高校专区
权重空间应成为一种第一类生成式AI模态
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Tencent Hy（腾讯实验室）
AI总结 本文提出将模型检查点视为第一类数据模态，并主张在权重空间中进行生成式建模应成为机器学习的核心原始操作。通过最近的进展表明，神经网络权重可以按需合成，通常在减少适应成本的规模下达到微调性能。本文认为这些结果反映了权重空间中高性能模型占据的低维、高度结构化区域的结构事实。基于此观点，本文将现有方法组织成五阶段流程，调查该方法已实际应用的领域，并澄清当前限制：适配器规模和条件生成正在迅速发展，而无限制的前沿规模检查点合成仍处于开放状态。
Comments AI systems routinely improve or create other AI systems
PLATO Hand：利用指甲形状接触行为实现精确操控
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sony Group Corporation（索尼集团）
AI总结 本文提出PLATO手，一种具有混合指尖的灵活机器人手，通过结合刚性指甲、嵌入式远节指骨和顺应性肉垫，实现接触行为的塑造。研究开发了基于应变能的弯曲-压入模型，指导指尖设计并解释材料刚度和接触几何如何控制指尖变形分配。实验显示提升了捏合稳定性、指甲介导的背侧接触力传输和本体感觉可观察性，并成功执行了敏感边缘操控任务，如纸张分隔、卡片拾取和橙子剥皮。这些结果表明，结合机械结构的接触界面与力-运动透明手指机制提供了精确操控的原理性方法。
MiniGPT：从第一原理重新构建GPT
机构 * Department of Computer Science（计算机科学系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出MiniGPT，一个基于PyTorch从头实现的GPT风格自回归语言模型，旨在在研究nanoGPT设计后，从第一原理重新构建GPT核心流程，同时保持模型和训练代码独立编写。MiniGPT实现了词嵌入、位置嵌入、因果多头自注意力、预层归一化Transformer块、残差连接、前馈MLP层、下一词交叉熵训练（教师强制）、验证跟踪、检查点选择和自回归文本生成。
Comments 13 pages, 2 figures
Latent-IMH: 高效的贝叶斯推断用于具有近似算子的反问题
机构 * Oden Institute for Computational Engineering and Sciences（奥登计算工程与科学研究院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文研究了在贝叶斯线性反问题中如何高效地从后验分布采样，其中参数到观测算子A计算成本高。通过将A分解为可构造低成本近似算子A~的方式，提出了一种基于Metropolis-Hastings独立采样器的Latent-IMH方法，通过近似算子生成中间潜在变量并利用精确算子进行优化，从而将计算成本转移到离线阶段，理论分析表明其在KL散度和混合时间上表现优异，实验显示其在计算效率上优于NUTS等现有方法。
T-FIX：基于文本的可解释性方法，具备可解释的专家特征
机构 * Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Department of Computer Science, University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系） ； Department of Physics and Astronomy, University of Pennsylvania（宾夕法尼亚大学物理与天文学系） ； Flatiron Institute（Flatiron研究所） ； Department of Surgery, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院外科系） ； Division of Pulmonary, Allergy, and Critical Care, Perelman School of Medicine, University of Pennsylvania（宾夕菲亚大学佩雷尔曼医学院呼吸、过敏与危重医学科） ； Division of Cardiovascular Medicine, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院心血管医学科） ； Department of Surgery, University of Toronto（多伦多大学外科系） ； University Health Network（大学健康网络）
AI总结 本文提出T-FIX框架，用于评估LLM生成的解释是否符合专家的推理方式，通过七个科学任务和三个领域进行验证，实现了自动且可定制的专家对齐评估。
镜像均场 Langevin 动力学
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； UC Berkeley（伯克利大学）
AI总结 本文提出镜像均场 Langevin 动力学（MMFLD），用于优化受限在 $\mathbb{R}^d$ 子集上的概率测度，并通过统一的对数 Sobolev 不等式获得连续 MMFLD 的线性收敛性保证，以及其时间-粒子离散化版本的统一时间传播混沌结果。
Comments ICML 2026
迭代 Chow 过滤用于分布偏移学习
机构 * UT Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种基于迭代 Chow 过滤的方法，解决了分布偏移学习中的效率问题，展示了在 DNF 公式下实现准多项式时间 PQ 学习算法，并在多个函数类上提供了指数级改进。
Comments 30 pages
一种可扩展的测量方式用于发展语言研究中的方式和结果动词
机构 * University at Buffalo（布法罗大学） ； Nanyang Technological University（南洋理工大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出一种利用大规模语言模型进行方式和结果动词识别的方法，通过MASC和InterCorp数据扩展至436类，并在三个数据集上验证，模型准确率达89.6%。
Comments 12 pages
粗粒度与细粒度模型在存在分布偏移学习中的等价性
机构 * UT Austin（得克萨斯大学） ； Columbia University（哥伦比亚大学）
AI总结 本文探讨了在无分布假设下，粗粒度与细粒度学习模型的等价性，证明了通过黑盒减少将PQ学习转换为TDS学习的效率，并展示了通过成员查询可绕过硬度结果，实现半空间的分布自由PQ可学习性。
Comments 26 pages, Accepted to COLT 2026
机器学习赋能的颗粒复合材料分析：应用于固态电池正极
机构 * Department of Materials Science and Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校材料科学与工程系） ； Walker Department of Mechanical Engineering, University of Texas at Austin（德克萨斯大学奥斯汀分校沃克机械工程系）
AI总结 本文提出一种基于机器学习的框架，将多模态X射线图像转化为拓扑感知图，用于分析颗粒复合材料的微观结构与性能关系，以固态电池正极为例验证了三相交点和离子/电子传导通道的重要性。
面向目标的监督学习用于大语言模型微调
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Intuit AI Research（Intuit人工智能研究）
AI总结 本文提出目标条件监督学习（GCSL）框架，通过将反馈信号作为显式目标，利用监督学习生成高质量响应，改进了传统监督微调和直接偏好优化的局限性。
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