高校专区
KG-FairDiff: 知识图谱引导的提示词精炼用于人口统计公平的文本到图像生成
机构 * University of Science and Technology of China（中国科学技术大学） ； Sharif University of Technology（谢赫·伊斯兰大学） ； Iran University of Science and Technology（伊朗科学技术大学）
AI总结 提出KG-FairDiff框架，通过知识图谱引导的提示词精炼，在推理时优化公平性损失，减少文本到图像生成中的性别、种族、年龄等人口统计偏差，同时保持语义保真度。
基于变分空间的编码器-解码器神经算子的高效逼近
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 通过引入变分空间作为非线性算子的无穷维结构类，建立了编码器-解码器双层网络在Bochner L^q范数下的逼近界，误差分解为输入编码误差、输出编码误差和N^{-1/2}阶有限宽逼近项，为超越一般Lipschitz或Fréchet可微算子类的高效神经算子学习提供了理论保证。
Comments 14 pages
通过子句-文字超图上的极性感知表示学习进行不可满足核心预测
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出一种极性感知的表示学习框架，将SAT公式建模为子句-文字超图，通过极性感知分解和极性反转一致性正则化，有效预测不可满足核心。
Comments Accepted at ICML 2026
相对于语义保持嵌入的梯度揭示大语言模型的不确定性
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出首个基于梯度的自由文本生成不确定性量化方法SemGrad，通过语义空间中的梯度计算实现高效且无需采样的不确定性估计。
Comments Accepted by ICML 2026
基于结构化视觉证据的时间证据路由用于TimeLogicQA
机构 * Southeast University（东南大学） ； National University of Singapore（新加坡国立大学） ； Independent Researcher（独立研究员） ； Opus AI Research（Opus AI研究院） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出视觉证据路由流水线，分离感知与符号时间推理，通过结构化视觉证据和确定性时间规则在TimeLogicQA上达到81.8 AvgAcc。
自适应密集证据精炼用于视频关系推理：VRR-QA挑战
机构 * Southeast University（东南大学） ； National University of Singapore（国立新加坡大学） ； Independent Researcher（独立研究员） ； Opus AI Research（Opus AI研究） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出一种自适应测试时计算系统，通过轻量视图识别不稳定问题并路由到高预算密集证据模块，在VRR-QA测试集上达到90.07%平均准确率。
双路Top-K检索与1v1 VLM重排序用于CoVR-R
机构 * Southeast University（东南大学） ； National University of Singapore（新加坡国立大学） ； Independent Researcher（独立研究者） ； Opus AI Research（Opus AI研究） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出双路Top-K检索与1v1 VLM重排序方法，通过解耦召回与选择，在CoVR-R挑战中达到95.28% R@1。
DAG-MoE：从简单混合到专家混合中的结构聚合
机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学）
AI总结 本文提出DAG-MoE框架，通过轻量级模块自动学习选定专家之间的最优聚合结构，以替代标准加权求和聚合，从而在不改变专家或路由器的情况下扩展专家组合空间并实现单层多步推理，在预训练和微调中均优于传统MoE基线。
Comments Accepted by ICML 2026
AnyEdit++: 基于贝叶斯惊讶的自适应长文本知识编辑
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出AnyEdit++框架，通过基于贝叶斯惊讶的自适应分割机制Bayes-Chunk，实现结构感知的长文本知识编辑，在数学推理、代码生成和叙事任务上优于现有方法。
Comments Accepted by ICML 2026
TextFake: 对富含文本图像中AI生成图像检测的基准测试
机构 * School of Cyber Science and Technology, University of Science and Technology of China（中国科学技术大学网络科学与技术学院） ； Anhui Province Key Laboratory of Digital Security（安徽省数字安全重点实验室） ； Individual Researcher（独立研究者）
AI总结 针对AI生成图像检测在富含文本图像上的空白，构建包含28种语言、2万图像的TextFake基准，评估14种检测器和3种VLM API，发现系统性能差距并诊断三种失败模式。
ExpWeaver: LLM智能体通过潜在RAG从经验中学习
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出ExpWeaver框架，利用潜在检索增强生成（无独立RAG模块）使LLM智能体从经验中学习，通过隐藏状态编码经验、潜在空间检索和交叉注意力聚合，在13个任务中12个达到最优，token效率高且跨域泛化强。
多时相指代分割的开源基准与基线
机构 * University of Science and Technology of China（中国科学技术大学） ； Institute of Artificial Intelligence (TeleAI)（人工智能研究所） ； China Telecom（中国电信） ； School of Artificial Intelligence, Optics and Electronics (iOPEN)（人工智能、光学与电子学院） ； Northwestern Polytechnical University（西北工业大学）
AI总结 提出多时相指代分割任务，通过自动化数据构建管道CRAFT-Agent生成首个基准MTRefSeg-21K，并设计两阶段训练的变化感知LVLM框架MTRefSeg-R1，实现优于现有基线的性能。
COLLIE：在语义连贯的潜在空间中引导技能发现
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出COLLIE框架，利用密集无监督数据构建语义连贯的潜在空间，通过无需额外训练的引导信号实现稀疏人类反馈下的有效技能发现，避免危险行为并提升下游性能。
Comments ICML 2026
PRISM: 规范不变切空间差分隐私LoRA
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对LoRA中低秩参数化导致的非可辨识性和规范依赖噪声放大问题，提出PRISM机制，通过构造规范不变的差分隐私扰动，实现高效且稳定的隐私-效用权衡。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026) as an oral presentation
通过认知成对训练增强LLM元认知
机构 * National Engineering Laboratory for Intelligent Information Processing, Academy of Mathematics and Physics, Chinese Academy of Sciences（智能信息处理国家工程实验室，中国科学院数学物理研究所） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出认知成对训练（CPT），通过成对比较推理轨迹来学习区分可靠与不可靠推理，从而提升LLM的推理与元认知权衡。
基于Transformer世界模型的行为不变任务表示学习用于离线元强化学习
机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出一种结合信息论任务表示学习与Transformer随机世界模型的框架，通过提取行为不变的任务变量和保守值惩罚，解决离线元强化学习中的分布偏移和稀疏奖励问题，实现鲁棒泛化。
Comments ICML2026
从共情到个性化共情：根据个体用户调整共情策略
机构 * University of Science and Technology of China（中国科学技术大学） ； Huawei Technologies（华为技术）
AI总结 针对大语言模型长期交互中忽略用户个性对共情策略影响的问题，提出个性化共情任务，构建PersonaEmp数据集和PereGRM奖励建模框架，实验证明其有效提升个性化共情能力。
结果优化的悖论：LLM中推理捷径的因果信息论界限
机构 * HFIPS, Chinese Academy of Sciences（中国科学院HFIPS） ； University of Science and Technology of China（中国科学技术大学）
AI总结 针对基于结果强化学习的LLM在分布外任务中推理脆弱的问题，提出因果信息论框架解释奖励诱导的流形坍缩，并证明过程奖励模型作为拓扑滤波器可消除低复杂度捷径。
MESA: 通过去中心化专家提升MoE安全对齐
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对MoE架构中安全能力集中于少数专家导致的脆弱性，提出MESA框架，通过最优传输理论实现专家安全职责去中心化分配与路由细化，在保持实用性的同时提升防御性能。
Comments 18 pages, 8 figures, accepted by ICML 2026
TRACE: 面向长程智能体安全的轨迹风险感知压缩
机构 * University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学） ； South China Normal University（华南师范大学）
AI总结 提出轨迹风险感知压缩方法TRACE，通过压缩器-阅读器架构将长轨迹压缩为潜在证据状态，以聚合稀疏风险信号并提升长程安全检测准确率。
ASAP: 基于解剖感知语义自适应预训练的医学体素表示学习
机构 * School of Biomedical Engineering, Division of Life Sciences and Medicine, University of Science and Technology of China（生物医学工程学院，生命科学与医学系，中国科学技术大学） ； Medical Imaging, Robotics, Analytic Computing & Learning (MIRACLE) Lab, YRD-RIGHT, USTC Suzhou Institute for Advanced Research（医学影像、机器人、分析计算与学习（MIRACLE）实验室，YRD-RIGHT，中国科学技术大学苏州研究院） ； Jiangsu Provincial Key Laboratory of Multimodal Digital Twin Technology（江苏省多模态数字孪生技术重点实验室） ； Biomedical Basic Research Center (BBRC) of Jiangsu Province（江苏省生物医学基础研究中心） ； Department of Radiology, The First Affiliated Hospital of USTC, Division of Life Sciences and Medicine, USTC（放射科，中国科学技术大学第一附属医院，生命科学与医学系，中国科学技术大学） ； Anhui IFLYTEK CO., Ltd（安徽科大讯飞股份有限公司） ； School of Medicine, Stanford University（医学院，斯坦福大学） ； State Key Laboratory of Precision and Intelligent Chemistry, Hefei, Anhui, China（安徽省精密与智能化学重点实验室，合肥，安徽，中国）
AI总结 提出ASAP框架，通过解剖感知知识注入、语义自适应对齐与融合，从胸部CT扫描和放射学报告中学习可迁移且可解释的体素表示，在15个数据集和22个下游任务上取得最先进性能。
Comments MICCAI2025 extention
重新审视大型语言模型中基于参数的知识编辑：理论极限与实证证据
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 本文通过理论分析和实证评估，揭示了基于参数的知识编辑方法会因维度坍缩假设导致全局干扰和推理崩溃，而简单的检索基线方法在所有条件下均表现更优。
Comments Accepted to ICML 2026. Equal contribution by the first two authors. 9 pages main paper, 10 figures, with appendix
ProactiveLLM: 学习流式大语言模型的主动交互
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出ProactiveLLM，利用模型内生状态指导交互决策，通过掩码流式建模和同步特权自蒸馏实现主动交互，减少延迟并保持质量。
Comments ICML 2026
低秩PEFT的更细参数步长：基于CP张量适配器的控制研究
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 本文通过固定组件的规范多路分解（CP）张量适配器实现更细的参数步长，研究其对低秩适配器精度-预算权衡的影响，发现CP适配器能填补LoRA秩之间的空白，但效果依赖于任务。
Comments Accepted at the ICML 2026 Workshop on CoLoRAI
何处精炼，何时停止：通过潜在差异重新思考高效视觉自回归生成中的冗余
机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学）
AI总结 提出基于潜在差异（Latent Discrepancy）的无训练剪枝框架LD-Pruning，通过解码无关区域选择和自适应无条件分支跳过，在视觉自回归模型中实现高达2.35倍加速并保持生成质量。
InfoAtlas：用于零样本统计依赖性估计的基础模型
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出InfoAtlas，一种基础模型架构，通过单次前向传播直接推断互信息，实现零样本估计，在保持精度的同时获得100倍加速。
Comments Accepted to ICML 2026
MindZero：零标注的在线心智推理学习
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出MindZero框架，通过自监督强化学习训练多模态大语言模型，实现高效鲁棒的在线心智推理，无需显式心智状态标注。
Comments ICML 2026. Website: https://scai.cs.jhu.edu/MindZero
LithoGRPO: 通过GRPO强化流匹配的快速逆向光刻
机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学）
AI总结 提出LithoGRPO框架，结合流匹配与GRPO强化学习微调，利用物理奖励函数优化掩模，实现高效逆向光刻，性能优于现有方法。
Comments ICML 2026
UF-AMA: 通过自适应多模态对齐的跨域情感识别统一框架
机构 * Institute of Advanced Technology, University of Science and Technology of China（中国科学技术大学先进技术研究院） ； Department of Electronic Engineering and Information Science, University of Science and Technology of China（中国科学技术大学电子工程与信息科学系） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合国家科学中心人工智能研究院）
AI总结 提出一种统一框架UF-AMA，利用自适应多模态对齐和置信度感知筛选机制，解决跨主体和跨会话的生理信号情感识别中的分布偏移问题，在SEED和SEED-IV数据集上达到最优性能。
通过指数族上的重正化群解释全连接深度神经网络
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 本文通过建立统计物理中重正化群方法与深度神经网络训练过程的对应关系，证明了对于指数族连续输入数据，全连接DNN训练后特征层输出的特征参数等于RG方法下的不动点，从而解释了DNN的特征提取能力。
Comments 18 pages, 2 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