高校专区
Charon：一种用于大规模大语言模型训练和推理的统一且细粒度模拟器
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出Charon模拟器，通过统一、模块化和细粒度的方法，准确预测大语言模型性能，实验显示其在不同模型和配置上具有高精度，预测误差低于5.35%，并在实际推理部署中发现提升系统吞吐量的配置，展示了其实际价值。
Comments Accepted by MLSys 2026
基于临床信息的儿童脑肿瘤全切片病理图像分类建模
机构 * Dept. of Computer Science（计算机科学系） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； School of Information（信息学院） ； Dell Children's Medical Center（德尔儿童医学中心） ； Dept. of OREI（OREI部门） ； University of Nevada, Reno（内华达大学里诺分校）
AI总结 本文提出一种结合临床信息的对比学习框架，用于在有限数据和类别不平衡条件下提高儿童脑肿瘤全切片图像的细粒度分类性能。
Comments Accepted at the IEEE International Conference on Healthcare Informatics (ICHI), 2026
TRAM: 测试时风险适应与代理混合
机构 * UT Austin（得克萨斯大学） ； University of Central Florida（中央佛罗里达大学） ； MIT（麻省理工学院） ； UMD（大学公园分校）
AI总结 本文研究了在部署时无需更新的零更新适应问题，提出TRAM方法通过混合代理评估源策略的风险调整分数，以降低部署风险并保持奖励。
核两样本检验中计算与统计的权衡：随机傅里叶特征
机构 * Department of Statistics and Data Sciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校统计与数据科学系） ； Department of Mathematical Sciences, KAIST（韩国科学技术院数学科学系）
AI总结 本文研究了使用随机傅里叶特征近似MMD检验在计算复杂度与统计功效之间的权衡，证明通过合理选择随机特征数量可以在亚二次时间内达到与MMD检验相同的最小最大分离率。
重新思考如何记忆：超越原子事实的终身LLM代理记忆
机构 * TMLR Group, Hong Kong Baptist University（香港 Baptist 大学 TMLR 实验组） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Shanghai Jiao Tong University（上海交通大学） ； Sydney AI Center, The University of Sydney（悉尼大学悉尼人工智能中心）
AI总结 本文提出TriMem，一种能够维护三种共存表示粒度的内存系统，通过保留原始对话片段、提取原子事实以及合成轮廓来实现对积累对话历史的忠实存储、高效检索和深度推理，从而克服现有方法在细节丢失和推理能力不足的问题。
GEM: 为MoE系统设计的GPU变异性感知专家到GPU映射
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 GEM通过考虑GPU变异性，优化MoE模型中专家到GPU的映射，从而减少延迟，提升系统性能。
Comments 18 pages
MINTEval: 评估长时间跨度智能体系统中的多目标干扰下的记忆
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出MINTEval基准，用于评估智能体在长时间跨度和多目标干扰下的记忆表现，通过长连接上下文、多领域和多类型问题来测试记忆增强代理的鲁棒性和泛化能力。
Comments Equal contribution; order decided by a coin flip. Code and data: https://github.com/amy-hyunji/MINTEval
测试时推测
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文研究了测试时推测方法，通过在线蒸馏技术提升长响应任务中推测器的接受长度，从而提高LLM推理效率。
PAVE：生成代理社会中的合法违规认知架构
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Meta Reality Labs（Meta现实实验室） ； University of Calgary（卡尔加里大学）
AI总结 本文提出PAVE认知架构，通过四个模块处理生成代理在需要违规的场景中的推理问题，实现了合法违规、对权威的服从、有限的范围和恢复四个特性，同时提高了决策的结构化和可解释性。
Comments Preprint. 23 pages, 4 figures. Code and environment will be released upon publication
在慢速fMRI上微调语言编码模型以提高对快速ECoG的预测
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） ； Zuckerman Mind Brain Behavior Institute（祖克曼心智-脑-行为研究所） ； Columbia University（哥伦比亚大学） ； Departments of Neuroscience and Statistics（神经科学与统计学系） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 该研究通过在慢速fMRI上微调语言编码模型，提高了对快速ECoG数据的预测性能，展示了慢速数据在构建快速脑数据模型中的价值。
AI 是否能像艺术史家一样看？解析视觉语言模型如何识别艺术风格
机构 * Columbia University, Department of Computer Science（哥伦比亚大学计算机科学系） ； Columbia University, Department of Art History & Archaeology（哥伦比亚大学艺术史与考古系） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文研究了视觉语言模型（VLMs）在识别艺术风格方面的机制，通过跨学科合作，分析VLMs如何预测艺术风格，并评估其与艺术史家判断艺术风格的标准的一致性。
Comments 20 pages, 18 figures
基于上下文的在线骚扰检测与以受害者为中心的回应生成：私人信息交流中的在线骚扰
机构 * Georgia Institute of Technology（佐治亚理工学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Pittsburgh（匹兹堡大学）
AI总结 本文研究了大型语言模型如何支持私人信息交流中的在线骚扰检测与回应，通过构建一个包含80,053条Instagram私信的标注数据集，开发了上下文感知的级联分类流水线，并提出了一种以受害者为中心的回应框架，生成心理上合理的AI回应，经评估发现其在情感支持和缓和冲突方面显著优于原始回应。
Comments 16 pages, 2 figures
EgoTraj: 用于多模态预测的现实世界人轨迹数据集
机构 * Department of Civil, Architectural, and Environmental Engineering, The University of Texas at Austin（土木、建筑与环境工程系，德克萨斯大学奥斯汀分校） ； Meta Reality Labs（Meta现实实验室） ； School of Architecture, The University of Texas at Austin（建筑学院，德克萨斯大学奥斯汀分校）
AI总结 本文提出EgoTraj数据集，用于多模态预测，包含75个真实城市环境中的人导航轨迹，提供了同步的RGB视频和地面真实数据，包括6自由度头部姿态、3D眼 gaze向量和场景注释，展示了该数据集在AR感知、导航和辅助系统中的应用价值。
Comments 21 pages, 14 figures. Project page: https://github.com/yehiahmad/EgoTraj
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。
多保真度流匹配：参数PDE解的级联细化
机构 * Department of Computer Science, Florida State University（佛罗里达州立大学计算机科学系） ； Department of Materials Science and Engineering, Florida State University（佛罗里达州立大学材料科学与工程系） ； Hildebrand Department of Petroleum and Geosystems Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校石油与地质系统工程系）
AI总结 本文提出多保真度流匹配方法，通过级联细化技术提升PDE解的精度，利用低保真度解指导高保真度解生成，优化了残差校准与流匹配训练几何。
Comments 27 pages, 2 figures, 7 tables. Preprint
MaxSketch：通过随机投影在数据流中实现鲁棒的唯一计数
机构 * National and Kapodistrian University of Athens（希腊国家与卡波迪斯蒂亚纳大学） ； Archimedes, Athena Research Center（阿提卡研究中心） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出MaxSketch，利用随机高斯投影在高维噪声数据流中实现鲁棒的唯一计数，证明在几何结构下可将内存需求降低至~O(log n / ε²)。
$ϕ$-平衡用于专家混合训练
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Northwestern University（西北大学）
AI总结 本文提出$ϕ$-平衡框架，通过最小化严格凸、对称且可导的潜在函数，实现专家资源的群体平衡，优于现有启发式方法，在大规模预训练和下游微调中表现更稳定有效。
ODRPO：离散奖励的序分解以实现鲁棒策略优化
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Google（谷歌）
AI总结 本文提出ODRPO框架，通过将离散奖励分解为序二进制指标，减少噪声影响，提升策略优化鲁棒性，实验表明在Qwen2.5-7B和Qwen3-4B模型上表现优异。
高效求解混合层级游戏的准策略近似方法
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； U.S. Army Research Laboratory（美国陆军研究实验室）
AI总结 本文研究了多机器人森林结构混合层级游戏，通过推导KKT条件并引入准策略近似方法，提出了一种求解高阶导数的非精确牛顿法，证明了在非二次目标和非线性约束下的局部指数收敛性。
ViewBridge：用于极端视角变化下的活动视角不变性的课程知识蒸馏
机构 * UT Austin（得克萨斯大学奥斯汀分校） ； Meta AI ； Stanford University（斯坦福大学） ； Northeastern University（东北大学）
AI总结 本文提出ViewBridge框架，通过课程学习和知识蒸馏方法，在严重视角遮挡下学习丰富的视频表示，提升了极端视角变化下的活动识别性能。
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