高校专区
α-公平保险定价：一个公平性连续谱
机构 * Department of Risk and Insurance, Wisconsin School of Business, University of Wisconsin–Madison（威斯康星大学麦迪逊分校威斯康星商学院风险与保险系） ； Department of Information Systems and Operations Management, Warrington College of Business, University of Florida（佛罗里达大学沃灵顿商学院信息系统与运营管理系）
AI总结 提出α-FISP框架，通过约束优化平衡精算公平与团结公平，参数α实现从纯精算到纯团结的连续定价谱，理论保证且计算可行。
基于Lyapunov的弱耦合MDP样本复杂度分析
机构 * Department of Industrial and Systems Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校工业与系统工程系） ； 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） ； Computer Science Department, Carnegie Mellon University（卡内基梅隆大学计算机科学系）
AI总结 针对平均奖励弱耦合MDP和Restless Bandits，提出基于Lyapunov的分析框架，实现样本和计算复杂度关于臂数N的多项式级界限，并给出首个有限样本PAC保证。
Comments Accepted for presentation at the Conference on Learning Theory (COLT) 2026
推理即模式匹配：人类与LLM日常推理中的共享机制
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 研究通过比较人类和25个LLM在日常因果推理中的错误模式，发现两者均表现出模式匹配而非抽象世界模型驱动的推理，并识别出LLM中驱动响应的注意力头可预测人类推理错误。
Comments 13 pages main text, 51 pages supplementary text
DOG-DPO：几何中的动态优化用于安全对齐
机构 * University of Southern California（南加州大学） ； Iowa State University（爱荷华州立大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； Independent Researcher（独立研究员） ； University of Notre Dame（圣母大学）
AI总结 提出DOG-DPO框架，将偏好对表示为模型表示空间中的方向，通过几何分解和多样性覆盖选择子集，仅用11%数据即可恢复大部分安全增益。
SuperThoughts: 叠加中的推理令牌
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Microsoft Research（微软研究院） ； Independent（独立机构） ； Princeton University（普林斯顿大学） ； Rice University（莱斯大学）
AI总结 提出SuperThoughts方法，通过将连续CoT令牌对压缩为单一潜在表示并利用多令牌预测模块解码，在保持训练监督的同时将推理吞吐量翻倍，实现约20-30%的CoT长度缩减且精度损失极小。
Fed-FBD：用于隔离、隐私和精准遗忘的联邦功能块多样化
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出Fed-FBD模块化联邦架构，将ResNet分解为六个功能块并维护颜色变体仓库，实现块级隔离、隐私设计和亚秒级精准遗忘，在多个数据集上以微小精度代价换取安全保障。
Comments 12 pages, 3 figures, 8 tables. Code: https://github.com/wchen-ai/functional-block-diversification
学习辅助：面向隐式人机协作的协作式VLA模型
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 本文研究利用视觉-语言-动作（VLA）模型通过模仿学习实现人机协作，发现动作分块策略在隐式协作中存在演示动作泄漏问题，提出推理时引导方法缓解过早辅助行为，并通过用户研究验证其有效性。
使用推理代理的大规模反例引导学习
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 提出反例引导的LLM正则表达式归纳框架，通过验证器反馈和代理策略（如反思与修复循环）显著提升样本效率和复杂任务成功率。
Comments Code, data, and resources are publicly available for research purposes: https://github.com/Lhtie/CEGML
预算上的递归绑定：阶-p张量记忆中的子空间雕刻
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 提出正交子空间雕刻（OSC）方法，通过将填充符投影到角色基的零空间来绑定到角色，固定阶张量记忆实现深度递归绑定，在恒定内存下提升高叠加场景的效率。
Comments 24 pages, 12 figures, 7 tables
Journal ref 43rd International Conference on Machine Learning 2026
LakeFM：基于不规则多变量多深度时间序列数据的水生生态系统基础模型
机构 * Virginia Tech（弗吉尼亚理工大学） ； Grand Valley State University（大峡谷州立大学） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； Amazon AGI（亚马逊AGI） ； Aarhus University（奥胡斯大学）
AI总结 针对湖泊时间序列数据不规则采样和跨湖泊泛化难题，提出预训练基础模型LakeFM，在模拟和观测数据上学习表征，实现优于现有模型的预测性能。
Comments KDD 2026
ProHiFlo: 具有功能引导的分层流匹配用于从头蛋白质生成
机构 * Arizona State University（亚利桑那州立大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Tongji University（同济大学）
AI总结 提出ProHiFlo，一种分层流匹配框架，通过粗到细生成、功能引导和自适应SE(3)等变架构，实现高效、准确的从头蛋白质生成，在酶活性位点支架任务中成功率58.9%。
Comments 23 pages
高效学习带有Massart噪声的漂移半空间
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 针对Massart噪声下的漂移概念学习问题，提出一种计算高效的学习器，实现误差η + Õ(Δ^{1/3}/γ)，并证明该误差在低度多项式测试下最优。
Comments To appear at ICML 2026
一般ReLU的鲁棒回归与查询
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 针对高斯分布下一般ReLU的平方损失鲁棒回归，提出首个高效查询算法，使用d polylog(1/ε)+Õ(min{1/p,1/ε})个标签查询达到O(opt)+ε误差，并证明查询复杂度近最优。
Comments Appeared at NeurIPS 2025
推理是否保持对齐？关于大型推理模型的可信度研究
机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） ； University of Central Florida（中佛罗里达大学） ； University of Maryland College Park（马里兰大学帕克分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 研究通过监督微调、强化学习和蒸馏生成的推理模型在安全、偏见、隐私等六个可信度维度上是否保持对齐，发现推理模型常出现对齐退化，如毒性增加、刻板印象加剧等。
RealMath-Eval：为何SOTA裁判难以应对真实人类推理
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； East China Normal University（华东师范大学） ； New York University（纽约大学） ； Tongji University（同济大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 提出RealMath-Eval基准，评估LLM裁判对真实学生数学解答的评分能力，发现与人类评分存在高均方误差，而合成数据上表现更好，揭示评估差距源于人类错误空间的多样性和高信息熵。
Comments Code available at https://github.com/RicharMd/RealMath-Eval , Data available at https://huggingface.co/datasets/RicharMd/RealMath-Eval
TRIAGE: 基于辩证推理的不规则采样医学时间序列风险可解释预测方法
机构 * KAIST（韩国科学技术院） ； AITRICS ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 提出TRIAGE框架，利用大语言模型对竞争性临床结果生成辩证推理，缓解风险极化，实现连续风险评分与可解释推理，在三个基准上AUPRC提升3.3%，校准误差降低81%。
Comments Code is available at https://github.com/HyeongWon-Jang/TRIAGE
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。
学习求解生成式常微分方程：超越线性跨度
机构 * Korea University（高丽大学） ； KAIST（韩国科学技术院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 针对扩散和流生成模型中ODE求解器步数多的问题，提出SpanLift轻量神经求解器，通过空间残差算子增强标量系数更新，实现少步采样且不增加模型NFE，在多个任务上达到最先进性能。
Comments 12 pages, 7 figures
OpenHalDet：面向多种生成场景的幻觉检测统一基准
机构 * University of Technology Sydney（新南威尔士大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Bristol（布里斯托大学） ； The University of Queensland（昆士兰大学） ； Nanyang Technological University（南洋理工大学）
AI总结 提出OpenHalDet基准，标准化幻觉检测评估流程，支持黑盒、灰盒、白盒检测器，实现跨任务、模型和检测器的可控比较。
Comments Preprint. Code and data are available at https://github.com/Nellie179/Hallucination-Detection
MMBU: 大规模多模态生物医学理解基准，用于探测视觉语言模型的感知能力
机构 * Stanford University（斯坦福大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Instituto Tecnológico de Monterrey（蒙特雷技术学院） ； Monash University（墨尔本大学） ； University of Cambridge（剑桥大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shandong University（山东大学）
AI总结 提出MMBU基准，涵盖35个子模态，通过分类、定位和检测任务系统评估VLM在生物医学领域的视觉感知和泛化能力，发现高准确率可能掩盖感知缺陷。
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