高校专区
AgentHijack：基准测试计算机使用智能体对常见环境干扰的鲁棒性
机构 * TMLR Group, Hong Kong Baptist University（香港 Baptist 大学 TMLR 团体） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sydney AI Centre, The University of Sydney（悉尼大学 AI 中心） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AI总结 提出AgentHijack基准，通过9种可配置的常见环境干扰评估多模态大语言模型驱动的计算机使用智能体的鲁棒性，并设计AgentHijack-Agent框架提升其抗干扰能力。
Comments accepted by ICML 2026
相对可修复性：一种基于校准的高稀疏度剪枝后分配诊断方法
机构 * Marquette University（马凯特大学） ； Tongji University（同济大学） ； Cornell University（康奈尔大学） ； UT Austin（得克萨斯大学奥斯汀分校）
AI总结 提出相对可修复性（RR）指标，通过校准数据比较层剪枝引起的原始激活失真与通道方差匹配修复后的残余失真，用于诊断高稀疏度下剪枝损伤的可修复性，实验表明其在架构依赖的可恢复性转变区域优于现有分配规则。
因子化潜在动作世界模型
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出因子化潜在动作模型（FLAM），通过将场景分解为独立因子并学习各自的潜在动作，提升了无动作视频中多实体动态建模的准确性和视频生成质量。
IV-Net: 用于随机和高变系数椭圆型偏微分方程的神经网络
机构 * Oden Institute for Computational Science and Engineering, The University of Texas at Austin（计算科学与工程院，德克萨斯大学奥斯汀分校） ； Walker Department of Mechanical Engineering, The University of Texas at Austin（机械工程系，德克萨斯大学奥斯汀分校）
AI总结 提出一种受V-cycle多重网格求解器启发的神经算子架构IV-Net，用于逼近高对比度空间变系数线性椭圆型偏微分方程的解，在高度异质系数问题上优于POD和现有神经算子，在光滑系数低频振荡Helmholtz问题上与Fourier神经算子性能相当。
Comments 36 pages
DBPnet：基于阻尼特性的贝叶斯物理信息神经网络用于车轮载荷估计
机构 * Department of Civil, Architectural, and Environmental Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校土木、建筑与环境工程系） ； School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； College of Electrical Engineering, Zhejiang University（浙江大学电气工程学院） ； School of Automotive Studies, Tongji University（同济大学汽车学院） ； School of Architecture, The University of Texas at Austin（德克萨斯大学奥斯汀分校建筑学院） ； Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系）
AI总结 提出DBPnet，一种结合阻尼特性嵌入模块的贝叶斯物理信息神经网络，通过悬架连杆级建模和物理信息损失函数，实现鲁棒的车轮载荷估计。
Comments 14 pages, 12 figures, 6 tables
理解几何基础模型对视觉-语言-动作模型的影响
机构 * Amazon Personal Robotics Group（亚马逊个人机器人小组） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文通过线性探测分析量化了视觉-语言-动作模型（VLA）与几何基础模型（GFM）之间的“几何差距”，比较了三种注入几何信息的架构，并研究了非架构因素对几何VLA性能的影响。
Deep ZakaiJ：用于跳跃扩散时间序列预测的结构化滤波
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出Deep ZakaiJ模型，将Zakai非线性滤波方程嵌入神经编码器-解码器架构，通过Strang分裂实现隐状态信念更新，用于部分观测的跳跃扩散系统，在合成、金融和海洋数据集上改进了分布预测并保持点精度竞争力。
微调语言模型使其了解自身所知
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cognizant AI Lab（认知人工智能实验室）
AI总结 本文提出一种框架，通过进化策略对齐方法（ESMA）在控制偏差的同时提升大语言模型的元认知能力，并在未见数据集、语言和新知识上展现出鲁棒泛化性。
Comments Preprint
使用预条件未调整朗之万算法实现快速且鲁棒的MR图像重建扩散后验采样
机构 * Institute of Biomedical Imaging, Graz University of Technology, Graz, Austria ； Department of Radiology, Boston Children's Hospital, Harvard Medical School, Boston, USA ； Chandra Family Department of Electrical Engineering, University of Texas at Austin, USA ； Department of Diagnostic Medicine, Dell Medical School, University of Texas at Austin, USA
AI总结 针对MR图像重建中扩散后验采样速度慢和参数调优问题，提出基于预条件未调整朗之万算法的精确似然方法，实现快速收敛且无需调参的鲁棒采样。
Comments Submitted to Magnetic Resonance in Medicine
全局 $\mathcal{L}^2$ 最小化：通过深度学习中的几何自适应梯度下降实现均匀指数速率
机构 * Department of Mathematics, University of Texas at Austin（德克萨斯大学奥斯汀分校数学系）
AI总结 本文利用微分几何中黎曼度量的任意性，提出两种改进的梯度下降流（过参数化和欠参数化设置），在秩条件成立时证明其以均匀指数收敛速率驱动 $\mathcal{L}^2$ 代价到全局最小值，并推广到秩条件不成立的情形。
Comments AMS Latex, 21 pages. Typos corrected, references and comments added
AERIC：面向隐式有害对话的预期性隐藏状态监控
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出AERIC方法，利用生成器的隐藏状态进行同路径监控，通过短期危害预测、支持敏感抑制和提示条件残差评分，在轻量级线性监控器（仅387个可训练参数）上实现对隐式有害对话的早期检测，显著提升AUROC并降低延迟。
词汇语义的场景抽象：情境意义的结构化表示
机构 * The 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 提出场景抽象框架，通过少样本提示大语言模型构建词汇使用情境的结构化表示，实验证明场景可可靠识别且优于基线方法。
测试时图搜索用于目标条件强化学习
机构 * Department of Computer Science, University of Toronto, Toronto, Canada（多伦多大学计算机科学系） ； Vector Institute, Toronto, Canada（向量研究所） ； University of Texas at Austin, Austin, USA（德克萨斯大学奥斯汀分校） ； Harvard University, Cambridge, USA（哈佛大学）
AI总结 提出测试时图搜索方法，通过构建离线数据集图并自适应选择子目标，在不额外训练的情况下显著提升目标条件强化学习在长时域任务中的成功率。
微调掩码扩散以实现可证明的自校正
机构 * Harvard University（哈佛大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Kempner Institute（凯姆纳研究所）
AI总结 提出PRISM方法，通过轻量级模型无关的重新掩码策略，在掩码扩散模型中实现可证明的自校正，无需强化学习或验证器，提升低质量令牌检测与修正能力。
Comments Authorship statement: Jaeyeon Kim and Seunggeun Kim contributed equally, and Taekyun Lee is also a co first author
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