高校专区
PTL-Diffusion: 具有周期终端定律的流形感知扩散
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Harvard University（哈佛大学） ； MIT（麻省理工学院） ； University of Washington（华盛顿大学）
AI总结 提出PTL-Diffusion，通过将前向噪声过程收敛到周期高斯终端族而非单一分布，显式嵌入相位结构，改善低维流形上的分布匹配，在点云和人脸数据集上降低误差。
低资源神经机器翻译的数据合成与参数高效微调：以Q'eqchi'玛雅语为例
机构 * University of Houston（休斯顿大学） ； MasterWord Services, Inc.（MasterWord Services公司） ； University of Washington（华盛顿大学）
AI总结 针对低资源土著语言，提出数据合成方法（利用社区词典生成合成语料）结合LoRA参数高效微调，在Q'eqchi'玛雅语上实现高结构习得（BLEU 42.02），但存在结构-语义差距，需结合真实数据进行课程学习。
Comments Accepted to the 29th International Conference on Text, Speech and Dialogue (TSD 2026). This version of the contribution has been accepted for publication, after peer review but is not the Version of Record and does not reflect post-acceptance improvements, or any corrections
差异感知的模仿学习检索策略
机构 * Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院） ； Toyota Research Institute（丰田研究所） ； Google DeepMind（谷歌DeepMind） ； Mila
AI总结 提出DARP，一种半参数检索式模仿学习方法，通过基于k近邻的局部邻域结构重参数化，解决行为克隆的分布外泛化问题，在连续控制和机器人操作任务中性能提升15-46%。
Comments 12 pages, 7 figures, 3 tables. Accepted to ICLR 2026. Code and demos available at https://weirdlabuw.github.io/darp-site/
去中心化SGD中拓扑依赖性的改进收敛分析
机构 * University of Washington（华盛顿大学）
AI总结 提出更紧的收敛分析，揭示混合矩阵所有特征值影响收敛速率，并通过实验验证比仅用谱间隙的分析更准确。
Comments ICML 2026
稀疏记忆微调：作为LoRA和全微调的低遗忘替代方案
机构 * University of Washington（华盛顿大学）
AI总结 提出稀疏记忆微调（SMF），通过添加键值记忆层并仅更新当前批次最活跃的记忆行，在MedMCQA任务上提升2.5个百分点，同时将遗忘探针（WikiText困惑度和TriviaQA准确率）控制在基线的1个百分点内，优于LoRA和全微调。
基于多序列影像的脊柱MRI报告生成多智能体系统
机构 * University of Washington（华盛顿大学） ； Peking University（北京大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； New York University（纽约大学） ； University of Washington Medical Center（华盛顿大学医学中心）
AI总结 提出SpineAgent多智能体框架，利用多序列基础模型整合T1/T2等序列信息，实现脊柱MRI报告生成、病理定位和图文检索，在跨厂商和跨队列评估中表现优异。
神经交互发现何时是真实的？可辨识性、可恢复性与拟合前诊断
机构 * University of Washington（华盛顿大学）
AI总结 研究神经时间序列模型中交互发现的真实性问题，提出基于输入支持几何的可辨识性理论，并给出有效秩作为拟合前诊断工具。
Comments 11 pages, 3 figures
STAR-KV：通过软阈值实现自适应秩控制的低秩KV缓存压缩
机构 * University of Washington（华盛顿大学）
AI总结 提出STAR-KV框架，通过可微阈值机制实现注意力头和块级别的自适应秩选择，结合混合分解和低秩感知混合精度量化，在多种LLM上达到75%的KV缓存压缩，结合量化可减少20倍，并实现6.9倍注意力模块加速和3.1倍端到端生成吞吐提升。
SoK: 合成表格数据的重建攻击（来自赢得NIST CRC的见解）
机构 * School of Engineering and Technology, University of Washington Tacoma（华盛顿大学塔科姆分校工程与技术学院） ； Department of Mathematics, Computer Science, and Statistics, Ghent University（根特大学数学、计算机科学与统计学系）
AI总结 本文系统化了针对去标识化和合成表格数据的重建攻击，提出分类法、最全面的实证评估和新攻击，并引入解释攻击成功的方法论，发现合成数据生成方法比攻击选择更影响风险，差分隐私仅在低预算下有效。
中立性的代价：AI生成的动物故事中的性别表征
机构 * University of Washington（华盛顿大学）
AI总结 研究六种主流LLM在生成动物故事时的性别分配，发现模型常避免指定性别或使用中性语言，但一旦指定则显著偏向男性，女性角色几乎缺席，表明中立策略可能导致边缘视角的抹除。
Comments FAccT(ACM Conference on Fairness, Accountability, and Transparency) 2026
多智能体交互中的表征相似性与模型行为
机构 * University of Washington（华盛顿大学）
AI总结 研究LLM对间的表征相似性对合作与创新的影响，发现高相似性促进合作但降低新颖性，且早期层相似性关联最强。
Comments ICML 2026
模块化AI系统中的参与扩展
机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 提出参与扩展范式，通过多方贡献小模型构建模块化AI系统，在15项任务上比单体大语言模型提升高达15.4%，并展现涌现能力。
scCBGM：可解释的单细胞反事实编辑
机构 * University of Copenhagen（哥本哈根大学） ； University of Cambridge（剑桥大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Tokyo（东京大学） ； University of Washington（华盛顿大学） ； University of Oxford（牛津大学）
AI总结 提出scCBGM框架，通过概念瓶颈架构和解耦惩罚实现单细胞反事实编辑，在组合泛化和反事实预测上表现优异。
Comments Accepted to ICML 2026; code at https://github.com/almaan/scCBGM
需求模型是否应包含竞争对手价格？无知学习与算法合谋
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 研究在竞争市场中，定价算法是否应显式建模竞争对手价格，通过对比无知与知情学习策略，发现知情策略是纳什均衡且价格收敛至竞争结果，而合谋模式不稳健。
Comments Preliminary version "Oblivious Learning, Price Exploration and Collusive Dynamics" accepted at EC 2026
扩散模型何时学会生成多个物体？
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学）
AI总结 研究探讨了扩散模型在多物体生成中的局限性，发现场景复杂度比概念不平衡更关键，且低数据条件下计数任务更难学习。
Comments ICML2026
AI生成受欢迎但模板化的共情回应
机构 * Department of Psychology, The University of Texas at Austin（心理学系，德克萨斯大学奥斯汀分校） ； Department of Linguistics, The University of Texas at Austin（语言学系，德克萨斯大学奥斯汀分校） ； Department of Computer Science and Engineering, The University of Washington（计算机科学与工程系，华盛顿大学） ； Microsoft Research（微软研究院） ； Toyota Research Institute（丰田研究院）
AI总结 研究发现LLM生成的共情回应高度模板化，采用10种共情语言策略，覆盖81-92%的回应内容，而人类写作则更多样。
基于可学习顺序动态的插入式序列生成
机构 * University of Washington（华盛顿大学） ； Google Research（谷歌研究院）
AI总结 提出LoFlexMDM，一种具有可学习顺序动态的插入式掩码扩散模型，通过学习数据依赖的插入和解掩码速率，在分子生成任务上提升样本质量。
Comments Some updated results. Accepted at ICML 2026. Code and checkpoints available at https://github.com/dhruvdcoder/LoFlexMDM
通过任务复杂度操作化浅层对齐假设
机构 * University of Maryland（马里兰大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Edinburgh（爱丁堡大学）
AI总结 提出任务复杂度指标（达到目标性能的最短程序长度）来量化浅层对齐假设，实验表明预训练大幅降低任务复杂度，而微调可将复杂度降低数个数量级。
Comments ICML 2026
RLVE: 利用自适应可验证环境扩展语言模型的强化学习
机构 * University of Washington（华盛顿大学）
AI总结 提出RLVE方法，通过程序化生成问题并提供可验证奖励的可验证环境，自适应调整难度以扩展语言模型的强化学习，在400个环境中联合训练使六个推理基准平均提升3.37%。
Comments ICML 2026
RECON：基于压缩的推理用于高效检索增强生成
机构 * University of Utah（犹他大学） ； University of Washington（华盛顿大学） ； George Washington University（乔治·华盛顿大学） ； University of Virginia（弗吉尼亚大学） ； Shandong University（山东大学） ； Ludwig Maximilian University of Munich（慕尼黑路德维希-马克西米利安大学） ； University of Notre Dame（诺特丹大学）
AI总结 提出RECON框架，在强化学习搜索代理的多轮推理中插入观察压缩器，通过两阶段课程训练实现上下文压缩，提升训练和推理效率并增强问答性能。
Comments Techinical report
语言裙带关系：多语言RAG中为语言偏好牺牲质量
机构 * University of Washington（华盛顿大学）
AI总结 研究多语言RAG系统中模型对英语源文档的偏好，发现模型会牺牲文档相关性以迎合语言偏好，尤其在低资源语言中更明显。
Comments ICML 2026 Spotlight
从语言反馈中学习的形式化与可证明保证
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 Toronto（多伦多大学）
AI总结 本文形式化语言反馈学习问题，提出转移埃尔泽维度刻画学习难度，并开发无遗憾算法HELiX，证明其性能保证，展示丰富语言反馈可指数级加速学习。
Comments ICML 2026
BlendServe: 利用资源感知批处理优化自回归大模型的离线推理
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, Davis（加州大学戴维斯分校） ； Rice University（里士满大学）
AI总结 针对离线批处理中资源重叠与前缀共享的冲突，提出资源感知前缀树来最大化资源利用率，相比vLLM和SGLang吞吐量提升1.44倍。
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