高校专区
深度神经变分空间：深度与复杂性的统一视角
机构 * Department of Computer Science University of Wisconsin-Madison（计算机科学系威斯康星大学麦迪逊分校） ； Department of Electrical & Computer Engineering University of Wisconsin-Madison（电气与计算机工程系威斯康星大学麦迪逊分校）
AI总结 研究开发深度全连接神经网络统一函数空间理论，通过特定递归定义函数，统一多种想法，证明新表示定理和复杂性界，在单变量ReLU情况有“深度饱和”结果，揭示深度与复杂性在函数空间视角下的新关系。
从语言统计中学习核心概念区分的失败与成功
机构 * Department of Psychology, University of Wisconsin-Madison（威斯康星大学麦迪逊分校心理学系）
AI总结 研究人们能否从语言中学习原则性与统计性属性的区分，发现语言模型对统计流行度敏感，但在表示该区分上有困难，GPT - 4成功做到。
Comments Published at Evolang XV, 2024
OpenSafeIntent: 评估跨双用途提示集的意图校准安全补全
机构 * Department of Computer Sciences University of Wisconsin-Madison（计算机科学系威斯康星大学麦迪逊分校） ； Department of CSE Korea University（计算机科学与工程系韩国大学）
AI总结 提出OpenSafeIntent基准，通过控制任务不变而改变意图的提示集，评估模型在意图变化时是否校准辅助行为，发现提示级安全掩盖重要失败。
Comments Preprint
WARP: 基于权重空间分析恢复训练数据组合
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 提出WARP框架，通过模型合并生成伪检查点，从权重空间几何特征恢复微调模型的训练数据域混合比例，在BERT和GPT-2上平均MAE分别低至0.046和0.104。
Comments This work appears in the ICML 2026 Workshop on Weight-Space Symmetries (WSS): from Foundations to Practical Applications. Our source code is available at github.com/SprocketLab/WARP
多头递归记忆智能体
机构 * Department of Computer Science, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系）
AI总结 针对递归记忆智能体在长上下文中性能退化问题，提出多头递归记忆（MHM）框架，通过分阶段选择-更新策略隔离记忆头，显著提升记忆保持率和端到端准确性。
Comments 19 pages, 11 figures, 5 tables
未来有多大帮助？面向因果自我中心视线估计的未来特权监督受控研究
机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Washington（华盛顿大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出一种受控框架，通过训练时访问未来帧但推理时丢弃的未来感知分支，研究未来上下文对因果视线估计的影响，发现最优未来视野约1.7-3.3秒。
Comments Accepted to the 7th International Workshop on Eye and Gaze in Computer Vision (GAZE 2026), CVPR 2026. Best Paper Award
BIFROST: 桥接不变特征表示用于观测空间Sim2Real迁移
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出BIFROST方法，通过跨域双模拟目标学习共享历史编码器，将导致等价长期行为的观测-动作序列映射到相近潜状态，实现零样本sim2real迁移。
NPUsper：消除移动NPU上实时Whisper的冗余计算
机构 * Korea University（高丽大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出NPUsper系统，通过在线检测幻觉令牌和受控展开技术，消除冗余计算，在移动NPU上实现Whisper的实时转录，显著降低延迟和功耗。
理解语言模型为何产生幻觉：针对先验知识的推理测试
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出推理错位假说，认为幻觉源于模型偏向统计显著的潜在关联而非遵循提示约束，并通过TrapQA测试集验证了两种偏差模式。
Comments Project page: https://neohughus.github.io/Understanding_Why_Language_Models_Hallucinate/
跨空间蒸馏：用现代扩散教师训练一步学生模型
机构 * Qualcomm AI Research（高通AI研究院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Johns Hopkins University（约翰霍普金斯大学） ； Rutgers University（罗格斯大学）
AI总结 提出跨空间蒸馏框架，通过轻量级潜在接口Bridge解决教师与学生模型潜在空间不匹配问题，实现异构教师蒸馏到紧凑学生模型，显著提升性能。
Comments ECCV 2026
通过局部分支路由实现高效且可训练的语言模型测试时扩展
机构 * Northwestern University（西北大学） ； Rutgers University（罗格斯大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Carnegie Mellon University（卡内基梅隆大学） ； LMSYS Org（LMSYS组织） ； Tilde Research（Tilde研究） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； University of Toronto（多伦多大学） ； University of British Columbia（不列颠哥伦比亚大学） ； University of California, San Diego（加州大学圣迭戈分校）
AI总结 提出局部分支路由（LBR）框架，通过轻量级路由器选择局部前瞻树中的深度-1子路径，实现令牌级测试时扩展，在数学推理基准上优于链式思维和软令牌分支基线。
被忽视的免费午餐：后训练中的进展优势用于LLM智能体
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Argonne National Laboratory（阿贡国家实验室）
AI总结 提出进展优势概念，利用强化学习后训练中的隐式优势函数作为无标注、领域无关的步骤级评分，在测试时扩展、不确定性量化和失败归因中超越专用奖励模型。
OpenThoughts-Agent: 智能体模型的数据配方
机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； JSC（于利希超级计算中心） ； LAION ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Bespoke Labs ； Laude Institute ； UCLA（加州大学洛杉矶分校） ； Harvard University & Harvard Medical School（哈佛大学与哈佛医学院） ； TU Munich & Munich Center for Machine Learning（慕尼黑工业大学与慕尼黑机器学习中心） ； New York University（纽约大学） ； Medical University of South Carolina（南卡罗来纳医科大学） ； The LLM Data Company ； BenchFlow ； Independent Researcher（独立研究员） ； Northeastern University（东北大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Washington（华盛顿大学） ； TU Darmstadt（达姆施塔特工业大学） ； University of Southern California（南加州大学） ； UC San Diego（加州大学圣地亚哥分校） ； Amazon（亚马逊） ； Microsoft（微软） ； Korea University（高丽大学） ； Cornell Tech（康奈尔科技） ； University of Michigan（密歇根大学）
AI总结 提出全开放数据筛选流水线，通过100多次消融实验研究任务来源与多样性，构建10万样本训练集，在7个智能体基准上平均44.8%准确率，较最强开源模型提升3.9个百分点。
EgoSAT: 一个全面的自我中心流式交互理解基准
机构 * College of AI, Tsinghua University（清华大学人工智能学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出EgoSAT基准，统一自我中心视频的回顾、在线和前瞻推理任务，评估视觉语言模型在流式设置中的表现，发现现有模型存在前瞻/回顾困难及置信度校准问题。
Comments Accepted to ECCV 2026. Project page: https://leiyj23.github.io/EgoSAT/
误指定情境赌博机的统计推断
机构 * Department of Statistics, University of Wisconsin–Madison（威斯康星大学麦迪逊分校统计系） ； School of Data Science and Society, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校数据科学与社会学院）
AI总结 针对情境赌博机数据，在结果模型误指定下，提出逆概率加权Z估计框架，通过缩放逆倾向收敛条件实现一致估计和有效推断。
Comments arXiv admin note: substantial text overlap with arXiv:2509.06287
缓慢变化序列的动态估计
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 针对缓慢变化序列，提出通用框架将隐式迹估计推广到多种线性和非线性函数，并开发自适应预算算法，获得更优的路径长度变分界。
Comments Preprint. 14 pages, 4 figures
NullFlow: 一步生成式重建
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Washington University in St. Louis（圣路易斯华盛顿大学）
AI总结 提出NullFlow框架，通过将生成流限制在测量一致子空间实现一步图像重建，无需数据保真校正，学习平均速度避免逐步积分，在图像修复中达到SOTA性能且仅需一次网络评估。
Comments 9 pages, 3 figures. Xiao Shi and Edward P. Chandler contributed equally
基于下一个词预测的测试时训练
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出TTT-NTP方法，利用预训练语言模型自身的下一个隐藏状态作为自监督信号进行测试时训练，无需重新设计骨干网络，在多个长上下文基准上显著提升性能。
Comments 17 pages, 2 figures, 7 tables. Preprint
一种基于颗粒堵塞的可调刚度仿生鱼机器人
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出一种通过颗粒堵塞快速调节刚度的仿生鱼机器人，实验表明刚度调节对游泳速度和能耗有显著影响，低频时软体最优，高频时硬体更优。
Comments ICRA2026 accepted, best paper finalist
可编程磁控软体机器人：可控运动与定向液体货物释放
机构 * Bio-integrated Robotics Lab at Mechanical Engineering（机械工程系生物集成机器人实验室） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校）
AI总结 提出一种优化磁化分布策略，实现磁控软体机器人的定向液体释放，同时保持形状变形和运动能力，为胃肠道靶向药物递送奠定基础。
Comments This manuscript has been accepted to the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)
TACO：使用LLMs的任务感知列描述生成
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Purdue University（普渡大学） ； Adobe
AI总结 提出TACO框架，通过三步流水线（缩写扩展、描述生成、描述修订）利用LLMs自动生成准确且信息丰富的列描述，在下游任务中性能提升高达32%。
Comments 15 pages, 11 figures, 9 tables
当Web代理完成但依然失败：并行Web探索的可复现触发与轨迹诊断
机构 * University of Wisconsin--Madison（威斯康星大学麦迪逊分校）
AI总结 研究并行Web探索中代理完成但隐含失败的问题，提出Parallel WebBench基准，通过GRPO训练和轨迹分析揭示三种持续失败模式，并指出合成数据GRPO缩小了完成-正确性差距。
$Ω$: 基于算子的混合集成生成同化
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 针对高维非线性系统中非高斯后验分布难以刻画的问题，提出Ω框架，融合条件高斯代理、无监督分数学习和生成采样，无需真实后验样本即可高效重构后验分布。
高效且可靠的AI智能体概率验证
机构 * Google DeepMind（谷歌DeepMind） ； Google（谷歌） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出基于分布鲁棒优化的框架，为AI智能体在复杂数字环境中的概率策略违规提供可靠上界，无需独立性假设，在终端和工具调用智能体基准上优于现有方法。
高维动态过程监测的拓扑数据分析
机构 * Department of Chemical & Biological Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校化学与生物工程系） ； ExxonMobil Technology and Engineering（埃克森美孚技术与工程）
AI总结 提出结合拓扑数据分析和机器学习的方法，将多变量时间序列表示为流形，用拓扑描述符总结结构，并用神经常微分方程学习拓扑结构动态演化，实现高效事件检测。
轨迹级监督何时允许高效的离线强化学习？
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文研究离线强化学习中仅使用轨迹级结果（如累积回报或偏好）进行策略优化的统计理论，提出OPAC算法并证明其样本复杂度，同时揭示在非线性聚合目标下存在的统计障碍。
Comments 69 pages
层次结构的紧凑几何表示
机构 * UW-Madison（威斯康星大学麦迪逊分校） ； MIT（麻省理工学院）
AI总结 研究如何用低维几何嵌入表示有向无环图中的祖先-后代关系，提出基于树宽等结构参数的维度上界和下界，并在真实数据集上验证了紧凑性。
Comments Published at the 39th Annual Conference on Learning Theory (COLT) 2026. 22 Pages
UniTemp: 通过双向蒸馏实现任意时间顺序的视频生成
机构 * University of Wisconsin Madison（威斯康星大学麦迪逊分校） ； Adobe Research（Adobe 研究院） ； University of California Los Angeles（加利福尼亚大学洛杉矶分校） ； University of California Davis（加利福尼亚大学戴维斯分校）
AI总结 提出UniTemp框架，通过双向蒸馏训练单个自回归模型，支持任意时间方向（前向、后向、中间插值）的视频生成，解决因果3D VAE在后向生成中的不连续性，提升可控性。
Montreal Forced Aligner 与 2026 年语音到文本对齐的现状
机构 * University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； McGill University（麦吉尔大学） ； Centre for Brain, Language, and Music（大脑、语言与音乐中心） ； University of Oregon（俄勒冈大学）
AI总结 本文介绍 MFA 3.0 自 1.0 版本以来的发展，并在英语、日语和韩语上评估其性能，在四个基准数据集上达到平均边界误差低于 15 ms 的最优或接近最优性能。
基于深度学习的OCO-2光谱大气CO2摊销概率检索：结合拉普拉斯近似与归一化流
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
AI总结 提出深度学习框架，利用拉普拉斯近似和归一化流从OCO-2光谱中快速、准确地检索大气CO2浓度，并量化不确定性，相比传统方法加速数个数量级且精度更高。
Comments 23 pages, 8 figures
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