高校专区
测试时扩展使过训练计算最优
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Stanford University（斯坦福大学）
AI总结 本文提出Train-to-Test（T²）扩展定律，通过联合优化模型大小、训练token和推理样本数，在固定端到端预算下提升性能，发现考虑推理成本时最优预训练决策进入过训练区域，验证了其在现代部署中的有效性。
利用不完整上下文：预训练补全的线性上下文老虎机
机构 * Department of Statistics, University of Wisconsin–Madison（威斯康星大学麦迪逊分校统计系）
AI总结 研究如何在在线线性上下文老虎机中利用预训练模型补全缺失特征，提出PULSE-UCB算法并证明其 regret 保证。
图池化全面基准：有效性、鲁棒性和泛化性
机构 * University of Chicago（芝加哥大学） ； Peking University（北京大学） ； Nankai University（南开大学） ； University of Southern California（南加州大学） ； New York University（纽约大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文构建了包含17种图池化方法和28个图数据集的全面基准，系统评估了图池化方法在有效性、鲁棒性和泛化性三方面的性能，通过不同任务和噪声攻击实验验证其强大能力。
自适应延迟更新循环算法用于变分不等式
机构 * 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） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Department of Computer Sciences, University of Wisconsin–Madison（威斯康星大学麦迪逊分校计算机科学系）
AI总结 本文提出自适应延迟更新循环算法（ADUCA），用于求解广义Minty变分不等式，无需全局或块级Lipschitz常数，具有近最优全局Oracle复杂度。
让深渊回望：面向自主科学发现的适应性反驳
机构 * Texas A&M University（德克萨斯农工大学） ； VecTrue AI ； Worcester Polytechnic Institute（伍斯特理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出DASES框架，通过适应性反驳机制推动科学发现，发现超越合成环境的损失FNG-CE，在标准基准上表现优异。
Comments 15 pages, 1 figures, 4 tables
对扩散模型泛化能力的平滑得分函数：一种基于优化的解释框架
机构 * Department of Computer Sciences, University of Wisconsin Madison, WI, USA（威斯康星大学麦迪逊分校计算机科学系）
AI总结 本文提出基于优化的解释框架，通过分析经验得分函数的结构，揭示训练样本主导得分函数导致采样崩溃的原因，并提出噪声无条件化和温度平滑两种方法提升泛化能力。
Comments Accepted by CVPR2026
UniGame: 将统一多模态模型转变为自身对手
机构 * William & Mary（威廉与玛丽学院） ； Independent（独立研究者） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 UniGame通过自对抗框架提升多模态模型的一致性与鲁棒性，显著增强理解、生成和对抗鲁棒性。
Comments Accepted to CVPR 2026
Unichain 和 非周期性是平均奖励疲软带机问题渐进最优性的充分条件
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出了一种新政策，通过逐步将更多臂推向最优分布，证明在Unichain和非周期性假设下，该政策具有O(1/√N)的渐进最优性。
Comments 68 pages, 17 figures
VLM-SAFE: 基于世界模型的视觉-语言模型引导的安全强化学习用于自动驾驶
机构 * Lyles School of Civil and Construction Engineering, Purdue University（普渡大学莱尔斯土木与建筑工程学院） ； Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系） ； Google（谷歌）
AI总结 本文提出VLM-SAFE框架，通过观察-想象-评估-行动闭环，利用视觉语言模型提供语义安全信号，结合世界模型预测未来轨迹，优化策略以提升自动驾驶的安全性和效率。
Comments N/A
神经ODE训练中自动微分的修正
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究探讨了在神经ODE架构中使用自动微分对深度神经网络更新的影响，发现高阶方法可能导致梯度震荡，提出后处理技术以消除震荡并提升收敛性。
Comments Accepted for publication in SIAM Journal on Applied Mathematics. This version corresponds to the final draft, prior to copyediting and production
从摄像头陷阱图像生成合成野生动物健康数据：用于脱毛和体况恶化的训练数据管道
机构 * University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； School of Veterinary Medicine（兽医学院）
AI总结 本文提出了一种生成合成训练图像的管道，用于野生动物脱毛和体况恶化的检测，通过生成表型编辑系统和质量控制系统，生成高质量合成数据以用于自动健康筛查。
NeST-BO：通过梯度和Hessian信息的牛顿步目标实现快速局部贝叶斯优化
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； The Ohio State University（俄亥俄州立大学）
AI总结 NeST-BO是一种利用曲率信息的局部贝叶斯优化方法，通过联合学习梯度和Hessian信息以及高斯过程代理，结合牛顿步目标和一步前瞻界来选择评估点，从而在高维问题中实现快速收敛和全局收敛。
通过可学习线性近似加速扩散变换器的FastCache
机构 * Yale University（耶鲁大学） ； Columbia University（哥伦比亚大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； Michigan State University（密歇根州立大学）
AI总结 本文提出FastCache，通过隐藏状态层面的缓存与压缩框架，利用模型内部表示中的冗余性加速扩散变换器推理，结合可学习线性近似方法，有效降低计算开销并保持生成质量。
ByteLoom: 通过渐进课程学习编织几何一致的人-物体交互
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； ByteDance（字节跳动） ； Georgia Institute of Technology（佐治亚理工学院） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出ByteLoom框架，通过简化的人类条件和3D物体输入生成几何一致的人-物体交互视频，解决多视角信息注入和手部网格标注依赖的问题。
在黑暗中导航：通过多臂反馈探索未知搜索空间
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； FuriosaAI ； Yonsei University（延世大学） ； KRAFTON AI ； Ludo Robotics
AI总结 本文探讨LLM能否通过Transformer架构近似搜索算法，提出未知树搜索与多臂反馈框架，证明Transformer可实现不同搜索策略并具备泛化能力。
Comments Accepted for publication in Transactions on Machine Learning Research (TMLR)
KnowledgeSmith：通过模型编辑和遗忘揭示LLM中的知识更新
机构 * Carnegie Mellon University（卡内基梅隆大学） ； William & Mary（威廉与玛丽学院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出KnowledgeSmith框架，系统研究LLM的知识更新机制，通过结构化干预揭示知识传播、可塑性与鲁棒性等特性。
Comments ICLR 2026
通过反事实失败合成学习可操作的操纵恢复
机构 * Texas A&M University（德克萨斯A&M大学） ； University of Minnesota（明尼苏达大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Abaka AI（Abaka人工智能） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出Dream2Fix框架，通过生成反事实失败场景数据提升机器人故障恢复能力，实现高精度的故障诊断与轨迹修正。
MKA：用于高效长上下文推理的内存键注意
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Columbia University（哥伦比亚大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出MKA机制，通过多级KV缓存和动态路由提升长上下文推理效率，FastMKA在保持准确率的同时显著提升训练速度和评估效率。
Comments Accepted to the ACM Computing Frontiers 2026 Conference (Oral Presentation) and the ICML 2025 Long Context Modeling Workshop
序列与并行坐标上升变分推断的稳定性
机构 * Department of Statistics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校统计学系）
AI总结 研究比较了序列与并行坐标上升变分推断在高维线性回归中的收敛性差异，揭示序列算法在更宽松条件下具有收敛保证。
Comments 20 pages, 3 figures
LJ-Bench：基于本体的美国犯罪评估基准
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 LJ-Bench是首个基于本体的全面基准，用于评估LLM对多种非法活动的鲁棒性，揭示LLM在不同犯罪类别中的脆弱性。
Comments Accepted at Transactions on Machine Learning Research in March, 2026
通过动作量化理解行为克隆
机构 * Department of Computer Sciences, University of Wisconsin–Madison, Madison, WI, USA（威斯康星大学麦迪逊分校计算机科学系）
AI总结 本文研究行为克隆中动作量化的影响，分析量化误差传播与统计样本复杂度的相互作用，证明量化行为克隆在稳定动态和概率光滑性条件下可达到最优样本复杂度，提出基于模型的增强方法以改进误差界。
关节体动力学网络：用于机器人学习的动力学先验
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Shanghai Innovation Institute (SII)（上海创新研究院）
AI总结 本文提出ABD-Net，一种基于关节体动力学的图神经网络，通过继承动力学结构提升机器人策略学习效率与鲁棒性。
Comments Arxiv_r2
突破大语言模型微调的性能上限：重新引入马尔可夫状态
机构 * UW-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出通过引入马尔可夫状态突破大语言模型微调的性能上限，理论和实验均表明该方法能显著降低样本复杂度并提升复杂逻辑谜题的性能。
根据ChatGPT的地理学——生成式AI如何代表和推理地理
机构 * University of Vienna（维也纳大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Bristol（布里斯托大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of Maine（缅因大学） ； University at Buffalo（布法罗大学）
AI总结 研究探讨生成式AI在地理表示和推理中的表现，通过三个案例揭示其默认假设、分布偏移及事实记忆的局限性。
Comments Accepted book chapter (introduction to valume)
高效且多功能的四足滑行：通过强化学习和贝叶斯优化进行最优协同设计
机构 * University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； Shanghai Innovation Institute (SII)（上海创新研究院）
AI总结 本文提出了一种硬件-控制协同设计方法，使配备被动轮的四足机器人实现高效且多功能的滑行。通过贝叶斯优化和强化学习，设计出优于人工设计的滑行系统，具备 hockey stop 和 self-aligning 运动等多功能行为。
统一的空间时间令牌评分用于高效的视频视觉-语言模型
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Allen Institute for AI（人工智能研究所）
AI总结 本文提出STTS，一种高效的统一空间时间令牌评分方法，通过辅助损失和LLM下游梯度学习，在不依赖文本条件或令牌合并的情况下，对视频中50%的视觉令牌进行修剪，提升训练和推理效率62%，性能下降仅0.7%。
预测长期新冠轨迹：因果解缠的至关作用
机构 * National Library of Medicine（国家医学图书馆） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Columbia University（哥伦比亚大学） ； The George Washington University（乔治华盛顿大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文通过整合临床数据与可穿戴设备数据，利用大语言模型构建因果网络，预测长期新冠严重程度，实现86.7%的预测精度，并区分病理活性与基线噪声。
基于RAG的LLM的符合事实性是否具有鲁棒性？新颖的度量和系统性洞察
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文系统分析了RAG-based LLMs在符合事实性方面的可靠性与实用性，提出新的信息度量方法，发现高事实性水平导致输出空洞，符合事实性不鲁棒于分布偏移，轻量蕴含验证器更高效且表现优异。
Comments 56 pages
构建正确性由设计保证的湖house。数据合同、版本控制和事务性管道为人和代理
机构 * Columbia University（哥伦比亚大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Bauplan Labs（Bauplan实验室）
AI总结 本文提出Bauplan，一种以代码为核心的湖house，通过类型表合同、Git式数据版本控制和事务性运行机制，消除并发变更导致的失败问题，提升数据管道的正确性和可重复性。
Comments Submission pre-print, data conference
第一人称世界模型用于逼真手-物体交互合成
机构 * Texas A&M University（德克萨斯A&M大学） ； University of Minnesota（明尼苏达大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； Amazon（亚马逊） ； State University of New York at Stony Brook（纽约州立大学石溪分校）
AI总结 本文提出EgoHOI模型，通过动作信号模拟物理一致的交互，克服了高速头部运动、严重遮挡和高自由度手部运动带来的挑战，实验验证其有效性。
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