高校专区
无需隐藏提示！仅通过展示性修改即可欺骗AI同行评审
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Independent Researcher（独立研究者）
AI总结 研究通过仅修改论文的展示层面（如摘要、贡献框架等）而不改变科学内容，利用AI评审反馈进行对抗性重打包，成功提升评分，揭示AI评审易被表面印象误导的结构性缺陷。
Comments 35 pages, 5 figures
GENIE：一种细粒度新颖性度量方法
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； New York University（纽约大学）
AI总结 提出GENIE指标，通过任务特定特征细粒度衡量模型生成内容的新颖性，克服整体指标无法捕捉高维新颖性的局限。
Foresight: 关于导航关键线索的迭代推理
机构 * UT Austin（德克萨斯大学奥斯汀分校） ； FieldAI
AI总结 提出Foresight框架，利用微调VLM交替提出和批评图像空间运动计划，通过人类反馈学习奖励模型进行强化学习后训练，实现无地图导航中稀疏语言指令下的迭代运动优化，任务成功率提升37%。
Comments 22 pages, 10 figures, 3 tables
一种稳定的路径空间方法用于基于扩散的后验采样
机构 * Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校奥登计算工程与科学研究所） ； Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室） ； Department of Biomedical Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校生物医学工程系） ； Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
AI总结 提出一种稳定的路径空间框架，通过随机最优控制与信任域优化，实现非线性逆问题中准确且鲁棒的后验采样。
对数凹采样的统一复杂度界
机构 * University of Texas at Austin（得克萨斯大学奥斯汀分校）
AI总结 本文通过In-and-Out算法与指数提升，给出了从热启动采样任意对数凹分布的简单、统一且近乎紧的界，主要创新是提升了提升分布的Poincaré常数界。
Comments 5 pages
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