高校专区
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。
多项式神经网络的最小填充架构：反例、前沿搜索与缺陷
机构 * Department of Mathematics, University of Wisconsin-Madison, Wisconsin, USA（威斯康星大学麦迪逊分校数学系）
AI总结 本文通过前沿搜索和符号计算验证了多项式神经网络的最小单峰猜想反例，揭示了部分子架构存在较大缺陷，与以往小缺陷现象形成对比。
TetriServe: 高效服务混合DiT工作负载
机构 * University of Michigan（密歇根大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Nanyang Technological University（南洋理工大学）
AI总结 针对混合分辨率与截止时间的异构DiT工作负载，提出基于步骤级序列并行的TetriServe系统，通过轮次调度与自适应并行度，在保证图像质量下将SLO达成率提升32%。
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。
利用谱归一化神经高斯过程进行生物医学影像中的不确定性感知图像分类
机构 * Department of Pathology（病理学部） ； Lab Medicine, University of Wisconsin-Madison（实验室医学，威斯康星大学麦迪逊分校）
AI总结 本文提出SNGP模型，通过谱归一化和高斯过程层改进单模型不确定性估计与异常检测，在三个生物医学分类任务中表现优异。
Comments Published at the IEEE International Symposium on Biomedical Imaging (ISBI) 2026
Journal ref Proc. 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI),London, United Kingdom, Apr. 8-11, 2026, pp. [1-4], 2026
WebSP-Eval：在网站安全与隐私任务上评估网络代理
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 提出WebSP-Eval框架，通过200个任务实例和自动化评估器，测试多模态大模型在网站安全与隐私任务上的表现，发现状态UI元素（如开关）导致超过45%的任务失败。
Comments Accepted at PETS 2026. Project Page: https://wiscprivacy.com/webspeval/
重新审视主动说话人检测：面向泛化性和鲁棒性的野外基准
机构 * University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； Oregon State University（俄勒冈州立大学） ； University of Sydney（悉尼大学） ； Kookmin University（韩国成均馆大学）
AI总结 提出UniTalk数据集，涵盖多语言、嘈杂背景和拥挤场景等挑战性真实条件，评估显示现有模型在野外环境下性能不足，而UniTalk训练模型泛化性更好，为主动说话人检测建立新基准。
Comments Accepted to Interspeech 2026
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
对抗LLM训练中的数据清洗
机构 * University of Melbourne（墨尔本大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 针对数据清洗（通过变换风格隐藏数据来源）导致传统检测失效的问题，提出基于辅助LLM推断变换目标并合成查询的SDR方法，显著增强数据滥用检测能力。
Comments 29 pages, 2 figures
从有偏且昂贵的数据源学习：预算下的极小极大最优数据收集
机构 * Department of Statistics University of Wisconsin-Madison（统计学系威斯康星大学麦迪逊分校） ； Department of Biostatistics University of Wisconsin-Madison（生物统计学系威斯康星大学麦迪逊分校） ； 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）
AI总结 针对预算固定的多源数据收集问题，提出最大化有效样本量的采样方案，结合事后分层估计器，实现极小极大最优风险。
Comments COLT 2026
MiniFool——深度神经网络中基于物理约束感知的最小化器对抗攻击
机构 * Bonn-Aachen International Center for Information Technology（波恩-亚琛国际信息科技中心） ； University of Bonn（波恩大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所） ； North Rhine-Westphalia（北莱茵-威斯特法伦州） ； RWTH Aachen University（亚琛工业大学） ； III. Physikalisches Institut B（物理研究所B） ； III. Physikalisches Institut A（物理研究所A） ； Physikalisches Institut（物理研究所） ； Erlangen Centre for Astroparticle Physics（埃朗根天体粒子物理中心） ； Friedrich-Alexander-Universität Erlangen-Nürnberg（埃朗根-纽伦堡弗里德里希-亚历山大大学） ； Dept. of Physics and Wisconsin IceCube Particle Astrophysics Center（物理系和威斯康星冰立方粒子天体物理学中心） ； University of Wisconsin—Madison（威斯康星大学麦迪逊分校）
AI总结 提出MiniFool算法，通过最小化结合χ²检验统计量与目标分数偏差的代价函数，生成物理感知的对抗样本，用于测试粒子与天体物理中的神经网络分类器，并量化网络决策的鲁棒性。
Comments Submitted to Computing and Software for Big Science
Journal ref Published in: Eur.Phys.J.C 86 (2026) 6, 641
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。
基于隐私化敏感属性的无歧视保险定价
机构 * Department of Risk and Insurance, University of Wisconsin-Madison（风险与保险系，威斯康星大学麦迪逊分校） ； Department of Statistics and Operations Research, University of North Carolina-Chapel Hill（统计与运筹系，北卡罗来纳大学教堂山分校）
AI总结 针对保险公司无法直接获取敏感属性（如性别、种族）的公平定价问题，提出利用隐私化（加噪）敏感属性估计无歧视保费的方法，并建立理论保证与实证验证。
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
CoVR-R: 推理感知的组合视频检索
机构 * Mohamed bin Zayed University of AI（莫扎德·本·扎耶德人工智能大学） ； University of Chicago（芝加哥大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Linköping University（林奈大学）
AI总结 提出一种零样本推理优先方法，利用大型多模态模型推断编辑的因果和时序后效，并构建CoVR-Reason基准评估，在隐式效应子集上显著优于强基线。
Comments 9 Pages, 3 Figures
从不可约元组合线性层
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 提出用Clifford代数将线性层分解为双向量（几何基元）的组合，仅需O(log^2 d)参数，在LLM注意力投影中匹配强基线性能。
Comments 35 Pages, 11 Tables, 6 Figures, Appearing in NeurIPS 2025
Journal ref Advances in Neural Information Processing Systems 38 (2025)
评估LLM生成数据的质量与可信度综述
机构 * University of Houston（德克萨斯大学休斯敦分校） ； Worcester Polytechnic Institute（沃思利理工学院） ； Rice University（里德大学） ； Texas A&M University（德克萨斯农工大学） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； University of Southern California（南加州大学） ； University of North Carolina at Charlotte（北卡罗来纳州立大学夏洛特分校）
AI总结 提出LLM数据审计框架，从质量和可信度两个维度系统分类评估指标，分析六种模态数据生成方法的评估缺陷并给出改进建议。
Comments Published at TMLR. Title changed in the final version
Journal ref Transactions on Machine Learning Research, 2026
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
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