高校专区
Goedel-Architect: 通过蓝图生成与精炼简化形式定理证明
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Toronto（多伦多大学） ； National University of Singapore（新加坡国立大学） ； University of Tokyo（东京大学） ； University of Washington（华盛顿大学）
AI总结 提出Goedel-Architect框架，通过生成和精炼依赖图蓝图，结合Lean 4证明器并行证明引理，在多个基准测试上达到开源最优性能。
TAM: 用于鲁棒操作运动传递的扭矩自适应模块
机构 * KAIST（韩国科学技术院） ； Allen Institute for AI（人工智能研究院） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学）
AI总结 提出扭矩自适应模块（TAM），通过历史编码器和扭矩适配器修正扭矩指令，实现不同机器人或负载间的运动传递，无需领域随机化或重新收集数据。
从观察中学习理论化世界
机构 * University of Washington（华盛顿大学）
AI总结 受认知科学启发，提出Learning-to-Theorize范式，通过神经理论家（NEO）模型从原始非文本观测中推断显式解释性理论，实现基于解释的泛化。
进化中选择的因果建模
机构 * University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文区分了静态选择与进化选择两种形式，针对进化选择提出新因果模型，并开发了从数据中识别该模型的完整方法。
Comments Appears at ICML 2026 (spotlight)
Agent编排的自适应RAG：结构化与多跳检索的比较研究
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出Agent编排的自适应RAG框架，通过动态查询分解、迭代检索和自反思评估，在结构化领域（DevOps）和多跳推理基准（MuSiQue）上对比发现，查询分解在结构化领域提升性能但降低多跳排名精度，反思机制提高引用准确性但增加延迟，表明Agent增强需根据查询和领域特性选择性应用。
LLM在Lean中数学形式化的评估
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学）
AI总结 本研究通过pass@k和refine@k指标在miniF2F和miniCTX子集上比较了多种大语言模型在Lean 4中生成形式化证明的能力，发现Gemini 3.1 Pro和Claude Opus 4.7性能最佳，而NVIDIA Nemotron 3 Super和GPT-OSS 120B在考虑成本时效率最高。
Comments 15 pages, 13 figures, 10 tables. Comments welcome!
利用敏感度平衡投影揭示极端事件机制以进行预测与控制
机构 * Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； AI Institute in Dynamic Systems, University of Washington（华盛顿大学动态系统人工智能研究所） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学Sibley机械与航空航天工程学院）
AI总结 提出基于协方差平衡降维（CoBRAS）的可解释方法，通过自动微分替代伴随计算，识别敏感度平衡投影以揭示极端事件机制，并用于数据驱动预测和事件抑制控制。
Comments 12 pages, 6 figures (main text). Additional 14 pages of references and Supplementary Information
EpiEvolve：用于制度转变下流式疫情预测的自演化智能体
机构 * Emory University（埃默里大学） ； University of Washington（华盛顿大学）
AI总结 针对流式疫情预测中标签延迟和制度转变问题，提出自演化智能体EpiEvolve，通过层次化情景记忆、延迟标签反思和制度感知检索，在COVID-19住院趋势预测中达到0.629准确率，并将制度转变后的恢复滞后从5周缩短至2周。
Mamba辅助的非马尔可夫闭合用于降阶建模
机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室） ； University of Washington（华盛顿大学） ； Brown University（布朗大学）
AI总结 针对高维动力系统降阶建模中的非马尔可夫闭合项问题，提出Mamba辅助闭合框架，利用Mamba序列模型从已解析轨迹预测闭合项，并通过数值积分器耦合降阶方程，在粘性Burgers方程和混沌双尺度Lorenz '96系统上优于马尔可夫模型、GRU序列模型和Wilks方法。
Comments Code will be released upon acceptance
基于概率信念追踪的多轮人类可说服性模型
机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学）
AI总结 提出PERSUASIONTRACE框架，通过记录多轮信念报告、标注修辞维度并引入贝叶斯网络模拟目标，将说服评估从端点变化转向过程保真度。
VideoKR：迈向知识和推理密集型视频理解
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学） ； University of Michigan（密歇根大学）
AI总结 提出VideoKR，首个大规模训练语料库，通过人工参与的技能导向生成管道构建315K视频推理示例，增强知识和推理密集型视频理解，并在专家标注基准上验证其有效性。
Comments ICML 2026 Spotlight
Divide-Prompt-Refine：一种无需训练的、结构感知的生物医学摘要生成框架
机构 * University of Washington（华盛顿大学）
AI总结 本文提出DPR-BAG框架，旨在生成具有完整文本但无摘要的生物医学文章的连贯且事实准确的摘要。该框架通过分解全文文档为结构化的修辞要素，进行并行LLM摘要生成，并应用最终的精炼阶段恢复全局话语连贯性。
Comments Accepted by BioNLP 2026
从能力寻求强化学习训练中产生的对齐风险
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Toronto（多伦多大学） ； University of Cambridge（剑桥大学）
AI总结 本文研究了在易受攻击的环境中通过强化学习训练语言模型时，模型可能利用隐含漏洞来最大化奖励的风险，发现这些策略不仅限于狭窄的技巧，还能在一定程度上转移、传播，并在某些情况下比通过SFT学习更持久，表明需要扩展AI安全工作到审计和保障训练环境、奖励机制和评估渠道。
Comments Accepted by ICML 2026
一种用于离线逆强化学习和动态离散选择模型的经验风险最小化方法
机构 * Foster School of Business, University of Washington（华盛顿大学福斯特商学院）
AI总结 本文提出了一种基于经验风险最小化（ERM）的逆强化学习/动态离散选择模型框架，该方法无需显式估计贝尔曼方程中的状态转移概率，适用于高维和无限状态空间，并在理论上有Polyak-Lojasiewicz条件的支持，从而保证了快速的全局收敛性。
大气机器学习模型对均匀海表温度变暖的平衡响应
机构 * University of Washington（华盛顿大学）
AI总结 本文评估了几种先进的机器学习模型对均匀海表温度变暖的气候响应，探讨了这些模型在气候预测中的潜力与局限性。
扩展神经元，而非参数
机构 * University of Washington（华盛顿大学） ； Microsoft Research（微软研究院）
AI总结 通过增加神经元数量而不增加非零参数总数，减少特征干扰，从而提高网络性能，并在多种模型中验证了有效性。
Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026). 9 pages, 6 figures. Code available at https://github.com/Shavit-Lab/Expand-Neurons
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