高校专区
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
AutoLab：前沿模型能否解决长周期自动研究与工程任务？
机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） ； University of Tokyo（东京大学）
AI总结 本文提出AutoLab基准，通过36个专家策划的长周期闭环优化任务评估前沿模型，发现持续迭代和利用经验反馈比初始尝试质量更重要。
Comments Code: https://github.com/autolabhq/autolab ; Website: https://autolab.moe/
隐形彩票：微妙线索如何引导LLM代码生成中的算法选择
机构 * University of Washington（华盛顿大学） ； Google Research（谷歌研究院）
AI总结 通过大量控制实验，发现提示中的偶然线索（如上下文词或元数据）会系统性地改变LLM在代码生成中选择的算法族分布，影响性能、安全性和可维护性，而直接命名算法是最可靠的缓解措施。
想象感知标记增强多模态语言模型的空间推理能力
机构 * University of Washington（华盛顿大学） ； Allen Institute for AI（Allen人工智能研究所） ； Microsoft（微软） ； OpenAI（开放人工智能研究院）
AI总结 提出想象感知标记（IPT）作为中间感知表征，通过监督学习提升多模态语言模型在不可见视角推理、遮挡路径追踪等空间推理任务上的性能，在三个新构建的数据集上优于文本思维链训练。
DiScoFormer: 基于Transformer的即插即用密度与得分估计
机构 * Department of Mathematics, University of Washington, Seattle, USA ； Math AI Lab, University of Washington, Seattle, USA ； Allen Institute for Artificial Intelligence, Seattle, USA ； Paul G.\ Allen School of Computer Science \& Engineering, University of Washington, Seattle, USA
AI总结 提出DiScoFormer，一种可一次训练、任意推理的等变Transformer，通过自注意力机制实现跨分布和样本规模的密度与得分估计，证明其泛化核密度估计并优于KDE。
Comments Accepted in ICML 2026 (oral)
TrajTok: 学习轨迹令牌以实现更好的视频理解
机构 * University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院） ； Apple（苹果公司） ； Woven by Toyota, Inc（丰田纺织公司）
AI总结 提出TrajTok，一种端到端视频令牌化模块，通过隐式时空聚类生成对象轨迹令牌，提升视频理解效率与性能。
Comments CVPR 2026
策展合成数据不会崩溃：具有多元偏好的生成式再训练的理论研究
机构 * University of Washington（华盛顿大学）
AI总结 通过理论分析证明，基于多个奖励函数进行策展的递归训练可以避免生成模型崩溃，并收敛到满足加权纳什议价解的稳定分布。
Comments Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026
固定预算在最佳臂识别中不比固定置信度难（对数因子范围内）
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 Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出元算法FC2FB，将固定置信度算法转化为固定预算算法，证明固定预算的样本复杂度在log因子内不高于固定置信度。
Journal ref International Conference on Machine Learning (ICML'26), Seoul, Korea, 2026
GIFT：游戏作为通用型LLM的非正式训练
机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, CAS（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； University of Washington（华盛顿大学） ； National University of Singapore（新加坡国立大学）
AI总结 提出将游戏作为非正式训练环境，结合协调子任务训练（CST）方法，提升LLM在抽象推理、规划、创造力等通用能力上的泛化性能。
从片段到场景：自动驾驶中基于视觉语言模型的时间理解
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Washington（华盛顿大学） ； University of Southern California（南加州大学）
AI总结 提出自动驾驶时间理解基准TAD，通过场景思维链和轨迹认知图两种无训练方法提升视觉语言模型的时间推理能力。
通过强化学习实现实时市场的能源存储套利
机构 * Department of Electrical Engineering, University of Washington（华盛顿大学电气工程系）
AI总结 本文通过强化学习设计了一个时间套利策略，用于能源存储，解决了实时价格套利中价格高度不确定带来的策略设计难题，通过设计奖励函数提升性能。
Journal ref 2018 IEEE Power & Energy Society General Meeting (PESGM)
迭代机器学习用于系列弹性执行器的高精度轨迹跟踪
机构 * Ultra-Precision Controls Lab（超精密控制实验室） ； University of Washington（华盛顿大学）
AI总结 本文研究了在系列弹性执行器中使用迭代学习方法提高位置跟踪精度的问题，通过迭代学习生成前馈命令，利用复值高斯过程回归技术估计局部系统模型，从而减少跟踪误差。
Comments 9 pages, 16 figure. Submitted to AMC Workshop
Journal ref 2018 IEEE 15th International Workshop on Advanced Motion Control (AMC), Tokyo, 2018, pp. 234-239
通过模拟退火逃离局部极小值：近似凸函数的优化
机构 * The Fuqua School of Business, Duke University（德克萨斯大学福克商学院） ； Department of Statistics, The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院统计系） ； Department of Statistics and Department of Mathematics, University of Washington（华盛顿大学统计系和数学系）
AI总结 本文研究了如何通过模拟退化方法优化近似凸函数，提出了一种基于Hit-and-Run方法的采样算法，能够有效避免局部极小值问题，并在零阶随机凸优化中实现了高效的ε-极小值求解。
Comments 27 pages
Journal ref Proceedings of the 28th Conference on Learning Theory 40 (2015) 240-265
RMPflow：一种用于自动运动策略生成的计算图
机构 * NVIDIA, Seattle Robotics Lab（NVIDIA西雅图机器人实验室） ； Georgia Institute of Technology, Robot Learning Lab（佐治亚理工学院机器人学习实验室） ； University of Washington, Robotics and State Estimation Lab（华盛顿大学机器人与状态估计实验室）
AI总结 本文提出了一种基于Riemannian Motion Policies几何一致变换的新型策略合成算法RMPflow，通过结合局部策略生成全局策略并利用稀疏结构提高计算效率，同时研究了其几何性质并验证了在高自由度 manipulation 系统中通过障碍物规划的简化效果。
Comments WAFR 2018
电压调节问题中的可处理椭球近似
机构 * Facebook Inc.（Facebook公司） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Tesla Inc.（特斯拉公司）
AI总结 本文提出了一种基于机器学习的方法来解决电力系统运行中电压调节问题中的机会约束优化问题，通过用椭球近似不确定性可行区域，提出了类似支持向量机的学习模型和高效的采样算法。
Comments accepted by ACC2019 http://acc2019.a2c2.org/
对抗性扰动下的在线控制
机构 * Google AI Princeton（谷歌AI普林斯顿） ； Princeton University（普林斯顿大学） ； University of Washington（华盛顿大学） ； Allen School of Computer Science and Engineering（阿伦计算机科学与工程学院）
AI总结 本文研究了在存在对抗性扰动的线性动态系统中的在线控制问题，提出了一种高效的算法，该算法在几乎紧致的 regret 绑定下实现了接近全知扰动的控制效果，同时扩展了先前工作的两个主要方面：允许动态中的对抗性噪声和一般的凸成本。
ODEs的算法理论与从良好条件的logconcave密度采样
机构 * University of Washington & Microsoft Research（华盛顿大学与微软研究院） ； UT-Austin & University of Washington（德克萨斯大学奥斯汀分校与华盛顿大学） ； Georgia Tech（佐治亚理工学院）
AI总结 本文提出了一种求解多元微分方程的通用算法，其解接近已知基函数的张成，从而实现了近线性时间复杂度的HMC采样方法，适用于广泛使用的logistic回归损失函数。
小型旋翼机无人机的长期自主性包括充电
机构 * Autonomous Controls Laboratory, University of Washington（华盛顿大学自主控制实验室） ； Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
AI总结 本研究提出了一种完全自主的小型旋翼机无人机，能够在无人干预的情况下执行长期观测任务，通过全平台自主性和基于视觉的精确着陆技术实现自动能源补充，实验结果展示了其在室内和室外环境中的11小时自主操作能力。
Comments 7 pages
基于动态偏好的激励机制组合博弈问题
机构 * Electrical Engineering Department, University of Washington（华盛顿大学电气工程系）
AI总结 本文提出一种多臂老虎机框架，用于在资源受限环境下匹配用户激励，结合贪心匹配、UCB算法和马尔可夫链混合时间，理论分析 regret 并通过合成和现实案例验证性能。
Comments Published as a conference paper in Conference on Uncertainty in Artificial Intelligence (UAI) 2018
基于非操控操作的强化学习：从仿真到物理系统的迁移
机构 * University of Washington（华盛顿大学） ； Roboti LLC（Roboti公司）
AI总结 本文提出了一种基于仿真的强化学习方法，用于非操控操作任务，通过在仿真环境中训练策略，成功迁移到物理系统中，且在模型集合训练下提升了策略的鲁棒性。
Comments Accepted at IEEE SIMPAR 2018. Project page: https://sites.google.com/view/phantomsim2real
连续控制中的泛化与简洁性
机构 * University of Washington（华盛顿大学）
AI总结 本文展示简单线性与RBF参数化策略可解决多种连续控制任务，性能可与更复杂网络相媲美，且多样初始化提升泛化能力。
Comments NIPS 2017, Project page: https://sites.google.com/view/simple-pol
基于生成对抗网络的无模型可再生能源场景生成
机构 * University of Washington（华盛顿大学）
AI总结 本文提出一种基于生成对抗网络的数据驱动场景生成方法，用于高效生成具有时空相关性的可再生能源生产模式。
Comments Accepted to IEEE Transactions on Power Systems; code available at https://github.com/chennnnnyize/Renewables_Scenario_Gen_GAN
通过稀疏观测的扩散后验采样校正神经算子谱偏差
机构 * Université Paris-Saclay, CentraleSupélec, CNRS, ENS Paris-Saclay（巴黎-萨克雷大学，中央理工学院，国家科学研究中心，巴黎-萨克雷理工学院） ； Laboratoire de Mécanique Paris-Saclay UMR 9026（巴黎-萨克雷力学实验室 UMR 9026） ； Politecnico di Milano（米兰理工大学） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） ； Department of Mechanical Engineering University of Washington（华盛顿大学机械工程系）
AI总结 提出FreqNO-DPS方法，利用扩散后验采样结合谱形状引导分数，校正神经算子在稀疏观测下的高频衰减谱偏差，实现近零谱偏差。
大型语言模型中的多语言遗忘：迁移、动态与可逆性
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）
AI总结 本文通过扩展TOFU基准到五种语言，研究大型语言模型中的多语言遗忘，发现遗忘迁移在不同语言间高度可变，且遗忘主要作用于后期解码层而非共享的跨语言潜在空间，因此可以通过推理时的单一引导方向逆转大部分遗忘效果。
Comments Accepted at ICML 2026
大型语言模型中词汇对齐和偏好阶段转变的完全自动识别
机构 * University of Washington（华盛顿大学）
AI总结 本文提出两种无需人工干预的评估指标——词汇对齐分数和三角化偏好转变，用于自动识别大型语言模型中的词汇过度使用及其与人类偏好学习的关联。
Comments 16 pages, 2 figures, 10 tables
Journal ref Proceedings of the Fifteenth Language Resources and Evaluation Conference (LREC 2026), pages 6116-6131
Traj-Evolve：用于肺癌早期检测中患者轨迹建模的自进化多智能体系统
机构 * University of Washington（华盛顿大学） ； Fred Hutch Cancer Center（Fred Hutch癌症中心） ； Google（谷歌）
AI总结 提出Traj-Evolve，一种结合经验池和多智能体强化学习的自进化多智能体系统，通过检索相似患者和参数优化，在肺癌早期检测中优于9个强基线模型。
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