高校专区
基于个人数据根本理解与演化的威胁景观的隐私风险预测
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种基于身份生态系统图的隐私风险预测框架，通过分析身份盗窃和欺诈案例，利用图神经网络预测个人数据泄露的可能性。
Comments 13 pages, 10 figures, 1 table
基于Wasserstein几何的近端策略梯度方法
机构 * Zhiyuan College, Shanghai Jiao Tong University, Shanghai 200240, China（上海交通大学紫阳学院） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen, Guangdong, China（香港中文大学（深圳）数据科学学院） ； McCombs School of Business, The University of Texas at Austin, Austin, TX, USA（德克萨斯大学奥斯汀分校麦克拉姆商学院）
AI总结 WPPG通过Wasserstein几何视角提出一种无需计算策略对数密度或梯度的策略梯度方法，实现连续动作空间下的高效强化学习
LLM-MLFFN: 通过大语言模型的多级自动驾驶行为特征融合
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） ； Systems Engineering Program, Cornell University（康奈尔大学系统工程项目） ； Department of Electrical and Computer Engineering, University of Michigan（密歇根大学电气与计算机工程系） ； 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） ； School of Architecture, The University of Texas at Austin（德克萨斯大学奥斯汀分校建筑学院）
AI总结 LLM-MLFFN通过大语言模型的多级特征融合提升自动驾驶行为分类的准确性和鲁棒性。
利用SEKF迁移动态系统神经网络模型以有限数据
机构 * McKetta Department of Chemical Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校化学工程麦凯特部门） ； Energy Institute, The University of Texas at Austin（德克萨斯大学奥斯汀分校能源研究所） ； Texas Materials Institute, The University of Texas at Austin（德克萨斯大学奥斯汀分校材料研究所） ； Institute for Computational Engineering and Sciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校计算工程与科学研究所）
AI总结 本文提出利用SEKF迁移动态系统神经网络模型，以有限数据适应新系统，实验表明其能有效捕捉动态并降低计算成本。
通过中间分布塑形微调扩散模型
机构 * Google DeepMind（谷歌DeepMind） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 通过中间分布塑形提升扩散模型微调效果，改进文本到图像生成质量
Comments Accepted at ICLR 2026
通过回归切片Wasserstein距离快速估计Wasserstein距离
机构 * Department of Statistics and Data Sciences University of Texas at Austin（统计与数据科学系得克萨斯大学奥斯汀分校）
AI总结 本文提出通过回归切片Wasserstein距离快速估计Wasserstein距离的方法，该方法在多种任务中表现出色，尤其在低数据情况下优于现有模型。
Comments Accepted to ICLR 2026, 34 pages, 30 figures, 6 tables
阐明意图以引导你的注意力：一种用于有意数字生活的AI助手
机构 * Yonsei University（延世大学） ； Computer Science, University of Texas at Austin（德克萨斯大学计算机科学系） ； School of Information, University of Texas at Austin（德克萨斯大学信息学院）
AI总结 本文提出了一种基于AI的助手，通过分析用户意图和行为偏差，帮助用户保持专注并使数字行为与意图一致。
Comments Accepted to CHI 2026. 29 pages. Added Related Work, Discussion, and Acknowledgments
生成是否需要记忆？利用环境扩散的创造性扩散模型
机构 * UT Austin（得克萨斯大学） ； Yale University（耶鲁大学） ； MIT（麻省理工学院）
AI总结 本文提出了一种利用高噪声尺度数据训练的扩散模型方法，有效减少记忆性的同时保持生成质量。
Comments 33 pages
超越8位：HDR-UGC视频的主观和客观质量评估
机构 * Laboratory for Image and Video Engineering (LIVE), UT Austin（图像与视频工程实验室（LIVE），得克萨斯大学奥斯汀分校） ； Google/YouTube（谷歌/YouTube）
AI总结 本文提出HDR-Q，首个针对HDR-UGC视频的多模态大语言模型，通过HDR感知编码器和HAPO框架实现超越8位的高质量视频评估。
UltraViCo: 突破视频扩散变换器的 extrapolation 限制
机构 * Dept. of Comp. Sci. & Tech., BNRist Center, THU-Bosch ML Center, Tsinghua University（清华大学计算机科学与技术系，BNRist中心，THU-Bosch机器学习中心，清华大学） ； ShengShu（盛书） ； Gaoling School of Artificial Intelligence, Renmin University of China（北京理工大学人工智能学院，中国人民大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Princeton University（普林斯顿大学）
AI总结 UltraViCo通过抑制超出训练窗口的token注意力，突破视频扩散变换器的extrapolation限制，提升泛化能力和性能。
Comments ICLR2026. Project page: https://thu-ml.github.io/UltraViCo.github.io/
OBsmith: 基于大语言模型的JavaScript混淆器测试
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 OBsmith利用大语言模型系统测试JavaScript混淆器，发现11个正确性错误，凸显其在混淆诱导误操作方面的有效性。
Comments Accepted, to appear in OOPSLA 2026
Journal ref Proc. ACM Program. Lang. 10, OOPSLA1, Article 96 (April 2026), 30 pages
大规模多模态基础模型：一种捕捉交互的专用专家混合框架
机构 * Johns Hopkins University（约翰霍普金斯大学） ； 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 本文提出了一种大规模多模态基础模型框架，通过量化模态间的时间依赖性，改进混合专家路由机制，提升跨模态交互处理能力。
Comments Published at International Conference on Learning Representations (ICLR) 2026 as a conference paper. 28 pages, 16 figures, 10 tables
校准带有自生成干扰项的置信度
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本研究提出DINCO方法，通过自生成干扰项和归一化置信度校准，提升大型语言模型的置信度估计准确性。
Comments ICLR 2026. Code: https://github.com/victorwang37/dinco
CASCADE：谷歌的LLM驱动JavaScript去混淆工具
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Google（谷歌）
AI总结 CASCADE是一种结合Gemini和JSIR的新型JavaScript去混淆工具，通过识别关键函数和转换代码以恢复原始语义，提升去混淆效率并减少逆向工程工作量。
Comments To appear in 2026 IEEE/ACM 48th International Conference on Software Engineering (ICSE-SEIP '26)
SounDiT：基于地理情境的声音景观到景观生成
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Tennessee, Knoxville（田纳西大学基洛纳分校） ； University of South Carolina（南卡罗来纳大学） ； Arizona State University（亚利桑那州立大学） ； University of Canterbury（坎特伯雷大学） ； Texas A&M University（德克萨斯A&M大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 SounDiT通过结合环境声音景观和地理情境条件，生成地理上一致的景观图像，并引入Place Similarity Score评估生成一致性。
Comments 12 pages, 4 figures
基于属性的大规模GNN表达性评估：数据集、框架与研究
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Virginia（弗吉尼亚大学）
AI总结 本文提出了一种基于属性的GNN表达性评估方法，通过生成大规模数据集和评估框架，研究了不同池化方法对GNN表达性的影响，揭示了不同方法在通用性、敏感性和鲁棒性上的权衡。
自适应组合实验设计：决策与推断的帕累托最优性
机构 * University of Science and Technology of China（中国科学技术大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Arizona State University（亚利桑那州立大学）
AI总结 本文提出 MixCombKL 和 MixCombUCB 算法，通过帕累托最优性在组合多臂老虎机中实现 regret 最小化与统计功效的平衡。
Comments 30 pages, 3 figure, AISTATS 2026 accepted paper
用低维维度的多项式 sandwiching 几何概念
机构 * UT Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种新的方法，通过构造低次sandwiching多项式，为低维函数类和边际分布提供了显著改进的次数界，特别是在高斯分布下，对k个半空间函数的多项式次数达到了poly(k)的改进。
Comments 30 pages
基于等变神经网络的结构张量雷诺平均纳维-斯托克斯湍流模型
机构 * Computational Science and Engineering Laboratory, Harvard University（哈佛大学计算科学与工程实验室） ； Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校计算工程与科学研究所） ； Walker Department of Mechanical Engineering, The 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 本文提出利用等变神经网络改进结构张量模型，以提高RANS模型中快速压力-应变项的准确性，并验证Kassinos等人的假设。
混合发起对话用于人机协作操作
机构 * UT Austin（得克萨斯大学） ； OpenAI ； NYU（纽约大学） ； University of Edinburgh（爱丁堡大学）
AI总结 MICoBot通过混合发起对话范式提升人机协作任务的成功率和用户体验。
Comments Project website at https://robin-lab.cs.utexas.edu/MicoBot/
LE-NeuS: 通过自适应时间验证实现低延迟的神经符号视频理解
机构 * Case Western Reserve University（凯斯西储大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 LE-NeuS通过自适应时间验证优化，实现低延迟的神经符号视频理解，在保持高准确率的同时大幅减少推理延迟。
Comments Under review
法国或西班牙或德国或法国：对非冗余冗余析取的神经账户
机构 * Department of Linguistics The University of Texas at Austin（语言学系德克萨斯大学奥斯汀分校）
AI总结 本文通过神经机制解释了非冗余冗余析取现象，揭示了上下文敏感语义解释的机制，并补充了现有符号分析。
Comments 7 pages, 6 figures
评估深度研究代理中的随机性
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出通过结构化输出和基于集的查询生成策略，减少深度研究代理中的随机性以提高研究输出质量。
PoSh：利用场景图引导LLM-as-a-Judge进行详细图像描述
机构 * Columbia University（哥伦比亚大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； The National Gallery of Art（国家艺术馆） ； UCLA（加州大学洛杉矶分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 PoSh通过利用场景图引导LLM-as-a-Judge，提供了一种更准确的详细图像描述评估方法，并展示了其在新数据集DOCENT中的优越表现。
Comments Accepted at ICLR 2026. 26 pages, 9 figures. Metric/benchmark available at https://github.com/amith-ananthram/posh
无偏切片Wasserstein核用于高质量音频描述生成
机构 * Monash University（墨尔本大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出无偏切片Wasserstein核，通过保留模态间时间信息，提升音频描述质量及推理能力。
Journal ref Manh Luong. (2025). Unbiased Sliced Wasserstein Kernels for High-Quality Audio Captioning. In Advances in Neural Information Processing Systems 38 (NeurIPS 2025)
LoR-LUT: 通过低秩残差学习紧凑的3D查找表
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Austin, TX, USA（美国德克萨斯州奥斯汀）
AI总结 LoR-LUT通过低秩残差学习紧凑3D查找表，提升图像感知质量并实现高效可解释的图像增强与风格迁移。
交错头部注意力
机构 * Meta ； UT Austin（德克萨斯大学） ； UC Berkeley（伯克利大学） ； Harvard University（哈佛大学） ； MIT（麻省理工学院）
AI总结 交错头部注意力通过构造伪头实现跨头混合，提升多步推理效率，在多项式任务和顺序敏感任务中参数效率提高，实测在RULER和OpenThoughts上取得显著提升。
HEART：一个评估人类和大语言模型在情感支持对话中能力的统一基准
机构 * Stanford University（斯坦福大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 HEART通过多轮情感支持对话评估人类与大语言模型的能力差异，揭示两者在共情、一致性等维度上的表现及趋同趋势。
MoMaGen: 为多步双臂移动操作生成演示数据以满足软约束和硬约束
机构 * Stanford University（斯坦福大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Amazon（亚马逊公司）
AI总结 MoMaGen通过解决双臂移动操作中的可达性和可见性问题，生成多样化数据集以提升模仿学习策略的训练效果。
Comments Project website: momagen.github.io. The first four authors contribute equally. Accpeted to International Conference on Learning Representations (ICLR 2026)
一个非常大的视频推理套件
机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。
Comments Homepage: https://video-reason.com/
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