高校专区
基于图扩散模型的多LLM代理通信拓扑动态生成
机构 * University of California Los Angeles（加州大学洛杉矶分校） ； University of Washington（华盛顿大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出Guided Topology Diffusion框架，通过迭代构建过程生成适应任务需求的高效通信拓扑，优于现有方法。
Comments ACL 2026 Main
基于难度的偏好数据选择：通过DPO隐式奖励差距
机构 * Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学计算机科学与工程保罗·G·艾伦学校） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（德国图宾根马克斯·普朗克智能系统研究所） ； Jinesis Lab, University of Toronto & Vector Institute（多伦多大学Jinesis实验室及向量研究所）
AI总结 本文提出基于难度的偏好数据选择方法，利用DPO隐式奖励机制选择奖励差距小的样本，提升数据效率和模型对齐性能，在多个数据集和对齐任务中优于五个基线方法。
Comments Our code and data are available at https://github.com/Difficulty-Based-Preference-Data-Select/Difficulty-Based-Preference-Data-Select
基于领域重构与新颖性评估的人机协同科学构想系统
机构 * University of Washington（华盛顿大学） ； Microsoft（微软） ； Allen Institute for AI（人工智能研究院）
AI总结 Scideator通过领域重构与新颖性评估模块，帮助用户在科学构想中生成更具创造性的想法，实验显示其在想法探索和表达性方面优于传统LLM方法。
Comments Updated based on most recent submission
有界理性元学习在序列消费者选择中的应用
机构 * University of Washington（华盛顿大学）
AI总结 研究消费者在不确定环境下重复选择时的跨情境知识转移，提出有界理性元动态规划政策BRMDP(D)，发现消费者通过粗略的先验不确定性表示实现跨情境学习。
超图模式机：用于高阶交互的组合分词
机构 * University of Notre Dame（内布拉斯加大学） ； Stanford University（斯坦福大学） ； Yale University（耶鲁大学） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学）
AI总结 本文提出超图模式机，通过学习子集的组合模式，改进高阶交互的建模，从而在超图基准和真实案例中取得更好效果。
峰值检测器：通过指令调优的大语言模型实现可解释的多模态峰值检测
机构 * University of Georgia（佐治亚大学） ； Yixing People’s Hospital（宜兴人民医院） ； University of Washington（华盛顿大学） ； University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
AI总结 本文提出Peak-Detector框架，利用指令调优的大语言模型实现跨模态、可解释的峰值检测，通过峰表示技术压缩时间序列数据并提升检测准确性，同时生成解释性内容以支持验证与错误分析。
生成式AI在K-12课堂中的应用：中期实施报告
机构 * University of Washington（华盛顿大学）
AI总结 本报告分析了2025年9月至12月华盛顿州12个学区中教师使用Colleague AI的情况，探讨了AI在K-12教育中的初步应用效果及影响因素。
通过结构推断理解Grokking：Transformer需要贝叶斯彩票
机构 * Department of Computer Science（计算机科学系） ； University of Washington（华盛顿大学） ； Seattle, WA 98195（西雅图, WA 98195）
AI总结 研究探讨了Transformer在延迟泛化现象中的结构推断机制，提出贝叶斯彩票理论，解释了泛化延迟与结构学习的关系。
在加性潜在位移假设下对扰动建模的外推保证
机构 * Seminar for Statistics, ETH Zurich（统计系，苏黎世联邦理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； DZNE, Bonn, Germany（波恩德国DZNE） ； Department of Statistics, University of Washington, Seattle, USA（华盛顿大学统计系，美国西雅图）
AI总结 本文研究了在加性潜在位移假设下，通过扰动建模预测新扰动组合的分布，提出PDAE模型并证明了外推保证。
Comments Updated preprint with new material and empirical results; previous version presented at the ICLR'25 Workshop on Learning Meaningful Representations of Life
在线性老虎机中ε-最佳臂识别的适应性功率研究
机构 * University of Washington（华盛顿大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文研究了在线性老虎机中ε-最佳臂识别的最小样本复杂度，提出非适应性固定设计方法及适应性采样策略，揭示了适应性在不同动作集中的效果差异。
Comments Accepted at COLT 2026
CTF4Nuclear: 用于核裂变和核聚变模型的通用任务框架
机构 * Autodesk Research（Autodesk研究院） ； Department of Energy, Nuclear Engineering Division, Politecnico di Milano（能源部，核工程系，米兰理工学院） ； Nuclear Science and Engineering, Massachusetts Institute of Technology（核科学与工程，麻省理工学院） ； Department of Applied Mathematics, University of Washington（应用数学系，华盛顿大学） ； Department of Electrical and Computer Engineering, University of Washington（电气与计算机工程系，华盛顿大学） ； High Performance Machine Learning, SURF（高性能机器学习，SURF） ； Distyl AI ； Department of Computer Science, Columbia University（计算机科学系，哥伦比亚大学） ； Department of Mechanical Engineering, University of Washington（机械工程系，华盛顿大学） ； Department of Mechanical Engineering, Politecnico di Milano（机械工程系，米兰理工学院） ； Department of Mathematics, American University in Beirut（数学系，贝鲁特美国大学） ； Department of Mechanical Engineering, American University in Beirut（机械工程系，贝鲁特美国大学） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学）
AI总结 本文提出CTF4Nuclear框架，用于核工程中机器学习方法的标准化评估，通过12个指标和稀疏测量系统监控，提升核工业科学ML的严谨性和可重复性。
DR Tulu：基于演进标准的深度研究强化学习
机构 * University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Seattle Children's Hospital（西雅图儿童医院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出RLER方法，通过演进标准与策略模型共进化，开发出首个开源深度研究模型DR Tulu，其在多个长文深度研究基准上表现优异，且成本显著低于现有模型。
Comments ICML 2026
Traj-CoA：通过链式代理进行患者轨迹建模用于肺癌风险预测
机构 * University of Washington（华盛顿大学） ； Fred Hutch Cancer Center（Fred Hutch癌症中心） ； Harvard University（哈佛大学） ； Google（谷歌）
AI总结 Traj-CoA通过链式代理系统处理电子健康记录数据，减少噪声并保留完整时间线，从而在肺癌风险预测中优于基线方法。
Comments Accepted by NeurIPS 2025 GenAI4Health Workshop
RefDecoder：通过条件视频解码增强视觉生成
机构 * University of Washington（华盛顿大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出RefDecoder，通过引入高保真参考图像信号提升视频生成质量，改进解码器结构以保持结构完整性，在多个基准测试中取得显著提升。
核回归中的平均梯度外积在多索引模型中可证明恢复中心子空间
机构 * Department of Mathematics, University of Washington, Seattle, WA 98195（华盛顿大学数学系，华盛顿州西雅图98195） ； Wharton Department of Statistics and Data Science, University of Pennsylvania, Philadelphia, PA 19104, USA（宾夕法尼亚大学沃顿统计与数据科学系，美国费城19104） ； Department of Mathematics, U. Washington, Seattle, WA 98195（华盛顿大学数学系，华盛顿州西雅图98195） ； Department of Electrical & Computer Engineering, University of Washington, Seattle, WA 98195, and Amazon, Inc（华盛顿大学电气与计算机工程系，华盛顿州西雅图98195，亚马逊公司）
AI总结 本文研究了在有限样本下通过核岭回归恢复多索引模型中心子空间的方法，证明了平均梯度外积的前r个特征空间能有效恢复中心子空间，展示了预测与表示的分离性。
Comments 95 pages, 12 figures
高效通信的联邦微调
机构 * University of Washington（华盛顿大学） ； Technical University of Crete（希腊塞萨洛尼基技术大学）
AI总结 本文提出FDA-Opt算法，解决联邦学习中参数通信频繁和刚性的难题，通过统一FDA和FedOpt方法，提升语言模型在下游NLP任务中的微调性能。
FrontierSmith: 批量合成开放性编程问题
机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Bespoke Labs（Bespoke实验室）
AI总结 本文提出FrontierSmith系统，通过迭代演化现有封闭性编程任务生成开放性问题，提升LLM编程能力，在两个基准测试中显著提升模型性能。
通过嵌入时序逻辑对基于感知的自主系统进行运行时监控
机构 * Software and Societal Systems Department（软件与社会系统部门） ； Carnegie Mellon University（卡内基梅隆大学） ； General Robotics（通用机器人） ； Aeronautics and Astronautics Department（航空与航天系） ； University of Washington（华盛顿大学）
AI总结 本文提出嵌入时序逻辑（ETL），在学习的嵌入空间中直接进行监控，通过观测嵌入与目标嵌入的距离定义谓词，能够捕捉高阶感知概念，如视觉目标相似性或避免语义区域，通过时序运算符表达时间扩展和序列行为。
跨物种神经基础模型用于端到端语音解码
机构 * Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； Microsoft（微软公司） ； University of Washington（华盛顿大学）
AI总结 本文提出端到端BraIn-to-Text框架，通过单个可微神经网络将神经活动转化为连贯句子，利用跨任务、跨物种预训练神经编码器提升语音解码性能，降低词错误率至10.22%。
分布性主成分自编码器
机构 * Department of Statistics, University of Washington（华盛顿大学统计系）
AI总结 本文提出DPA，通过学习数据给定低维潜在变量的条件分布，实现数据重构的分布匹配，验证了在气候、单细胞和图像数据中重建原始数据分布的有效性。
前瞻性引导的记忆检索：语言模型中的记忆检索
机构 * University of Washington（华盛顿大学） ； Microsoft Research（微软研究院）
AI总结 前瞻性引导的记忆检索通过模拟未来步骤来增强长周期检索，提升用户个性化需求的响应质量。
Comments Preprint
有限维扩散图的可行为性如何？
机构 * Department of Statistics（统计学系） ； University of Washington（华盛顿大学）
AI总结 本文研究有限维扩散图在子流形上的几何性质，推导出嵌入误差的理论界，揭示扩散图在流形上的精度特性。
Comments 33 pages, 4 figures
多面体不稳定性支配在线学习中的遗憾
机构 * University of Washington（华盛顿大学） ； Western Washington University（西雅图华盛顿大学） ； King Abdulaziz City for Science and Technology（卡布勒·阿卜杜勒·阿齐兹科技城） ； HUMAIN
AI总结 本文研究了在线学习中组合动作的凸松弛问题，证明了遗憾由多面体不稳定性决定，通过分析区域切换次数和顶点数，得出了介于专家算法与维度依赖优化之间的渐进行为。
WidthWall：超图神经网络的严格表达性层级
机构 * University of Washington（华盛顿大学） ； Western Washington University（西华盛顿大学） ； King Abdulaziz City for Science and Technology（国王阿卜杜勒阿齐兹科技城） ； HUMAIN
AI总结 本文研究超图神经网络的表达能力，通过超图同构密度构建严格层级，揭示超树宽度限制下的表达性边界，并验证了密度感知模型的有效性。
支持条件流匹配是核平滑
机构 * Department of Computer Science（计算机科学系） ； University of Washington（华盛顿大学）
AI总结 本文通过核平滑理论揭示流匹配中支持集的核密度估计机制，证明流时间影响核带宽，并验证跨注意力在高维数据中的局限性。
Comments Submitted to NeurIPS 2026. 18 pages, 10 figures, 1 table. Code at https://github.com/BaroqueObama/kernel-flow-matching-code
FLEXITOKENS: 用于进化语言模型的灵活分词
机构 * The Ohio State University（俄亥俄州立大学） ； University of Washington（华盛顿大学）
AI总结 本文提出FLEXITOKENS，通过可学习的分词器实现灵活的分词，减少文本过碎片化，提升多语言和生成任务性能。
Comments Accepted to ACL (findings) 2026
STOP：低数据场景下长形式推理的结构化在线剪枝
机构 * University of Washington（华盛顿大学） ； University of Montreal（蒙特利尔大学）
AI总结 STOP通过结构化在线剪枝减少低数据场景下的长形式推理生成token，同时保持准确性，提升推理效率与结构效率。
Comments 20 pages, 6 figures, 6 tables. Code available at: https://github.com/chenjux/ECN-STOP
超越协作模拟器：为LLM代理的稳健评估生成真实用户人设
机构 * University of Washington, Seattle, WA（华盛顿大学） ； Georgetown University, Washington, DC（乔治城大学）
AI总结 本文提出Persona Policies，通过LLM驱动的进化程序搜索生成多样化的人设，提升模拟器在真实用户交互中的鲁棒性，实验显示在零售和航空领域取得显著性能提升。
Comments Preprint under review
状态空间NTK在接近分岔点时的坍缩
机构 * University of Washington（华盛顿大学）
AI总结 研究通过经验状态空间神经 tangent 核（sNTK）分析梯度下降在分岔点附近的动态，发现分岔点主导并简化了学习过程，通过分解sNTK揭示了高维递归系统的学习几何结构。
视觉审美基准：前沿模型能评判美吗？
机构 * Bake AI ； University of Washington（华盛顿大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Stanford University（斯坦福大学） ； University of Notre Dame（诺丁汉大学） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Western Washington University（西雅图华盛顿大学） ； King Abdulaziz City for Science and Technology（国王阿卜杜勒阿齐兹科技城）
AI总结 本文提出视觉审美基准（VAB），通过比较选择评估审美，发现前沿模型在判断最佳和最差图像时表现逊于人类专家，表明需进一步改进。
Comments Project page: https://vab.bakelab.ai. Code: https://github.com/BakeLab/Visual-Aesthetic-Benchmark. Dataset: https://huggingface.co/datasets/BakeLab/Visual-Aesthetic-Benchmark
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