高校专区
Cat-DPO：基于类别的安全对齐
机构 * University of Southern California（南加州大学） ； Northwestern University（西北大学）
AI总结 Cat-DPO通过将安全对齐转化为类别约束优化问题，为每个有害类别设置独立的适应性安全边际，提升整体帮助性和无害性，减少类别间的安全方差和最佳至最差差距。
Comments 23 pages, 6 figures
可审计代理
机构 * FORTIS Lab, University of Southern California（南加州大学FORTIS实验室）
AI总结 本文探讨了可审计代理系统的核心问题，提出五个可审计性维度和三种机制类别，通过实证证据证明代理系统需具备审计能力才能实现问责。
Comments 24 pages, 1 figure. Extended version. A condensed 4-page version appears in the Proceedings of the ACM AI Leadership Summit 2026 (Visionary Papers track)
MOSAIC：揭示大型语言模型的道德、社会和个体维度
机构 * University of Southern California（南加州大学） ； University of Calabria and ICAR-CNR（卡利亚里大学和ICAR-CNR） ； Thomas Lord Department of Computer Science（托马斯·劳德计算机科学系）
AI总结 MOSAIC首次提出评估大型语言模型道德、社会和个体维度的综合基准测试，通过九个问卷和四个游戏全面考察伦理推理能力，揭示MFT的局限性。
REHEARSE：大语言模型中用于语言置信度校准的经验式排练
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； University of Illinois Chicago（伊利诺伊大学香槟分校）
AI总结 针对大语言模型置信度与实际正确性不匹配的问题，提出无训练的Rehearse方法，通过置信度校准博弈的反馈生成校准信号，在多模型多基准实验中显著降低了预期校准误差并提升准确率。
迈向自主人工智能代理的加密可验证授权：安全假设、初步形式化模型及概念验证实现
机构 * Universidad Tecnológica Atlántico-Mediterráneo (UTAMED)（西班牙阿塔兰蒂卡-地中海技术大学） ； Universidad de Santiago de Compostela (USC)（圣地亚哥-德孔波斯特拉大学）
AI总结 研究自主AI代理加密可验证授权问题，提出将其形式化为关系$R_{CVA}$的假设，引入CVA形式化抽象，定义安全属性，给出零知识概念验证，还识别出身份等绑定间结构分离问题并提出研究议程。
Comments 11 pages, 1 figure, 2 Tables. Keywords: autonomous AI agents, zero-knowledge proofs, verifiable authorization, agentic security, zk-SNARKs, access control, cryptographic authorization, cryptographic protocols
TimePre: 联合精度、效率与稳定性在概率时间序列预测中的应用
机构 * Tohoku University（东京大学） ； WPI ； Texas A&M University（德克萨斯大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； UIUC（伊利诺伊大学香槟分校） ； Georgia Tech（佐治亚理工学院） ； MIT（麻省理工学院） ； University of Southern California（南加州大学） ； San Diego State University（圣地亚哥州立大学）
AI总结 TimePre结合MLP模型的高效性与MCL方法的分布灵活性，通过SIN层解决精度、效率与稳定性之间的平衡问题，实现在概率时间序列预测中的高精度与高速度。
Comments 25 pages, 6 figures, 16 tables
ORBIT: 通过正交子空间旋转实现无训练的多属性行为引导
机构 * Information Sciences Institute, University of Southern California（南加州大学信息科学研究所） ； Department of Electrical and Computer Engineering, University of Southern California（南加州大学电气与计算机工程系）
AI总结 提出ORBIT方法，利用奇异值分解构建联合子空间并施加单一旋转，实现无训练的多属性行为引导，平衡多个属性并保持输出连贯性。
Comments v2: Updated technical details and added supplementary evaluations
端到端联合语音识别与说话人角色辨识的儿童-成人互动
机构 * Viterbi School of Engineering, University of Southern California, US（维特比工程学院，南加州大学） ； Weill Institute for Neurosciences, University of California, San Francisco, US（韦尔神经科学研究所，旧金山大学） ； David Geffen School of Medicine, University of California, Los Angeles, US（大卫·盖芬医学院，洛杉矶大学）
AI总结 本文提出了一种端到端联合建模框架，用于在大规模上生成可靠的儿童-成人互动转录，通过联合建模语音识别和说话人角色辨识，提高了转录的准确性和效率。
Comments Published in IEEE/ACM Transactions on Audio, Speech, and Language Processing (TASLP)
耗散型Twistcar的分析与实验：方向反转及渐近近似
机构 * Department of Mechanical Engineering, Technion - Israel Institute of Technology（机械工程系，技术学院-以色列理工学院） ； Department of Aerospace and Mechanical Engineering, University of Southern California（航空航天与机械工程系，南加州大学）
AI总结 本研究将耗散纳入Twistcar的双连杆模型，推导其小幅稳态周期动力学的渐近表达式，构建可调节质心的机器人原型验证方向反转现象，并通过参数拟合提升实验吻合度。
Comments The paper has been accepted for publication at Multibody Systems Dynamics (Springer Nature), August 2026
SSTQ：基于子采样随机 TurboQuant 的隐私保护向量量化
机构 * University of Southern California（南加州大学） ； Google Research（谷歌研究院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究针对分布式优化中隐私保护与通信成本的矛盾，提出 SSTQ 框架，实现了更优的均方误差缩放，在联邦学习任务中展现出良好效用与通信效率。
Comments 42 pages, 4 figures, 2 tables
LoCA：基于局部信用分配的一次性校准后仅前向的大语言模型调优
机构 * University of Oklahoma（俄克拉荷马大学） ； Imperial College London（伦敦帝国学院） ； University of Michigan（密歇根大学） ； Tencent（腾讯） ； University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； Beijing Normal University（北京师范大学） ； Beijing Normal-Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院）
AI总结 本文提出LoCA方法，通过一次性校准替换大语言模型调优的重复反向传播，在多个基准上优于LoRA，降低了GPU峰值内存、CPU稳态内存与前向传递时间。
愤怒但准确：检测和剖析推特上的反错误信息生态系统
机构 * University of Southern California（南加州大学） ； Thomas Lord Department of Computer Science（托马斯·劳德计算机科学系）
AI总结 研究推特反错误信息生态系统，用特定领域NLI模型分类新冠推文，对比支持或反对错误信息的两类推文的用户和文本特征，发现反错误信息推文负面情绪更强且发布者多为更成熟用户。
Comments 7 pages, 6 figures. ACM Hypertext 2026
可信代理网络：在代理网络中，信任必须被内置，而非事后添加
机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学）
AI总结 本文探讨了在代理网络中信任必须被内置而非事后添加的问题，提出了一个综合的概念框架，通过四个设计支柱来建立代理网络中的信任。
Comments Accepted at SIGKDD 2026 Blue Sky Ideas Track
LLMs何时会承认错误？理解模型信念在撤回中的作用
机构 * University of Southern California（南加州大学）
AI总结 研究揭示LLMs在生成时基于内部信念而非参数知识进行撤回，监督微调可提升其撤回性能。
Comments CoLM 2026
携手共进：量化AI辅助招聘的益处
机构 * Stanford University（斯坦福大学） ； University of Southern California（南加州大学）
AI总结 该研究通过两项实地实验发现，AI辅助招聘可提升候选人最终面试通过率，在简历信息不足的初级候选人中效果更显著，但存在75%的候选人未完成面试的问题，其将筛选成本从企业转移至申请人。
面向INT2 KV缓存量化的输出感知旋转
机构 * University of Southern California（南加州大学） ； Seoul National University（首尔大学） ； Inha University（仁荷大学）
AI总结 针对长上下文大模型KV缓存的INT2量化瓶颈，提出OptR输出感知旋转方法，通过分解误差、学习正交修正等，提升QuaRot等性能并增强长上下文检索能力，且开销可忽略。
NavTrust：体感导航的可信度基准测试
机构 * Trustworthy Autonomous Systems Laboratory at the University of California, Riverside（加州大学河滨分校可信自主系统实验室） ； University of Michigan（密歇根大学） ； Workday ； University of Southern California（南加州大学） ； Texas A&M University（德克萨斯A&M大学） ； Lehigh University（莱斯大学）
AI总结 NavTrust通过系统性地对输入模态进行腐蚀，评估体感导航性能的鲁棒性，揭示了现有方法在真实环境中的性能缺陷，并提出改进策略。
Comments IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026); Project Website: https://navtrust.github.io
潜在去噪提升大多模态模型的视觉对齐
机构 * University of Southern California（南加州大学） ； DEVCOM ARL Army Research Office（DEVCOM ARL陆军研究办公室）
AI总结 本文提出通过潜在去噪框架改进大多模态模型的内部视觉特征对齐和多模态理解，采用掩码和高斯噪声混合腐蚀视觉token，并利用解码器恢复教师特征，提升模型在分布偏移下的鲁棒性。
Comments ACM MM 2026
楔形采样：具有近线性样本复杂性的高效张量补全
机构 * Rice University（里士满大学） ； University of California, Irvine（加州大学尔湾分校） ； Univ Rennes, Ensai, CNRS, CREST-UMR 9194（里昂大学，Ensai，CNRS，CREST-UMR 9194） ； University of Southern California（南加州大学）
AI总结 提出楔形采样非自适应方案，通过结构化长度二模式（楔形）分配观测，在均匀采样稀疏时增强谱信号，实现近线性样本复杂度的张量补全。
Comments 88 pages, 5 figures. Includes new results on noisy tensor completion
JigShape：通过拼图任务评估视觉语言模型的视觉几何推理能力
机构 * University of Southern California（南加州大学） ； National University of Singapore（新加坡国立大学） ； Adobe Research（奥多比研究院） ； Texas A&M University（德克萨斯农工大学） ； Rice University（莱斯大学） ； The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本研究提出JigShape拼图基准，发现零样本VLM大多缺乏几何推理能力，所有模型在大尺寸拼图上均出现性能崩塌，将可扩展几何推理确立为VLM的开放性挑战。
NOVA：通过人工智能进行知识发现的基本限制
机构 * University of Southern California（南加州大学） ； Northeastern University（东北大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出NOVA框架，将“生成-验证-积累-再训练”循环建模为知识空间上的自适应采样过程，识别了知识覆盖有限域的条件及失败模式，并证明了发现成本与Zipf定律相关的标度律。
Comments Added an explicit recursive retraining model showing how accepted outputs reshape future generation. New results characterize when repeated retraining suppresses undiscovered artifacts and when mixing updates with a fixed base distribution preserves exposure. Corrected the Zipf discovery-cost proof and expanded the analysis. Main results and implications remain unchanged
模形式Bootstrap的深入探索
机构 * University of Southern California（南加州大学） ； Boston University（波士顿大学） ； Massachusetts Institute of Technology（麻省理工学院） ； The NSF Institute for Artificial Intelligence and Fundamental Interactions（美国国家科学基金会人工智能与基本相互作用研究所）
AI总结 本文通过机器学习优化高效搜索二维共形场论的模形式Bootstrap解，发现中央荷在1到8/7之间的候选CFT，并提出更严格的谱间隙约束。
Comments 57 pages, 21 figures, 4 tables; v2: updated references, acknowledgments, and formatting; v3: additional discussions, bug fixed in Figure 1a, conclusions unchanged, approximate version to appear in JHEP; code available at http://github.com/jdthaler/modular-bootstrap
当只有最终文本幸存时：多智能体归因的隐式执行追踪
机构 * University of Southern California（南加州大学） ； University of Toronto（多伦多大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Independent Researcher（独立研究员）
AI总结 本文提出隐式执行追踪框架，通过在生成过程中嵌入代理特定的统计信号，实现多智能体系统的归因和执行轨迹恢复，即使在元数据缺失的情况下也能保持生成质量。
用于突发干扰信道的带GRAND接收机的闭环贝叶斯智能体编码器
机构 * Ming Hsieh Department of Electrical and Computer Engineering（明希学校电气与计算机工程系） ； Viterbi School of Engineering, University of Southern California（维特比工程学院，南加州大学）
AI总结 研究在有未知干扰源的信道上，随机线性码与跨码字交织码的分组级选择。采用GRAND接收机及贝叶斯估计器，通过折扣汤普森采样器选传输模式，经实验得出不同阶段模式偏好及模型优势，还给出误块率降低等成果。
Comments 11 pages, 6 figures
CLAM：基于未标记演示的连续潜在动作模型用于机器人学习
机构 * Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Department of Electrical and Computer Engineering, University of Southern California（南加州大学电气与计算机工程系）
AI总结 CLAM通过连续潜在动作标签和联合训练动作解码器，有效解决复杂连续控制任务中未标记数据的学习问题，实现在DMControl和MetaWorld等基准及真实机器人上的性能提升。
Comments Latent Action Models, Self-supervised Pretraining, Learning from Videos
Journal ref IEEE/RSJ International Conference on Intelligent Robots and Systems 2026
批量自适应因果标注
机构 * UC Berkeley（加州大学伯克利分校） ； Fordham University（福特汉姆大学） ； University of Southern California（南加州大学）
AI总结 本文提出一种批量自适应方法，通过优化数据采样策略提高因果效应估计效率，减少标注成本，实验证明在缺失数据下能显著降低均方误差。
Comments Extended journal version. A preliminary version was accepted to AISTATS 2026
MaskAttn-SDXL：可控区域级文本到图像生成
机构 * University of Southern California（南加州大学） ； University of Toronto（多伦多大学）
AI总结 本文提出MaskAttn-SDXL模块，通过在softmax前注入token条件空间门控，解决扩散模型在多物体生成中的全局协调和可靠性问题，无需改变SDXL流程。
Comments Published in the 2026 International Joint Conference on Neural Networks (IJCNN 2026)
Journal ref Proceedings of the 2026 International Joint Conference on Neural Networks (IJCNN 2026)
弥合农村医疗差距：一种级联边缘-云架构用于自动化视网膜筛查
机构 * University of Southern California（南加州大学）
AI总结 本文提出一种边缘-云级联架构，利用轻量级MobileNetV3-small模型在本地设备进行视网膜病变初步筛查，再通过云上的RETFoundDINOv2模型进行严重程度分级，从而降低云计算成本并提高筛查效率。
Comments Accepted in IEEE International Conference on Responsible Artificial Intelligence (IRAI) 2026
稀疏高维随机几何图中的谱集中与恢复
机构 * Department of Mathematics, University of Southern California（数学系，南加州大学）
AI总结 研究稀疏高维随机几何图，通过连接内积超阈值的向量对生成。证明了球面和高斯模型的谱范数界，改进恢复保证，还得到高斯混合块模型的精确恢复结果，采用新证明方法结合多种技术。
Comments 67 pages, 2 figures
生成模型比较的统计推断
机构 * Marshall School of Business, University of Southern California, USA（美国南加州大学马歇尔商学院） ； Department of Mathematical Science, New Jersey Institute of Technology, USA（美国新泽西理工学院数学科学系） ； School of Statistics, Beijing Normal University, People’s Republic of China（中国北京师范大学统计学院）
AI总结 研究如何比较不同生成模型与测试样本潜在分布的接近程度，核心方法是用KL散度衡量距离并扩展到条件生成模型，利用Edgeworth展开处理有限数据，在模拟及图像文本数据集上有有效覆盖率且结论有统计置信度。
Comments 35 pages, 25 figures
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