高校专区
可查询的LoRA：基于共享低秩更新原子的指令正则化路由
机构 * Department of Computer Science（计算机科学系） ； Department of Government（政府系） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Department of Statistics and Data Sciences（统计与数据科学系）
AI总结 本文提出一种数据自适应的参数高效微调方法，通过共享可查询的记忆体实现动态路由，结合指令正则化提升模型适应性与稳定性。
长形式幻觉检测的合理性检查
机构 * Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of British Columbia（不列颠哥伦比亚大学）
AI总结 本文提出一种控制不变性方法，通过强制和移除测试区分推理本身与最终答案的表面关联，展示轻量级评分器TRACT在未扰动轨迹上的有效性。
DARE：扩散语言模型激活重用以提高推理效率
机构 * Chandra Family Department of Electrical and Computer Engineering（查德拉家族电子与计算机工程系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cornell University（康奈尔大学）
AI总结 DARE通过利用扩散语言模型中token级冗余性，提高推理效率，减少计算量，同时保持生成质量。
CoreQ: 无学习的不匹配校正与连续舍入用于量化
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； DEVCOM Army Research Laboratory（陆军研究实验室）
AI总结 CoreQ提出一种无学习的PTQ框架，通过几何分解得到闭式系数校正不匹配，减少过拟合并提升性能，适用于多种LLM场景。
RRCM：基于协作和元记忆的排序驱动检索用于LLM推荐
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Illinois at Chicago（伊利诺伊大学香槟分校） ； Capital One AI Foundations（Capital One AI基金会） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 RRCM通过排序驱动的检索与推理框架，解决LLM推荐中构建相关上下文的挑战，利用自然语言表示的协作和元记忆，实现灵活的证据获取，提升推荐质量。
学习材料感知的哈密顿风险场以实现安全导航
机构 * 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） ； Oden Institute, University of Texas at Austin（德克萨斯大学奥斯汀分校奥登学院）
AI总结 本文提出一种基于材料感知的哈密顿风险场方法，通过引入上下文能量项，实现安全导航中的风险选择性控制，实验验证了其在不同场景下的有效性。
TRAJGANR: 通过地理对齐的神经表示进行轨迹导向的城市多模态学习
机构 * Google Research, Mountain View, CA（谷歌研究，山景城，加利福尼亚州） ； Google LLC, Mountain View, CA（谷歌公司，山景城，加利福尼亚州） ； Dept. of Computer Science, University of Southern California, Los Angeles, CA（计算机科学系，南加州大学，洛杉矶，加利福尼亚州） ； SEAI Lab, Dept. of Geography and the Environment, The University of Texas at Austin, Austin, TX（SEAI实验室，地理与环境系，德克萨斯大学奥斯汀分校，奥斯汀，德克萨斯州）
AI总结 TRAJGANR提出一种新的多模态自监督学习框架，通过将连续移动模式与静态位置观察对齐，提升城市理解和移动任务的性能，优于现有方法。
当下降过于稳定时：事件触发的哈密顿学习优化
机构 * Oden Institute（奥登研究所） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Department of Computer Science（计算机科学系）
AI总结 本文提出SHAPE算法，通过事件触发机制在局部信息下优化，平衡下降、探索与预算分配，提升非凸优化性能。
信念记忆：在部分可观测性下的智能体记忆
机构 * MBZUAI ； RIKEN AIP ； UT Austin ； Wuhan University（武汉大学）
AI总结 本文提出BeliefMem，通过保留多个候选结论及其概率，解决智能体在部分可观测环境中记忆的不确定性问题，实验证明其在LoCoMo和ALFWorld基准上表现优异。
检验学习算法的噪声假设
机构 * University of Pennsylvania（宾夕法尼亚大学） ； UT Austin（得克萨斯大学）
AI总结 本文提出一种高效测试训练集是否符合给定噪声模型假设的方法，首次解决了该问题，并展示了在高斯边际分布下半空间学习的可测试学习算法。
Comments 45 pages, Best Paper Award at Reliable ML workshop at NeurIPS 2025, Accepted to COLT 2026
LiVeAction：一种轻量、多功能且不对称的神经编解码器设计用于实时操作
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LiVeAction神经编解码器，通过降低编码器复杂度和替换损失函数，提升率失真性能，适用于低功耗传感器。
Comments DCC 2026
基于扩散的后验采样：偏倚与稳定性的费曼-科茨分析
机构 * Department of Mathematics, UT Austin（德克萨斯大学奥斯汀分校数学系） ； Department of Electrical and Computer Engineering, UT Austin（德克萨斯大学奥斯汀分校电气与计算机工程系） ； School of Mathematical and Statistical Sciences, Arizona State University（亚利桑那州立大学数学与统计科学学院）
AI总结 本文通过费曼-科茨分析，研究了基于扩散的后验采样器的偏倚与稳定性问题，揭示了采样路径与后验分布的关系，并提出改进方法以提高稳定性。
用于未知分布的多示例适应的流匹配算法
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FP-FM算法，通过学习基函数生成速度场，实现对新分布的高效样本生成，且在未见过的分布上表现优异。
SuperFace：超越伪监督的偏好对齐面部表情估计
机构 * Zhejiang University（浙江大学） ； Westlake University（西lake大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Hunan University（湖南大学） ； Zhejiang University Shanghai Innovation Institute（浙江大学上海创新研究院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出SuperFace框架，通过人类偏好反馈改进ARKit系数预测，提升面部动画的视觉真实性和表达性。
多模态事实级归因用于可验证推理
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MuRGAt基准，用于评估多模态事实归因能力，要求模型在复杂推理中生成明确推理和精确引用，揭示强模型在正确推理下仍易产生幻觉，且增加推理深度或结构化归因会降低准确性。
Comments Accepted to ICML 2026. Code and data are available at https://github.com/meetdavidwan/murgat
解耦生成图表示学习
机构 * National Key Laboratory of Radar Signal Processing, Xidian University（雷达信号处理国家重点实验室，西安电子科技大学） ； Institute of Information Sensing, Xidian University（信息感知研究院，西安电子科技大学） ； McCombs School of Business, The University of Texas at Austin（德克萨斯大学奥斯汀分校麦克唐纳商学院）
AI总结 本文提出DiGGR框架，通过解耦学习潜在因素提升图表示的鲁棒性和可解释性，在两个图学习任务中优于现有方法。
预训练表示的扩展实现了无需微调的无标签分布外检测
机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Department of Computer Science（计算机科学系） ； Cornell University（康奈尔大学） ； Department of Aerospace Engineering and Engineering Mechanics（航空航天工程与工程力学系）
AI总结 本文研究了通过扩展预训练表示实现无需微调的无标签分布外检测，展示了冻结表示的几何结构对检测性能的影响，证明了在不同任务中，表示质量提升可提高检测效果。
COPYCOP：图神经网络的版权验证
机构 * McCombs School of Business（麦科姆斯商学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究提出COPYCOP算法，用于检测图神经网络间是否存在模仿关系，通过理论保证和实验验证其在多种数据集和架构上的准确性和鲁棒性。
MesonGS++: 3D高斯散射的后训练压缩与超参数搜索
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； The Hong Kong University of Science and Technology（香港科技大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； The Chinese University of Hong Kong（香港中文大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Shenzhen Technology University（深圳技术大学） ； Xiamen University（厦门大学） ； Simon Fraser University（西蒙弗雷泽大学） ； Jiangxing Intelligence Inc.（江兴智能有限公司）
AI总结 MesonGS++提出了一种基于超参数搜索的3D高斯散射后训练压缩方法，通过联合重要性剪枝、八叉树几何编码等技术，实现34倍压缩并保持渲染质量，优于现有方法并精准满足目标存储预算。
Sensoformer：通过物理结构化随机化实现变量几何传感器集的鲁棒仿真到现实推理
机构 * Institute for Geophysics University of Texas at Austin（地质研究所德克萨斯大学奥斯汀分校）
AI总结 Sensoformer通过物理结构化随机化方法，解决稀疏传感器阵列在仿真到现实推理中的挑战，实现高维物理状态推断，并在地震源反演中展现优于MPNN和神经算子的性能。
对强化学习中合成数据的取证分析：诊断和解决基于模型的策略优化中的算法故障
机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Department of Aerospace Engineering and Engineering Mechanics（航空航天工程与工程力学系）
AI总结 本文研究了基于模型的策略优化中合成数据导致性能下降的原因，提出FTFL方法修复算法故障，提升DMC任务性能并保持Gym表现。
GraphWeave：通过随机游走轨迹实现可解释且鲁棒的图生成
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 GraphWeave通过分离模式生成与图构建，利用随机游走轨迹生成真实图，优于现有方法，尤其在大规模图结构上表现突出，且速度快。
Comments 18 pages, 4 figures. Accepted at ECML-PKDD 2025
迈向住宅建筑的基础热模型
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Eindhoven University of Technology（埃因霍温理工大学）
AI总结 本文提出一种融合物理知识的Transformer架构，用于构建通用住宅建筑热模型，通过模拟提取静态特征和旋转位置嵌入注意力机制，在不同气候区实现高精度预测和零样本迁移。
GameScope：一个多属性、多编码器的视频游戏质量评估基准数据集
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Colorado Boulder（科罗拉多大学博尔德分校）
AI总结 GameScope是首个多编码器、多属性的视频游戏质量评估数据集，包含4048个视频样本，涵盖H.264、H.265和AV1等主流编码，提供细粒度质量属性，评估了多个视频质量方法，包括超越所有基准的视觉语言模型。
最小化激活引导中的附带损害
机构 * Department of Electrical \& Computer Engineering, Rice University, Houston, USA ； Department of Computational ； Applied Mathematics, Rice University, Houston, USA ； Department of Electrical \& Computer Engineering, The University of Texas at Austin, Austin, USA
AI总结 本文提出了一种基于约束优化的框架，通过数学形式化附带损害并优化激活变化，以更精确地控制大语言模型行为，同时减少对无关任务性能的影响。
向流体力学中的多智能体自主推理迈进
机构 * Oden Institute（奥登研究所） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Notre Dame（北德克萨斯大学）
AI总结 本文提出一种多智能体系统，通过分层执行图协调专业智能体，解决单智能体在流体力学中的上下文饱和问题，实现高精度和可靠性。
少即是多：为物理约束的InSAR相位解包裹，简单胜于复杂
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； RediMinds Inc.（RediMinds公司） ； Western Kentucky University（韦伯斯特-肯特大学）
AI总结 本文挑战高复杂度计算机视觉架构在物理约束地物回归中的适用性，证明卷积局部性在平滑场回归中优于现代复杂度，提出简单物理约束的ML4RS方法。
Comments 9 pages, 5 figures, 2 tables. Oral presentation, ML4RS Workshop @ ICLR 2026
Quant VideoGen：通过2位KV缓存量化实现自回归长视频生成
机构 * University of California, Berkeley（加州大学伯克利分校） ； NVIDIA ； Massachusetts Institute of Technology（麻省理工学院） ； Amazon（亚马逊） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出Quant VideoGen，通过语义感知平滑和渐进残差量化技术，有效降低KV缓存内存消耗，提升长视频生成质量与效率。
Comments Accepted by ICML 2026. 11 pages, 7 figures
EntroLLM：基于熵编码的权重压缩用于边缘设备上高效的大语言模型推理
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Case Western Reserve University（凯斯西储大学）
AI总结 EntroLLM结合混合量化和熵编码技术，通过提升权重压缩率和编码效率，在边缘设备上实现高效的大语言模型推理，实验显示存储节省达30%-65%，推理速度提升31.9%-146.6%。
Comments 4 pages, 1 reference page
为什么LLMs在战略博弈中表现不佳？观察、信念和行动之间的断裂链接
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； EPFL（苏黎世联邦理工学院）
AI总结 本文探讨了LLMs在不完全信息博弈中决策失败的原因，揭示了观察-信念和信念-行动之间的两大内在缺陷，通过实验验证了LLMs在多步推理中的信念不稳定性及行动转换的不足。
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