高校专区
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
Cyst-X：用于胰腺囊性肿瘤恶性风险分层的多中心MRI基准与联邦学习框架
机构 * Machine & Hybrid Intelligence Lab, Department of Radiology, Northwestern University（机器与混合智能实验室，放射科，西北大学） ； Istanbul Faculty of Medicine, Istanbul University（伊斯坦布尔大学医学学院） ； Department of Biomedical Engineering and Radiology, University of Wisconsin-Madison（生物医学工程与放射科，威斯康星大学麦迪逊分校） ； Department of Preventive Medicine, Northwestern University（预防医学系，西北大学） ； Division of Gastroenterology and Hepatology, New York University（消化内科与肝病科，纽约大学） ； Department of Electrical, Electronic and Computer Engineering, University of Catania（电气、电子和计算机工程系，卡塔尼亚大学） ； NVIDIA ； Department of Radiology, Columbia University（放射科，哥伦比亚大学） ； Department of Radiology and Nuclear Medicine, Erasmus Medical Center（放射科与核医学科，埃因霍温医学院） ； Department of Gastroenterology and Hepatology, Erasmus Medical Center（消化内科与肝病科，埃因霍温医学院） ； Department of Radiology, New York University（放射科，纽约大学） ； Division of Gastroenterology and Hepatology, Mayo Clinic Florida（消化内科与肝病科，迈阿密诊所佛罗里达分部） ； Department of Gastroenterology and Hepatology, Northwestern University（消化内科与肝病科，西北大学）
AI总结 提出Cyst-X，一个多中心MRI基准和联邦学习框架，用于IPMN恶性风险分层，结合PanSegNet分割器和3D DenseNet-121分类器，在内部交叉验证中达到0.85的AUC，性能与放射科医生相当。
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
城市洪水观测：一个手标注的训练和验证数据集，用于洪水后淹没区域
机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室） ； University of Arizona（亚利桑那大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Utah State University（犹他州立大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学） ； University of Virginia（弗吉尼亚大学）
AI总结 本文提出UFO数据集，用于复杂城市环境中从卫星图像中映射洪水淹没区域，通过手标注数据集验证了分割模型，达到77.3的平均IoU，并评估了两种常用水体产品。
Comments 15 pages, 8 figures
通过动态引导缓解扩散模型幻觉
机构 * Stony Brook University（石溪大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 针对扩散模型因分数函数过度平滑导致的幻觉问题，提出动态引导方法，沿预定方向选择性锐化分数函数，保留有效语义变化，显著减少幻觉。
Comments Project page: https://cvlab-stonybrook.github.io/DynamicGuidance/
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。
从稀疏目标采样的硬标签误导旋转不变算法
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Wisconsin, Madison（威斯康星大学麦迪逊分校）
AI总结 针对稀疏目标下的二分类问题，证明旋转不变算法（如逻辑损失梯度下降）的过风险下界为Ω((d-1)/n)，而通过重参数化u_i v_i的非旋转不变算法可实现O(s log d / n)的上界。
Journal ref ICML-2026
MHA-RAG：通过将示例编码为软提示来提高效率、准确性和一致性
机构 * Department of Computer Science, Rice University（计算机科学系，里士大学） ； 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）
AI总结 提出MHA-RAG框架，将领域示例编码为软提示，通过多头注意力机制控制生成，在多个问答基准上相比标准RAG提升20点性能，同时降低10倍推理成本。
Comments 17 pages, 5 figures
DRIFT：一种用于视觉-语言模型中连续输出解码的残差流适配器
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； West Lafayette Jr./Sr. High School（韦斯特拉法叶高中）
AI总结 提出DRIFT框架，通过结合基础预测器和基于流匹配的生成式精化模块，将预训练视觉-语言模型适配到连续解码任务，在视觉定位和机器人控制等任务上优于回归和生成方法。
持续学习基准：评估现实世界有状态环境中的前沿AI系统
机构 * UC Berkeley（伯克利大学） ； Snorkel AI ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 提出首个专家验证的持续学习基准CL-Bench，涵盖六个领域，通过增益指标隔离在线学习能力，发现现有系统存在过拟合和知识复用不足问题。
个人AI代理用于相机胶卷VQA
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Korea University（韩国大学） ； Adobe Research（Adobe研究院）
AI总结 本文提出camroll数据集和camroll-agent代理，通过层次化记忆和工具集解决个人相机胶卷中的长程、高度个性化的视觉问答问题。
Comments Project page, code, and demo: https://thaoshibe.github.io/camroll
AI评估中的地理偏见与多样性
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 Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of Bristol（布里斯托大学）
AI总结 通过文献综述，识别AI中从训练数据到生成输出的多种地理偏见，并展示近期研究如何通过评估生成AI在不同认知层次、参数设置和输出模态下的地理多样性来应对这些偏见。
Comments Book chapter accepted by "Geography According to ChatGPT"
对抗代理：基于强化学习的黑盒逃逸攻击
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Virginia Tech（弗吉尼亚理工大学）
AI总结 本文提出了一种基于强化学习的对抗攻击方法，通过学习生成对抗样本的新算法，提高了攻击效率和成功率，同时在图像分类基准上展示了其优越的性能。
Comments Accepted to the Findings of CVPR 2026
M$^3$Eval: 通过认知基础视频任务的多模态记忆评估
机构 * School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室） ； Yuanpei College, Peking University（北京大学元培学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； School of Psychological and Cognitive Sciences, Peking University（北京大学心理学与认知科学学院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 提出首个多模态模型记忆评估框架M$^3$Eval，通过认知心理学设计的视频任务系统评估模型在记忆保持、忠实性和鲁棒性上的表现，发现模型在并行视频流处理、干扰模式、时空记忆和符号记忆方面的显著缺陷。
Comments We present an evaluation designed for multi-modal memory in multi-modal models
MAOAM: 基于视觉语言模型的统一对象与材质选择
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Adobe Research（Adobe研究）
AI总结 提出MAOAM框架，利用视觉语言模型和分割头，通过文本或点击交互实现对象和材质的精确选择，并设计数据生成流水线解决材质选择数据缺乏问题。
Comments Accepted to SIGGRAPH 2026 Conference. Project page: \href{https://jadenpark0.github.io/project_pages/maoam/}{here}
Archi: CMS实验中的代理操作
机构 * Massachusetts Institute of Technology（麻省理工学院） ； CMS Collaboration（CMS合作组） ； CERN（欧洲核子研究中心） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； Brown University（布朗大学） ； Harvard University（哈佛大学）
AI总结 提出Archi开源框架，整合异构数据源并部署可配置、私有的代理，用于CMS实验计算操作支持，在真实查询中表现有效。
通用智能体能否自动化数据筛选？
机构 * Virginia Tech（弗吉尼亚理工大学） ； 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） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出Curation-Bench基准，通过通用编码智能体自动化数据筛选循环，实验表明现成智能体可达到强基线，但存在执行-研究差距，而结构化方法引导的智能体能在十分之一数据预算下自主组合出优于强基线的数据选择策略。
Comments Preprint
MaskForge：用于越狱扩散大语言模型的结构感知自适应攻击
机构 * 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） ； University of Southern California（南加州大学） ； Responsible AI Research (RAIR) Centre, The University of Adelaide（阿德莱德大学负责任人工智能研究中心）
AI总结 提出MaskForge，一种全黑盒自适应攻击方法，通过优化结构模式库实现扩散大语言模型的红队测试，平均攻击成功率达79.3%。
Comments 28 pages, 7 figures, 11 tables. Preprint
SPLIT-PINN: 基于物理信息神经网络的可分离概率学习技术用于高维概率建模
机构 * Department of Mechanical Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校机械工程系） ； Department of Mathematics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校数学系） ； Department of Civil Engineering, Johns Hopkins University（约翰霍普金斯大学土木工程系） ； Materials Physics and Applications Division, Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室材料物理与应用 division） ； Department of Materials Science and Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校材料科学与工程系）
AI总结 提出一种基于物理信息神经网络的可分离概率学习技术（SPLIT-PINN），通过将漂移场分解为边际校正项并施加正交约束，从数据中推断高维输运主导的联合概率密度函数演化，实现对多晶材料微观结构状态演变的准确概率预测。
CounterFace: 用于人脸识别系统细粒度反事实评估的合成人脸数据集
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Visa Research（Visa研究）
AI总结 提出CounterFace数据集，通过全自动流水线生成包含20种面部属性和8种人口统计因素的11,821个反事实人脸对，用于细粒度评估人脸识别系统在特定属性-人口统计组合下的性能退化。
Comments Code available at https://github.com/Guruprasad68/counterface_facct2026. Dataset available for non-commercial research upon request
用最优控制方法进行序列机器教学
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出了一种基于最优控制的序列机器教学方法，通过将问题转化为时间最优控制问题，解决了寻找最短训练序列以驱动学习算法达到目标模型的问题，并在案例研究中展示了该方法的优越性。
正则化与松弛：从锥优化视角看统计变量选择
机构 * Department of Mathematics, Washington State University（数学系，华盛顿州立大学） ； Department of Statistics, University of Connecticut（统计系，康涅狄格大学） ； Department of Industrial and Systems Engineering, University of Wisconsin-Madison（工业与系统工程系，威斯康星大学麦迪逊分校）
AI总结 本文从锥优化视角探讨变量选择问题，证明MCP和反Huber惩罚函数可视为视角松弛的特例，并通过半定松弛解决，结合Goemans-Williamson方法获得近似解。
Comments Also available on optimization online {http://www.optimization-online.org/DB_HTML/2015/05/4932.html}
关于GROUSE和增量SVD
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）
AI总结 本文改进增量SVD以处理缺失数据，并证明其与特定参数下的GROUSE等价，探讨了增量算法在子空间估计中的应用。
可扩展的导数高斯过程通过精确梯度约简
机构 * Department of Statistics University of Wisconsin–Madison（统计学系威斯康星大学麦迪逊分校）
AI总结 提出TERA方法，利用精确梯度约简将导数高斯过程的计算复杂度从O(n^3 d^3)降至O(d m^2 + m^6)，实现高维空间中的可扩展推理。
GeoDrive-Bench：自动驾驶中区域特定多模态推理的基准测试
机构 * 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）
AI总结 提出GeoDrive-Bench基准，通过5053个跨六国人工验证的多选题，评估视觉语言模型在感知、预测、规划和区域推理四个驾驶任务中基于区域特定交通规则的推理能力，并设计蒸馏算法注入区域知识以提升模型性能。
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