高校专区
多轮共情对话中的语篇多样性
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft Research（微软研究院） ； University of Washington（华盛顿大学）
AI总结 研究探讨了大型语言模型在多轮共情对话中语篇策略的多样性问题，提出MINT框架通过强化学习提升对话多样性，显著提高共情效果并减少重复。
DreamKG: 一种为经历住房无家可归的人群增强知识图谱的对话系统
机构 * Temple University（天普大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California Riverside（加州大学河滨分校） ； University of Central Florida（中佛罗里达大学）
AI总结 DreamKG通过整合知识图谱提升对话系统，为住房无家可归者提供准确及时的服务信息，其结合Neo4j知识图谱与结构化查询，有效处理时空敏感查询，初步评估显示在相关查询上优于Google Search AI。
Comments This manuscript has been accepted at the 14th IEEE International Conference on Healthcare Informatics (ICHI 2026)
具有不确定性的网络条件科学事实核查
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出一种基于原子谓词-论元分解和校准的不确定性和网络验证方法，通过嵌入对齐局部片段，使用紧凑的证据基础检查器验证事实，并仅在不确定支持的事实触发领域受限的网络搜索。系统支持二元和三元分类，优于现有基准。
反思式扩散语言模型
机构 * Together AI ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学）
AI总结 本文提出反思式扩散语言模型，通过引入反思性解码算法，在保持并行解码的同时继承自回归训练的反思一致性，实现了与同规模自回归模型相当的质量并优于先前扩散模型。
具有可证明稳定性的LLM推理流控制调度
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出一种流控制框架，通过控制提示加入活跃集的速度，解决LLM推理中解码长度未知导致的内存溢出问题，并证明算法的稳定性。
扩散采样中的查询下界
机构 * UT Austin（德克萨斯大学奥斯汀分校）
AI总结 本文研究了扩散采样中查询次数的下限，证明了在多维分布下，任何采样算法需要至少O(√d)次适应性查询，解释了多尺度噪声调度的必要性。
利用光子学促进机器智能
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Arizona State University（亚利桑那州立大学）
AI总结 本文探讨了光子学在突破摩尔定律后计算限制中的应用，提出通过跨层协同设计和工作负载适应性编程提升光子机器智能的效率与多样性。
Comments 20 pages
领域特定胃肠道疾病识别的参数高效微调
机构 * Auburn University（奥本大学） ； Tribhuvan University（特里布万大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Georgia State University（佐治亚州立大学） ； Middle Tennessee State University（中田纳西州立大学）
AI总结 本文提出使用低秩适应（LoRA）模块进行参数高效微调，以解决跨源医学图像分布偏移问题，提升胃肠道疾病识别的参数效率和性能。
Comments 6 pages, 3 figures, CVPR conference
用于动力系统变换器学习上下文转移算子
机构 * The Oden Institute, The University of Texas at Austin（德克萨斯大学奥斯汀分校奥登研究所） ； Department of Physics, The University of Texas at Austin（德克萨斯大学奥斯汀分校物理系）
AI总结 研究发现变换器在上下文学习中通过延迟嵌入和不变集预测来学习转移算子，揭示了预训练模型如何无需重新训练即可预测未见过的物理系统。
Comments 5 pages, 4 figures
解耦生成模型用于人-物交互合成
机构 * Korea University（高丽大学） ； Meta ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出DecHOI方法，通过分离路径规划与动作合成，提升人-物交互合成的真实感与灵活性，优于现有方法。
影响人类以符合偏好模型的强化学习从人类反馈
机构 * Stanford University（斯坦福大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Brown University（布朗大学） ； Sony AI（索尼AI）
AI总结 本文通过三项人类研究，探讨如何通过干预使人类偏好更符合预期模型，提升RLHF奖励函数对齐效果。
还有可以提取的知识吗？医学微调视觉语言模型中的脆弱性证据
机构 * Brown University（布朗大学） ； University of Washington（华盛顿大学） ； University of Tübingen（蒂宾根大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究评估了四个医学微调的视觉语言模型在四个医学影像任务中的表现，发现任务难度增加时性能下降至接近随机水平，表明临床推理有限，医学微调无明显优势，模型对提示词敏感。
从随机偏微分方程中学习噪声相变动力学
机构 * Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种物理感知的代理模型，用于解决三维随机Cahn-Hilliard方程中的噪声相变动力学问题，通过在单元间通量层面参数化，实现了精确的质量守恒和物理可解释性。
Comments 31 pages, 21 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