒性并刻画了正则化的必要性。
Comments 26 pages
Token排名是不可伪造的语言模型签名
机构 * University of Southern California（南加州大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本文发现语言模型的token排名（按概率排序）构成唯一且不可伪造的签名，并研究了在限制API下如何平衡签名展示与参数泄露。
从符号到几何：在大语言模型中实现空间推理
机构 * University of Southern California（南加州大学） ； Emory University（埃默里大学） ； Novateur Research Solutions（Novateur研究解决方案）
AI总结 提出空间语言模型（SLM），通过将位置信息作为一等模态并学习空间表示，在推理过程中实现几何空间推理，显著优于基于符号推理的现有方法。
3D视觉食谱：数据、学习范式与应用
机构 * Brown University（布朗大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； New York University（纽约大学） ； The University of Sydney（悉尼大学） ； Stability AI
AI总结 本文提出一种以数据为中心的3D视觉分类法，通过分析点云、网格、体素和3D高斯等几何表示及其获取流程，以及数据集设计、基准构建和监督机制，统一了表示、学习范式与下游任务（重建、生成、视频建模）之间的关系。
Comments Accepted to the CVPR 2026 OpenSUN3D Workshop. Official version available at CVF Open Access. https://openaccess.thecvf.com/content/CVPR2026W/OpenSUN3D/html/Du_A_Cookbook_of_3D_Vision_Data_Learning_Paradigms_and_Application_CVPRW_2026_paper.html
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026
MaskForge：用于越狱扩散大语言模型的结构感知自适应攻击
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Southern California（南加州大学） ； Responsible AI Research (RAIR) Centre, The University of Adelaide（阿德莱德大学负责任人工智能研究中心）
AI总结 提出MaskForge，一种全黑盒自适应攻击方法，通过优化结构模式库实现扩散大语言模型的红队测试，平均攻击成功率达79.3%。
Comments 28 pages, 7 figures, 11 tables. Preprint
拓扑结构至关重要：多智能体大语言模型中的内存泄漏测量
机构 * Arizona State University（亚利桑那州立大学） ； University of Southern California（南加州大学） ； Florida State University（佛罗里达州立大学）
AI总结 提出MAMA框架，通过控制图拓扑结构评估多智能体LLM系统中的内存泄漏，发现密集连接、短攻击距离和高中心性增加泄漏，并给出稀疏或层次化拓扑的设计建议。
Comments Accepted to Findings of the Association for Computational Linguistics: ACL 2026. Camera-ready version
从片段到场景：自动驾驶中基于视觉语言模型的时间理解
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Washington（华盛顿大学） ； University of Southern California（南加州大学）
AI总结 提出自动驾驶时间理解基准TAD，通过场景思维链和轨迹认知图两种无训练方法提升视觉语言模型的时间推理能力。
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