高校专区
深度集成无额外开销：动态稀疏性对训练和测试的全方位祝福
机构 * Eindhoven University of Technology（埃因霍温理工大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Twente（特文特大学）
AI总结 FreeTickets通过动态稀疏训练实现高效集成，以更低的计算成本提升预测精度和鲁棒性。
Comments published in International Conference on Learning Representations (ICLR 2022)
Journal ref Proceedings of the International Conference on Machine Learning (ICLR 2022)
通过专家异质性改进受污染的混合多项逻辑专家的最小最大估计速率
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文通过分析受污染的混合多项逻辑专家模型，揭示专家异质性在提升参数估计速率和样本效率方面的优势。
Comments Fanqi Yan, Dung Le contributed equally to this work. 41 pages, 3 figures, 1 table
数据分布作为引导优化器实现LLM超一般化的杠杆
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 通过调整训练数据分布降低简单性偏见，提升大型语言模型的泛化能力，实验表明在数学推理任务中性能提升达18%。
通过引导对抗自博弈学习鲁棒推理
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Honda Research Institute USA（本田美国研究院）
AI总结 GASP通过引导对抗自博弈方法提升推理模型的鲁棒性，使其在面对误导和扰动上下文时保持稳定并提高准确度。
维度红利在LLM微调中的作用：一种方差-曲率视角
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Cognizant AI Lab（Cognizant AI实验室） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文从方差-曲率视角探讨LLM微调中的维度红利，揭示微调景观的低维曲率特性，表明小种群可有效优化高维微调任务。
Comments 8 pages, 6 figures, plus appendices
视觉情感分析：利用视觉-语言模型预测图像观看者的感受
机构 * Faculty of Mathematics and Computer Science, Adam Mickiewicz University（数学与计算机科学学院，亚当·密茨凯维奇大学） ； Faculty of Computer Science and Information Technology, Universiti Malaya（计算机科学与信息技术学院，马来亚大学） ； Department of Computer Science and Engineering, Korea University（计算机科学与工程系，韩国大学） ； Department of Psychology, University of Texas at Austin（心理学系，德克萨斯大学奥斯汀分校） ； Cognitive Neuroscience Center, Adam Mickiewicz University（认知神经科学中心，亚当·密茨凯维奇大学）
AI总结 本文研究了视觉-语言模型在预测图像观众情感方面的性能，发现其在离散情绪分类上表现良好，但在连续评分预测中存在偏差，揭示了其在情感计算中的潜力与局限。
CARE-RFT：基于置信度的强化微调用于大语言模型中的可靠推理
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 CARE-RFT通过引入置信度锚定的正则化方法，在保持大语言模型推理能力的同时提升其可信度和校准性能。
ARCAS：一种基于SLAM跟踪的增强现实避障系统，用于提升VRU安全
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 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 ARCAS通过融合激光雷达与SLAM跟踪，为行人提供实时AR避障，显著提升城市出行安全。
Comments 8 pages, 3 figures, 1 table, accepted for IEEE Intelligent Vehicles (IV) Symposium 2026
统一代理交互与世界信息以实现多代理协调
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sungkyunkwan University（松云大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出交互-世界潜在空间框架，通过建模通信协议实现多代理协调，提升团队协作效率与鲁棒性。
Comments 2025 NeurIPS ARLET Workshop Oral presentation (https://arlet-workshop.github.io/neurips2025/schedule)
自适应屏蔽：在隐藏参数动态偏移下安全强化学习的框架
机构 * The University of Virginia（弗吉尼亚大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出自适应屏蔽框架，通过在线推断动态并结合安全正则化与不确定性感知界限，实现安全强化学习在隐藏参数偏移下的有效性和可靠性。
Comments Preprint, update equation for SRO to handle continuous action spaces
通过流匹配实现多智能体协调
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sungkyunkwan University（松均大学）
AI总结 MAC-Flow通过流匹配方法实现多智能体协调，平衡了性能与计算效率，显著提升推理速度的同时保持良好表现。
Comments ICLR 2026
参数空间中的梯度流等价于输出空间中的线性插值
机构 * Department of Mathematics, University of Texas at Austin, Austin TX 78712, USA（德克萨斯大学奥斯汀分校数学系）
AI总结 本文证明参数空间中的梯度流等价于输出空间中的线性插值，并为$L^{2}$和交叉熵损失分别推导了全局最小值的条件和公式。
Comments To appear in Journal of Geometry and Physics
Journal ref J. Geom. Phys., 222, Article No. 105765 (2026)
测试时锚定用于离散扩散后验采样
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 本研究提出锚定后验采样方法，通过量化期望和锚定重掩码实现离散扩散模型在后验采样中的高效和精确采样，提升图像生成和文本引导编辑的性能。
Comments Preprint
物流领域的基础模型：迈向可验证、对话式规划界面
机构 * Neurosymbolic Intelligence（神经符号智能） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Colorado Boulder（科罗拉多大学波德分校）
AI总结 本文提出了一种基于神经符号框架的视觉-语言物流代理，通过自然语言对话和可验证保证实现可信赖的物流规划决策，模型在少量训练样本下实现了高效且准确的物流规划性能。
在动态不确定性下的一般信息收集
机构 * 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 本文提出了一种统一框架，用于在动态不确定性下一般化信息收集，通过解耦动态模型、信念更新等选择与信息收集成本，提供理论依据和实验验证。
SFT并不总是损害通用能力：重新审视LLM中的领域特定微调
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University at Buffalo（布法罗大学） ； Northeastern University（东北大学）
AI总结 本文研究了SFT对LLM通用能力的影响，发现较小学习率可缓解性能下降，提出TALR方法在平衡领域特定性能与通用能力方面表现优异。
Comments Accepted by ICLR 2026
通过高斯混合模型理解自监督学习
机构 * UT Austin（得克萨斯大学）
AI总结 本文通过高斯混合模型分析自监督学习，证明对比学习能有效找到最优低维子空间，优于传统谱技术，并验证了多模态对比学习的理论结果。
拼凑心灵的拼图：迈向EEG语义意图解码
机构 * Zhejiang University（浙江大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences（中国科学院上海微系统与信息工程研究所） ； Guangdong-Hong Kong-Macao Greater Bay Area Center for Brain Science and Brain-Inspired Intelligence, Southern Medical University（粤港澳大湾区脑科学与脑启发智能中心，南方医科大学） ； INSIDE Institute for NeuroAI（神经AI研究所）
AI总结 本文提出SID框架和BrainMosaic模型，通过语义组合和深度学习实现EEG信号的自然语言解码，提升脑机接口的可解释性和表达能力。
一种基于学习的3D光电声成像中空间脉冲响应补偿框架
机构 * Department of Electrical and Computer Engineering, University of Illinois Urbana–Champaign（电气与计算机工程系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Bioengineering, University of Illinois Urbana–Champaign（生物工程系，伊利诺伊大学厄巴纳-香槟分校） ； TomoWave Laboratories, Inc.（TomoWave实验室，Inc.） ； Department of Biomedical Engineering, The University of Texas at Austin（生物医学工程系，德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种基于学习的3D光电声成像中空间脉冲响应补偿框架，通过数据域中的学习方法提升图像重建的分辨率和鲁棒性。
Comments Submitted to IEEE TMI
博弈论自动驾驶：基于凸集图的方法
机构 * ETH Zurich（苏黎世联邦理工学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出基于凸集图的迭代最佳响应方法，用于多车辆自动驾驶中的战略互动与轨迹规划，通过高效凸松弛实现安全且一致的交互行为。
Comments 16 pages for content, 2 pages for references, 2 pages for notation
战略对话评估：通往无罪的曲折之路
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SDA框架，通过分析对话中的战略性使用，评估LLM在处理战略语言时的不足，揭示模型在语用理解上的局限性。
Comments 53 pages. Title changed. Accepted by Dialogue and Discourse 17(1)
图像胜过言语吗？探讨文本误导在VLMs中的影响
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Pennsylvania State University（宾夕法尼亚州立大学） ； New York University（纽约大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； AG2ai, Inc.（AG2ai公司）
AI总结 研究探讨了文本误导对视觉-语言模型（VLMs）的影响，发现模型易受误导性文本提示影响，导致性能显著下降。
Comments 24 pages, 10 figures. Accepted at EACL 2026 (main conference)
MV-S2V：多视图主体一致视频生成
机构 * The Hong Kong Polytechnic University（香港理工大学） ； The University of Texas at Austin（德克萨斯大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出MV-S2V方法，通过多视角参考生成一致的3D主体视频，解决单视角限制并提升视频生成质量。
Comments 13 pages, 9 figures
基于阻尼特性的人工神经网络：用于车辆状态估计的贝叶斯物理信息神经网络
机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University, Shanghai 200240, China（上海交通大学自动化与智能感知学院） ； 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） ； 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） ； Key Laboratory of Road and Traffic Engineering of Ministry of Education, Tongji University（同济大学交通工程教育部长三角交通工程重点实验室） ； School of Architecture, The University of Texas at Austin（德克萨斯大学奥斯汀分校建筑系）
AI总结 本文提出基于阻尼特性的贝叶斯物理信息神经网络，用于提高车辆动态车轮载荷估计的精度和鲁棒性。
Comments 8 pages, 8 figures, 3 tables, accepted for IEEE Intelligent Vehicles (IV) Symposium 2026
ReVision：一个用于隐私保护任务导向视觉指令重写的数据集和基线VLM
机构 * School of Information（信息学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Department of Statistics and Data Science（统计与数据科学系） ； Yale University（耶鲁大学） ； School of Computing and Augmented Intelligence（计算与增强智能学院）
AI总结 ReVision提出一个数据集和基线VLM，通过将多模态指令转换为纯文本命令，实现轻量级设备端指令重写，提升隐私保护的多模态AI应用能力。
Comments In Proceedings of the IJCNLP-AACL 2025
ViSIL：多模态视频描述信息损失的统一评估
机构 * The University of Texas at Austin, Texas, USA（德克萨斯大学奥斯汀分校）
AI总结 ViSIL通过信息论框架量化多模态视频摘要的信息损失，实现跨格式的统一评估，并在VQA任务中提升准确率7%。
ExPO: 通过自我解释引导的强化学习解锁复杂推理
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 ExPO通过自我解释引导强化学习，提升模型在复杂推理任务中的学习效率和性能。
Comments Accepted to NeurIPS 2025 (Poster). Code available at https://github.com/HumainLab/ExPO_rl_reasoning_by_explanation
熊、所有熊，以及一些熊。语言模型归纳推理中的语言约束
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 该研究探讨了视觉语言模型在区分不同归纳推理类型时的语言约束，通过实验发现模型与人类在行为上具有一致性，差异源于归纳约束而非表层形式。
针对过参数化深度ReLU网络的架构无关泛化界
机构 * Department of Mathematics, University of Texas at Austin, USA（德克萨斯大学奥斯汀分校数学系）
AI总结 本文提出了一种针对过参数化深度ReLU网络的架构无关泛化界，通过显式构造零损失最小化器并验证统一泛化界，实验显示与真实测试误差的误差在22%以内。
Comments AMS Latex, 19 pages
基于临床相关合成数据集的深度学习图像重建方法在光声计算断层成像中的基准测试
机构 * Department of Bioengineering, University of Illinois Urbana-Champaign（生物工程系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Electrical and Computer Engineering, University of Illinois Urbana-Champaign（电气与计算机工程系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Biomedical Engineering, The University of Texas at Austin（生物医学工程系，德克萨斯大学奥斯汀分校） ； Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin（奥登计算工程与科学研究所，德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种基于临床相关合成数据集的基准测试框架，用于评估深度学习在光声计算断层成像中的图像重建方法，揭示传统度量标准的不足并推动方法优化。
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