Layering Virtual Try-On
分层虚拟试穿
机构 * University of Washington（华盛顿大学）
AI总结 研究针对现实中服装分层搭配的虚拟试穿难题，提出LVTON方法。先通过自动数据生成管道训练获取一般VTON先验知识，再在专用数据集微调学习分层逻辑，在LVTON基准及传统VTON基准上取得优异成果，展现零样本能力。
Comments Accepted to ECCV 2026
高校专区
University of Washington（华盛顿大学）
Commitment To Cooperation With Self-Negotiated Contracts
通过自我协商合同实现合作承诺
机构 * University of Washington（华盛顿大学）
AI总结 研究人工智能代理在多智能体世界中的合作问题，借鉴法律制度和契约，通过在时空博弈\CT中研究基于大型语言模型的代理使用不同合同表示，发现自我协商合同可改善合作结果。
The Label Complexity of Class-Conditional Coverage under Distribution Shift
分布偏移下类条件覆盖的标签复杂性
机构 * University of Washington（华盛顿大学）
AI总结 研究分布偏移下类条件覆盖的标签复杂性，指出无标签方法难以兼顾有效性和效率，精确了恢复每类有效性的成本，通过骨架动作识别等案例研究表明相关现象在多模态基准上存在。
How College Students Use AI to Navigate Course Readings: Evidence from an Eight-Week Study
具有AI支持的自主阅读：一项为期八周的学生研究
机构 * University of Washington（华盛顿大学） ； University of Copenhagen（哥本哈根大学） ； Aalborg University（奥胡斯大学）
AI总结 本研究探讨了AI支持下学生自主阅读的认知过程，发现学生在阅读中表现出从理解到推理的认知发展，但受效率驱动，倾向于使用AI生成摘要来筛选阅读内容。
From Camera-Based Sensing to Reasoning: A Comprehensive Review Toward Proactive Vulnerable Road User Safety
从基于摄像头的感知到推理：面向主动弱势道路使用者安全的全面综述
机构 * University of Washington（华盛顿大学） ； University of Utah（犹他大学）
AI总结 综述基于摄像头的主动弱势道路使用者安全方法，将文献分为视觉感知、运动建模和行为理解三部分，构成统一分层管道实现早期风险预测和及时干预，纳入新兴AI范式，识别关键挑战并讨论研究方向，提供VRU安全系统开发基础。
Comments 18 pages, 4 figures, 5 tables
Journal ref IEEE Transactions on Intelligent Transportation Systems, 2026, pp. 1-17
Simulation-Based Empirical Bayes
基于模拟的经验贝叶斯
机构 * Department of Statistics University of Washington（统计学系华盛顿大学） ； Department of Computer Science Cornell University（计算机科学系康奈尔大学） ； School of Mathematical Sciences and Center for Statistical Science Peking University（数学科学学院与统计科学中心北京大学） ； Departments of Computer Science and Statistics Columbia University（计算机科学与统计学系哥伦比亚大学）
AI总结 研究针对似然只能通过模拟器获得的情况开发经验贝叶斯方法，引入基于模拟的经验贝叶斯（SBEB），通过观测数据、模拟器样本和推断网络计算估计，迭代细化先验，经实验证明其比固定先验的SBI提高了准确性。
Adversarial Prompts for Acceptance Collapse in Speculative Decoding
推测解码中用于接受崩溃的对抗性提示
机构 * Clemson University（克莱姆森大学） ； Wayne State University（韦恩州立大学） ； University of Washington（华盛顿大学）
AI总结 研究针对推测解码中草稿-目标对齐漏洞的攻击，提出ADSD方法，利用Soft-Collapse及目标保留目标生成对抗性后缀，在GSM8K数据集上验证其有效性，还证明该漏洞存在于多方面。
Stochastic optimization on matrices and a graphon McKean-Vlasov limit
矩阵上的随机优化与图核麦克-沃斯极限
机构 * Zaid Harchaoui Department of Statistics University of Washington Seattle WA 98195, USA Email ； Sewoong Oh Paul G. Allen School of Computer Science \& Engineering University of Washington Seattle WA 98195, USA Email ； Soumik Pal Department of Mathematics University of Washington Seattle WA 98195, USA Email ； Raghav Somani Paul G. Allen School of Computer Science \& Engineering University of Washington Seattle WA 98195, USA Email ； Raghavendra Tripathi Department of Mathematics University of Washington Seattle WA 98195, USA Email
AI总结 本文研究了在图核设定下，随机梯度下降算法的麦克-沃斯极限，引入了带有反射的随机微分方程和传播混沌概念。
Comments 37 pages+ references. Accepted version in Annals of Applied Probability
Journal ref Ann. Appl. Probab. 36(1): 355-392 (2026)
Learning to Reason for Factuality
学习进行事实性推理
机构 * FAIR at Meta（Meta 的 FAIR） ； University of Washington（华盛顿大学）
AI总结 研究推理大型语言模型在事实性推理方面的问题，提出同时考虑事实精度、响应细节和答案相关性的新型奖励函数，应用在线强化学习，使模型在长篇事实性基准测试中幻觉率降低、答案细节提升且响应帮助性无降。
Comments ICML 2026
AI Assistants Overassist
人工智能助手过度协助
机构 * Stanford University（斯坦福大学） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校） ； University of Washington（华盛顿大学）
AI总结 研究探讨大语言模型作导师时，其干预方式对学习的影响。介绍Int-Bench基准，模拟学生解题、教师决定干预。在多领域评估大语言模型教师干预情况，并与人类对比，发现其干预频繁且倾向提供完整方案，表明为短期成功而非深层学习优化。
TwistedMerge: Certified Higher-Order Diagnostics and Abstention for Model Merging
TwistedMerge：用于模型合并的经过认证的高阶诊断与弃权
机构 * Department of Mathematics, University of Washington（华盛顿大学数学系） ； Beijing International Center for Mathematical Research, Peking University（北京大学北京国际数学研究中心）
AI总结 研究模型合并中全局对齐问题，提出TwistedMerge认证管道，将合并视为有限下降问题，经多测试提升残差为上同调类，证明相关定理，通过实验展示该方法在处理多种情况时的表现，定位下降理论为可证伪框架。
Comments 34 Pages, Comments welcome!
GigaPath-Flash and GigaTIME-Flash: Efficient Pathology Foundation Models for Whole-Slide and Tumor Microenvironment Analysis
GigaPath-Flash和GigaTIME-Flash：用于全切片和肿瘤微环境分析的高效病理学基础模型
机构 * Microsoft Research（微软研究院） ； Paul G. Allen School of Computer Science and Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院） ； Providence Genomics（普罗维登斯基因组学公司） ； Earle A. Chiles Research Institute, Providence Cancer Institute（普罗维登斯癌症研究所厄尔·A·奇尔斯研究所） ； Providence Research Network（普罗维登斯研究网络）
AI总结 研究针对计算病理学中模型局限，提出GigaPath-Flash和GigaTIME-Flash模型用于全切片和肿瘤微环境分析。前者结合特定编码器，计算量少性能优；后者扩展架构预测肿瘤免疫微环境，速度快内存省，共同为相关领域提供开放许可模型及权重。
Comments Models: https://aka.ms/gigapath-flash (GigaPath-Flash) and https://aka.ms/gigatime-flash (GigaTIME-Flash)
TOPReward: Token Probabilities as Hidden Zero-Shot Rewards for Robotics
TOPReward: 令牌概率作为机器人学中的隐式零样本奖励
机构 * University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究所） ； Amazon（亚马逊） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 TOPReward通过利用预训练视频视觉-语言模型的令牌概率，提供高效的零样本奖励估计，显著提升机器人任务进度评估的性能和泛化能力。
DynaMark: A Reinforcement Learning Framework for Dynamic Watermarking in Industrial Machine Tool Controllers
DynaMark：一种用于工业机床控制器中动态水印的强化学习框架
机构 * Industrial & Systems Engineering Department, University of Washington（华盛顿大学工业与系统工程系） ； Wm Michael Barnes ’64 Department of Industrial and Systems Engineering, Texas A&M University（德克萨斯农工大学工业与系统工程系）
AI总结 研究针对工业机床控制器重放攻击问题，提出强化学习框架DynaMark，将动态水印建模为马尔可夫决策过程，在线学习自适应策略调整水印协方差，平衡多方面因素，实验验证其能降低水印能量、保持检测延迟并超越现有基准。
Comments Accepted for publication in IEEE Transactions on Automation Science and Engineering (T-ASE)
Exposure is Optional: Learning Unlike Coordination in Language Models
曝光非必需：语言模型中学习不同类别的并列结构
机构 * University of Washington（华盛顿大学）
AI总结 研究语言模型中不同类并列结构习得是否需直接曝光，用过滤语料库训练GPT-2模型，发现无需直接曝光，模型能泛化处理，还揭示了模型处理方式及可从同类并列结构学习，助力理解语言模型结构表示。
Comments 13 pages, 6 tables, 2 figures, to submit to TACL
Asymptotically Optimal Regret for Reinforcement Learning without Horizon Dependence
无时间范围依赖的强化学习的渐近最优遗憾值
机构 * University of Washington（华盛顿大学） ； Hong Kong University of Science and Technology（香港科技大学）
AI总结 研究有限时间范围齐次表格马尔可夫决策过程的无时间范围遗憾值最小化，提出新算法，证明遗憾值上界\( \tilde O(\sqrt{SAK}+S^8A^3) \)，渐近最优且消除\( \log H \)依赖，改进先前结果。
Comments 78 pages
The Geometry of Learning to Avoid Interventions
从紧急停止干预中学习鲁棒性干预
机构 * Paul G. Allen School of Computer Science \& Engineering, University of Washington, Seattle, USA ； Google DeepMind, Seattle, USA
AI总结 本文提出残差干预微调算法，通过结合先验策略解决干预信号不明确的问题，实现鲁棒的策略改进。
Is Smaller Always Faster? Tradeoffs in Compressing Self-Supervised Speech Transformers
更小的总是更快的吗？压缩自监督语音Transformer的权衡
机构 * Graduate Institute of Communication Engineering, National Taiwan University, Taiwan（台湾国立台湾大学通信工程研究所） ； University of California, Los Angeles, United States（美国加州大学洛杉矶分校） ； University of Washington, United States（美国华盛顿大学） ； University of Edinburgh, United Kingdom（英国爱丁堡大学）
AI总结 本文研究了压缩自监督语音Transformer的权衡，评估了四种压缩方法并比较了几种最新技术，为实际部署提供指导。
Comments Accepted at ASRU 2025. Code is available at https://github.com/nervjack2/Speech-SSL-Compression
Journal ref 2025 IEEE Automatic Speech Recognition and Understanding Workshop (ASRU), pp. 1-7
Reduced Order Modeling with Shallow Recurrent Decoder Networks
基于浅层递归解码器网络的降阶建模
机构 * Department of Mechanical Engineering, Politecnico di Milano, Milano, Italy（米兰理工学院机械工程系） ； Department of Mechanical Engineering, University of Washington, Seattle, WA（华盛顿大学机械工程系） ； MOX - Department of Mathematics, Politecnico di Milano, Milano, Italy（米兰理工学院数学系） ； Department of Applied Mathematics and Electrical and Computer Engineering, University of Washington, Seattle, WA（华盛顿大学应用数学与电气与计算机工程系）
AI总结 本文提出SHRED-ROM，一种基于浅层递归解码器网络的降阶建模方法，能够高效重建高维状态动态，处理多种参数依赖，并准确估计未知参数。
Using binary silver labels in electronic health records-based computable phenotyping algorithms
在基于电子健康记录的可计算表型算法中使用二元银标签
机构 * Department of Biostatistics, University of Washington（华盛顿大学生物统计学系） ； Kaiser Permanente Center for Health Research（凯撒医疗研究中心） ； Biostatistics Division, Kaiser Permanente Washington Health Research Institute（凯撒医疗华盛顿健康研究机构生物统计学部） ； Kaiser Permanente Washington Health Research Institute（凯撒医疗华盛顿健康研究机构） ； Vaccine and Infectious Disease Division, Fred Hutchinson Cancer Center（弗雷德 Hutchinson 癌症中心疫苗与传染病部）
AI总结 研究针对电子健康记录研究中二元银标签应用问题，提出二元PheNorm算法，直接在去噪步骤使用二元银标签生成表型评分，还考虑高维设置及组合模型，模拟和实际案例中该算法提升了性能，是实用的弱监督方法。
Querying Multimodal Scientific Papers with AI: Practices and Preferences Across Blind, Low-Vision, and Sighted Scientists
用人工智能查询多模态科学论文：盲人、低视力和视力正常科学家的实践与偏好
机构 * Paul G. Allen School of Computer Science \& Engineering University of Washington Seattle WA USA ； The Information School University of Washington Allen Institute for AI Seattle WA USA ； Allen Institute for AI Seattle WA USA ； University of Washington ； Allen Institute for AI
AI总结 研究不同视力科学家如何用ChatGPT和Gemini查询多模态科学文档，通过采访了解其审查多模态内容的实践、对AI响应的反馈等，发现相关问题，贡献数据集，讨论对AI科学QA系统的影响。
Low-Rank Evolutionary Deep Neural Networks via Adaptive Tangent-Space Reduction
通过自适应切空间约简的低秩进化深度神经网络
机构 * Department of Mathematics, Purdue University（普渡大学数学系） ； Department of Applied Mathematics, University of Washington（华盛顿大学应用数学系） ； School of Mechanical Engineering, Purdue University（普渡大学机械工程学院）
AI总结 研究针对进化深度神经网络计算瓶颈，提出低秩进化深度神经网络方法，通过自适应切空间投影降低成本，构建约简雅可比矩阵并建立有限时间比较估计，数值实验表明该方法能降成本且保持精度。
Comments 18 pages
ScienceMeter: Tracking Scientific Knowledge Updates in Language Models
科学计量器：追踪语言模型中的科学知识更新
机构 * University of Washington（华盛顿大学）
AI总结 该研究针对大语言模型科学知识易过时问题，引入科学计量器框架，定义知识保留、获取、预测三个指标，通过主张判断和生成任务，在十个领域数据集上评估五种知识更新方法，发现提升科学知识更新机制关键且具挑战。
TraversRL: Traversable Pedestrian Pathway Generation With Reinforcement Learning
TraversRL：基于强化学习的可通行行人路径生成
机构 * University of Washington（华盛顿大学） ； Rutgers University（罗格斯大学）
AI总结 研究旨在从航拍图像生成行人路径，核心方法是用TraversRL视觉条件模型，通过特定动作空间和奖励机制迭代生长路径网络，主要贡献是相比基线提升交并比与连通性指标，结合奖励生成更优网络，证明该建模方法的有效性。
Comments Accepted to ECCV 2026, main conference
Pedestrian Archetypes Extension -- More Pedestrian Models for Autonomous Vehicle Safety Testing
行人原型扩展——用于自动驾驶车辆安全测试的更多行人模型
机构 * Stanford University（斯坦福大学） ； University of California San Diego（加利福尼亚大学圣地亚哥分校） ； University of Washington（华盛顿大学）
AI总结 研究在行人原型基础上，通过注释YouTube行车记录仪视频，识别出7种新的行人原型，介绍其行为，阐述与旧原型差异并提供视频证据，为自动驾驶车辆安全测试提供更多行人模型。
Comments Extended version of Pedestrian Archetypes paper (published in IEEE IV 2025)
SGMCE: Segment-Grounded Morphological Concept Explanation for Malaria Parasite Species Identification in Thick Blood Smears
SGMCE：厚血涂片疟原虫物种识别的基于片段的形态学概念解释
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Washington（华盛顿大学）
AI总结 研究旨在解决厚血涂片疟原虫物种识别中深度学习缺乏形态学证据的问题，提出SGMCE框架，无需额外训练等，通过提取特征、查询GPT-4o生成自然语言解释，经多指标验证，在多种检测中取得较好结果。
Comments Accepted for publication in the 30th Conference on Medical Image Understanding and Analysis (MIUA 2026), Dublin. To appear in Springer Lecture Notes in Computer Science (LNCS)
Perturbation is All You Need for Extrapolating Language Models
扰动是语言模型外推所需的一切
机构 * School of Mathematics, University of Bristol（布里斯托大学数学系） ； School of Mathematics, University of Birmingham（伯明翰大学数学系） ； Department of Statistics, University of Washington（华盛顿大学统计系） ； Department of Statistics, London School of Economics and Political Science（伦敦政治经济学院统计系）
AI总结 本文针对大语言模型外推问题，提出基于扰动的方法，先转换前缀为语义邻域再进行下一个token预测，构建分层模型。通过建立五个属性发展外推性理论，经合成与真实数据评估，该方法提升支持域外预测性能，为语言建模提供实用路径。
Comments 59 pages
How Agents Ask for Permission: User Permissions for AI Agents, from Interfaces to Enforcement
智能体如何请求许可：人工智能智能体的用户权限，从接口到执行
机构 * University of Washington（华盛顿大学）
AI总结 研究人工智能智能体系统中用户级权限处理问题，通过调查21个提案构建分类法，分析五个商业智能体并与文献系统比较，确定主题与空白，为智能体权限系统研究提供参考。
Comments 15 pages, 4 figures
How Much Is a Dataset Worth? Scaling Laws, the Vendi Score, and Matrix Spectral Functions
数据集值多少钱？缩放定律、Vendi分数与矩阵谱函数
机构 * Department of Electrical & Computer Engineering（电气与计算机工程系） ； Paul G. Allen School of Computer Science & Engineering（保罗·G·艾伦计算机科学与工程学院） ； University of Washington（华盛顿大学）
AI总结 本文通过子模性理论统一了神经缩放定律与Vendi分数，提出矩阵谱函数作为广义数据评估框架，并开发了基于割线方程的快速优化算法，在ImageNet-1K规模上实现了约35,000倍加速，实验表明设施选址函数在预测子集价值方面表现最佳。
Comments 75 pages
Prismatic Synthesis: Gradient-based Data Diversification Boosts Generalization in LLM Reasoning
棱柱形合成：基于梯度的数据多样化提升语言模型推理中的泛化能力
机构 * NVIDIA Research（NVIDIA研究部） ； University of Washington（华盛顿大学） ； University of Southern California（南加州大学）
AI总结 研究语言模型训练数据多样性对泛化的作用，提出基于梯度熵的G - Vendi指标，进而构建棱柱形合成框架生成多样合成数据，有效提升模型性能，在多个基准测试中表现优于依赖更大数据生成器的模型。
