高校专区
InstructDiff：通过微分熵实现领域自适应的数据选择以实现高效的LLM微调
机构 * Peking University（北京大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Tsinghua University（清华大学） ； SUFE（上海财经大学） ； SUSTech（南方科技大学）
AI总结 InstructDiff通过微分熵实现领域自适应的数据选择，提升LLM微调效率，实验显示在数学推理和通用指令遵循任务上分别提高17%和52%。
CAOS：一次性预测预测器的符合性聚合
机构 * Department of Statistics, University of Wisconsin-Madison, USA（统计学系，威斯康星大学麦迪逊分校）
AI总结 CAOS通过自适应聚合多个一次性预测器，利用留一校准方案实现有效覆盖，比传统方法在预测集大小上更小且保持可靠覆盖。
在有噪声反馈下，偏好优化能有多好？
机构 * Department of Computer Sciences（计算机科学系） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文研究了在噪声反馈下偏好优化的一般化能力，分析了不同噪声类型和强度对模型性能的影响，并验证了其在实际LLM训练中的有效性。
Comments TMLR 2026
BibAgent: 一种用于科学文献中可追溯的误引检测代理框架
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Worcester Polytechnic Institute（沃斯特理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 BibAgent是一种用于科学文献中可追溯误引检测的代理框架，通过整合检索、推理和自适应证据聚合，实现高效且透明的引文验证。
纠正扩散语言模型
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Duke University（杜克大学）
AI总结 纠正扩散语言模型通过明确监督可见错误token，实现判别性置信度和针对性细化，显著提升代码修订和并行解码任务性能。
Comments 21 pages
MiLDEdit: 基于推理的多层设计文档编辑
机构 * University of California, Davis（加州大学戴维斯分校） ； Adobe（Adobe公司） ； UW-Madison（威斯康星大学麦迪逊分校） ； Princeton University（普林斯顿大学）
AI总结 MiLDEdit通过引入基于推理的多层文档编辑代理，实现了对多层设计文档的精准编辑，显著超越现有方法，建立了该领域的首个强基线。
我们是否关心，我们如何推理：拟人化与道德基础在机器人虐待中的双重作用
机构 * University of South Carolina（南卡罗来纳大学） ； University of Cincinnati（辛辛那提大学） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of South Florida（佛罗里达州立大学）
AI总结 本研究探讨拟人化与道德基础如何影响人们对机器人虐待的反应，发现拟人化决定是否赋予道德考虑，而道德基础影响推理方式。
随机化提升KV缓存，学习平衡查询负载：一种联合视角
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出统一的数学模型，结合随机化缓存淘汰与学习方法，以平衡查询负载和缓存命中率，实验表明在多个基准上性能提升显著。
Comments ICLR 2026
MV-S2V：多视图主体一致视频生成
机构 * The Hong Kong Polytechnic University（香港理工大学） ； The University of Texas at Austin（德克萨斯大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出MV-S2V方法，通过多视角参考生成一致的3D主体视频，解决单视角限制并提升视频生成质量。
Comments 13 pages, 9 figures
多名义结果的精确最小体积置信集交集
机构 * The Scripps Research Institute（斯克里普斯研究所在） ； Brown University（布朗大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出了一种认证算法，用于确定多名义结果的最小体积置信集是否相交，通过利用对数比坐标中的半空间约束，实现高效且可证明的决策过程。
Comments 15 pages, 1 figure
从光子中获取辐射场
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出量子辐射场，通过单光子相机以单个光子粒度训练，实现高速运动、低光照和极端动态范围下的高保真重建。
DREAM: 图学习中带标签噪声的双标准语义同质性与动态优化
机构 * National Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University-Anker Embodied AI Lab, Peking University（国家多媒体信息处理重点实验室，计算机科学学院，北京大学-安ker具身AI实验室，北京大学） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） ； Department of Computer Science, University of Illinois Chicago（计算机科学系，伊利诺伊大学香槟分校） ； Paul G. Allen School of Computer Science and Engineering, University of Washington（保罗·G·阿伦计算机科学与工程学院，华盛顿大学） ； Department of Statistics, University of Wisconsin–Madison（统计系，威斯康星大学麦迪逊分校）
AI总结 DREAM通过双标准策略和动态优化解决图学习中标签噪声问题，提升图结构中节点可靠性与关系信息的利用。
RoPE 注意力可以几乎线性时间训练
机构 * Wyoming Seminary（怀俄明神学院） ； University of Arizona（亚利桑那大学） ； The University of Hong Kong（香港大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Simons Institute for the Theory of Computing, University of California, Berkeley（计算理论学院，加州大学伯克利分校）
AI总结 本文提出了一种在RoPE注意力中基于有界条目的几乎线性时间反向计算算法，并证明了有界条目条件对于亚二次性能的必要性。
DeepEra: 一种用于科学检索增强生成问答的深度证据重排代理
机构 * Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Peking University（北京大学）
AI总结 DeepEra通过集成逐步推理提升科学检索增强生成问答的检索精度，首次系统研究并验证了双阶段RAG框架中语义相似但逻辑无关的问题。
贝叶斯实验设计用于模型偏差校准：KL散度与瓦瑟斯坦距离的较量
机构 * Department of Mechanical Engineering, University of Wisconsin–Madison, Madison, WI 53706（机械工程系，威斯康星大学麦迪逊分校，麦迪逊，WI 53706）
AI总结 本文比较了KL散度与瓦瑟斯坦距离在贝叶斯实验设计中的应用，发现KL散度在无模型偏差时收敛更快，而瓦瑟斯坦距离在存在模型偏差时更稳健。
预生成多难度的PDE数据以用于少样本神经PDE求解器
机构 * Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； Department of Computer Sciences, UW-Madison（威斯康星大学麦迪逊分校计算机科学系）
AI总结 通过预生成多难度的PDE数据，提升少样本神经PDE求解器的性能与效率。
Comments 10 Pages, 11 Figures
AutoSciDACT：通过对比嵌入和假设检验实现自动化科学发现
机构 * Department of Physics, Massachusetts Institute of Technology（麻省理工学院物理系） ； The NSF AI Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基本相互作用研究所） ； Department of Physics, University of Wisconsin, Madison（威斯康星大学麦迪逊分校物理系）
AI总结 AutoSciDACT通过对比嵌入和假设检验，实现科学数据中新颖性的自动化检测与统计量化。
Comments Accepted at NeurIPS 2025; 33 pages, 16 figures
视觉自回归变换器必须使用$Ω(n^2 d)$内存
机构 * Wyoming Seminary（怀俄明神学院） ； University of New South Wales（新南威尔士大学） ； The University of Hong Kong（香港大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Simons Institute for the Theory of Computing, University of California, Berkeley（伯克利加州大学理论计算研究所）
AI总结 本文证明了视觉自回归变换器在生成序列时必须使用至少$Ω(n^2 d)$的内存，揭示了在无额外约束下实现亚二次内存使用不可能的理论界限。
流AR模型的计算极限：表达力与效率
机构 * Wyoming Seminary（怀俄明私立学校） ； UT-Austin（得克萨斯大学奥斯汀分校） ； The University of Hong Kong（香港大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Simons Institute, UC Berkeley（伯克利大学模拟研究所）
AI总结 本研究分析了FlowAR模型的电路复杂性，证明其可被TC⁰电路模拟，并探讨了其计算效率与表达能力的限制。
Comments AISTATS 2026
自举、自主测试与初始化系统用于Si/Si$_x$Ge$_{1-x}$多量子点器件
机构 * Department of Physics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校物理系） ； Department of Computer Science, University of Maryland（马里兰大学计算机科学系） ； National Institute of Standards and Technology（美国国家标准与技术研究院） ； Joint Center for Quantum Information（量子信息联合中心） ； Computer Science, University of Maryland（马里兰大学计算机科学系） ； Department of Physics, University of Maryland（马里兰大学物理系）
AI总结 BATIS系统通过自举、自主测试和初始化方法，简化了Si/Si$_x$Ge$_{1-x}$多量子点器件的评估与校准，提升了低温环境下器件的可扩展性和效率。
Comments 13 pages, 6 figures, 3 pages of supplemental material
Journal ref Phys. Rev. Applied 25, 014043 (2026)
现代Hopfield网络需要链式思考来解决$\mathsf{NC}^1$-难问题
机构 * Wyoming Seminary（怀俄明神学院） ； University of New South Wales（新南威尔士大学） ； The University of Hong Kong（香港大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Simons Institute for the Theory of Computing, University of California, Berkeley（伯克利加州大学计算理论研究所）
AI总结 本文研究了现代Hopfield网络在解决$\mathsf{NC}^1$-难问题时的能力限制，并证明引入链式思考机制可使其突破$\mathsf{TC}^0$障碍。
可证明的差分隐私交叉注意力机制计算
机构 * The University of Hong Kong（香港大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； The Simons Institute for the Theory of Computing at the University of California, Berkeley（伯克利大学计算理论研究所）
AI总结 本文提出了一种可证明差分隐私的交叉注意力机制计算方法，通过新颖的数据结构实现隐私保护，同时保证计算效率和安全性。
UCCL-EP：便携式专家并行通信
机构 * UC Berkeley（加州大学伯克利分校） ； UC Davis（加州大学戴维斯分校） ； UW–Madison（威斯康星大学麦迪逊分校） ； AMD（超威半导体） ； Tsinghua University（清华大学） ； Amazon Web Services（亚马逊网络服务） ； ICSI（信息与计算机科学研究所） ； Broadcom & University Politehnica of Bucharest（博通与布加勒斯特理工大学）
AI总结 UCCL-EP通过高吞吐量GPU-CPU控制通道和RDMA立即数据模拟，实现了在异构GPU和NIC平台上的高性能专家并行通信，提升了多个模型的训练和推理效率。
R-KV：面向推理模型的冗余感知KV缓存压缩
机构 * University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； Microsoft（微软） ； Carnegie Mellon University（卡内基梅隆大学） ； California Institute of Technology（加州理工学院） ； University of California - San Diego（加州大学圣地亚哥分校） ； University of Surrey（萨里大学） ； University of California - Berkeley（加州大学伯克利分校）
AI总结 R-KV通过冗余感知机制实现推理模型KV缓存压缩，以10%的缓存占用率达到接近100%的性能，显著优于现有方法。
RiskCueBench: 视频语言模型中早期风险信号的前瞻性推理基准测试
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 RiskCueBench通过标注早期风险信号片段，评估视频语言模型在预测未来风险事件中的能力，揭示了现有系统在解读动态情境方面的不足。
Comments *updated author email in this version
信号化交叉口生态驾驶策略的鲁棒性与韧性评估
机构 * School of Engineering University of Wisconsin - Madison（工程学院 明尼苏达大学）
AI总结 本研究提出统一框架评估生态驾驶策略的鲁棒性与韧性，揭示优化控制器在扰动下的稳定性及分析控制器在名义条件下的表现差异。
大语言模型中的概念吸引子及其应用
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出基于吸引子的简单方法，用于大语言模型中的概念映射和实际任务处理，提供高效替代方案。
PACEvolve: 促进长周期一致性演进
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California San Diego（加州大学圣地亚哥分校） ； Google（谷歌） ； Google DeepMind（谷歌DeepMind）
AI总结 PACEvolve通过分层上下文管理和自适应采样策略，解决进化搜索中的上下文污染、模式崩溃和弱协作问题，实现长周期一致性自我提升。
基于仿射关系的稳定离线价值函数学习
机构 * University of Wisconsin -- Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出基于仿射关系的核表示算法，通过塑造状态-动作表示来稳定离线价值函数学习，提升评估的稳定性和准确性。
Comments Accepted at the International Conference on Machine Learning (ICML) 2025
Journal ref ICML 2025
交通专家与残差强化学习相遇：基于知识的模型驱动残差强化学习用于智能交通车辆轨迹控制
机构 * Department of Civil and Environmental Engineering, University of Wisconsin-Madison, Madison, WI, 53706, USA（土木与环境工程系，威斯尼大学麦迪逊分校）
AI总结 本文提出基于知识的模型驱动残差强化学习框架，用于智能交通车辆轨迹控制，结合交通专家知识与传统控制方法，提升学习效率与交通流平滑度。
Comments Accepted by Communications in Transportation Research
Journal ref Communications in Transportation Research 4 (2024): 100142
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