高校专区
人类谈判的自动调解器：通过结构化LLM流水线进行预调解
机构 * University of Washington（华盛顿大学） ； University of Haifa（海法大学）
AI总结 提出一种结构化LLM流水线作为自动调解器，在整合性谈判中支持预调解，通过分解准备任务为专用模块，在短期自我报告结果上与人类调解员相当，并在偏好推理任务上误差降低36%。
Comments 12 pages, 7 figures
你能低到多少？超低数据极限下稀疏模型发现的主动学习
机构 * Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； NSF AI Institute in Dynamic Systems, University of Washington（华盛顿大学NSF动态系统人工智能研究所） ； Department of Aeronautics, Imperial College London（伦敦帝国理工学院航空系）
AI总结 针对超低数据极限下动力学系统方程发现的数据稀缺问题，提出基于E-SINDy的主动学习策略，通过迭代优先采样信息量大的区域，在Lorenz、Burgers和Kuramoto-Sivashinsky系统上验证了比随机采样更少数据即可准确识别动力学。
Comments 20 pages, 10 figures
基于最小距离估计量的Hellinger密度估计：高斯混合、对数凹等
机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学）
AI总结 将最小距离估计方法从总变差距离扩展到Hellinger距离，通过反向数据处理不等式，实现了对对数凹混合和高斯混合（任意方差）的近线性时间学习，样本复杂度接近最优。
Piper: 可编程的分布式训练系统
机构 * University of Washington（华盛顿大学） ； University of Washington and Shanghai Jiao Tong University（华盛顿大学和上海交通大学）
AI总结 提出Piper系统，通过解耦策略与运行时实现，允许用户用少量注解和调度指令声明分布式训练策略，并编译为设备执行计划，支持常见策略并实现组合策略的联合调度优化。
听、看、学：通过SAM-Audio实现无遗忘学习
机构 * University of Washington（华盛顿大学）
AI总结 提出一种利用SAM-Audio多模态先验的类增量学习方法，通过引导注意力机制和双层蒸馏策略，在音频-视觉场景中缓解灾难性遗忘，性能优于现有方法。
注入多样性的位置至关重要：统一框架下的多样化生成
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Washington（华盛顿大学）
AI总结 提出统一框架，通过多样性源和传输分数衡量测试时多样化生成方法，并基于此提出全自动规范级方法，在五个开放任务中提升输出多样性且保持质量。
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
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
训练任务多样性对上下文学习的影响：基于低维子空间的视角
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） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学）
AI总结 本文通过低秩高斯混合模型分析训练任务多样性（由子空间非重叠列数定义）如何提升线性注意力上下文学习的泛化与优化，解释训练多样性缩短学习平台期及实现分布外泛化的现象，并扩展至非线性场景。
AI细节层次：面向游戏中实时人体运动预测的距离感知机器学习模型精度选择
机构 * University of Washington（华盛顿大学）
AI总结 提出AI LOD框架，根据NPC与玩家摄像头的距离调整机器学习推理精度，利用量化模型作为近似，在保持感知质量的同时降低计算开销。
Comments Camera-ready for SIGGRAPH Technical Workshops 2026
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