高校专区
Lean-GAP：形式化研究生代数问题数据集
机构 * University of California, Berkeley（加州大学伯克利分校） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Hanyang University（翰阳大学） ； Hufs University（Hufs大学） ； Sungkyunkwan University（成均馆大学） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； Sejong University（世宗大学） ； University of Connecticut（康涅狄格大学）
AI总结 本文提出Lean-GAP数据集，包含430个来自Dummit和Foote《抽象代数》的形式化研究生代数问题，并开发了从PDF预处理到自动形式化再到验证的可扩展流水线。
Cryo-Bench：面向冰冻圈应用的基础模型基准测试
机构 * Center for Sustainability and the Global Environment (SAGE), University of Wisconsin–Madison（可持续性与全球环境中心（SAGE），威斯康星大学麦迪逊分校） ； Portsmouth AI and Data Science Centre (PAIDS), School of Computing, University of Portsmouth（波特茅斯人工智能与数据科学中心（PAIDS），计算学院，波特茅斯大学） ； ESA, ESRIN, φ \varphi -lab, Frascati（欧洲航天局（ESA），欧洲空间研究中心（ESRIN），φ实验室，弗拉斯卡蒂）
AI总结 提出Cryo-Bench基准，评估14个地理基础模型在冰冻圈关键组件（如冰川、冰湖、海冰等）上的性能，发现UNet在冻结编码器下平均mIoU最高（66.38），而全微调结合学习率调整可提升性能12.77%。
低分辨率编辑足以实现高分辨率编辑
机构 * ECE & IPAI, Seoul National University（电子与信息物理学院及首尔国立大学IPAI） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出一种测试时优化框架，通过分块优化、细节迁移和同步策略，实现高分辨率图像编辑。
Comments CVPR 2026. Project website: https://hleephilip.github.io/ScaleEdit
基于LLM的物理查询计划测试时优化
机构 * Stanford University（斯坦福大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； TogetherAI ； Bauplan
AI总结 提出DBPlanBench框架，利用LLM在测试时通过语义推理和进化搜索优化物理查询计划，在OLAP查询中实现1.05-1.12倍中位数加速，并支持小规模到大规模的迁移。
Comments Code is available at: https://github.com/BauplanLabs/DBPLANBENCH
低秩曲率用于大语言模型微调中的零阶优化
机构 * University of Wisconsin – Madison（威斯康星大学麦迪逊分校） ； University of Georgia（佐治亚大学） ； Hanyang University（翰阳大学）
AI总结 提出LOREN方法，通过低秩块对角预条件器捕捉曲率并利用REINFORCE留一法梯度估计器降低方差，在LLM微调中实现更高精度和更快收敛，同时峰值内存使用降低27.3%。
Comments Accepted to the AAAI Conference on Artificial Intelligence (AAAI-2026)
MAC：一种使用平均激活近似曲率的高效梯度预条件方法
机构 * University of Wisconsin – Madison（威斯康星大学麦迪逊分校） ； University of Georgia（佐治亚大学） ； Hanyang University（翰阳大学）
AI总结 提出MAC方法，通过近似KFAC中Fisher信息矩阵的Kronecker因子，降低二阶优化计算负担，并首次将Kronecker分解应用于Transformer注意力层，在多种网络和数据集上优于KFAC等现有方法。
Comments Accepted to the IEEE International Conference on Data Mining (ICDM-2025)
通过掩码条件潜在扩散增强改善TEM缺陷的联合检测与分类
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of Michigan-Ann Arbor（密歇根大学安娜堡分校）
AI总结 提出一种基于掩码条件潜在扩散模型（LDM）的生成式数据增强方法，用于合成可控、自动标注的多类缺陷掩码的TEM图像，以提升小样本下Mask R-CNN模型的缺陷检测与分类性能。
EvoPool: 面向标签高效专业监督的进化式程序化标注
机构 * Oregon State University（俄勒冈州立大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出进化多智能体框架EvoPool，通过程序化标注器迭代进化与投票聚合，在低标注成本下显著提升专业领域监督性能。
Comments 39 pages, 7 figures. Code: https://github.com/tianyi0216/EvoPool
SafeGen-Bench: 图像条件文本到视频生成中的安全性基准测试
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Tsinghua University（清华大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 针对图像条件文本到视频生成中安全文本和图像组合仍可能产生有害内容的问题，提出SafeGen-Bench基准，定义10个恶意类别并评估现有模型，发现当前模型难以避免生成恶意内容，且单模态护栏防御不足。
Comments 8 pages, 7 figures, 2 tables
物理基础模型从模拟到实验室湍流的涌现迁移
机构 * University of Cambridge（剑桥大学） ； CEA, DAM/DIF（法国CEA DAM/DIF） ； Flatiron Institute（Flatiron研究所） ； New York University（纽约大学） ； Princeton University（普林斯顿大学） ； Yale University（耶鲁大学） ； AIM, Université Paris-Saclay, Université Paris Cité, CEA, CNRS（AIM，巴黎-萨克雷大学，巴黎城市大学，CEA，CNRS） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Polymathic AI（聚合人工智能）
AI总结 通过微调连续介质动力学基础模型Walrus，在仅使用少量模拟数据的情况下，零样本泛化到实验室瑞利-泰勒不稳定性实验，揭示了初始条件在模拟-实验差距中的关键作用。
CHAM-net：用于鲁棒全球甲烷通量预测的对比层次自适应元网络
机构 * University of Pittsburgh（匹兹堡大学） ； Purdue University（普渡大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； NOAA Global Monitoring Laboratory（国家海洋大气管理局全球监测实验室） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Maryland（马里兰大学）
AI总结 提出对比层次自适应元网络（CHAM-net），通过层次编码器-解码器架构从历史数据中学习站点特异性动态，解决时空异质性问题，在模拟和观测数据集上优于基线方法。
基于位姿条件的UWB测距去噪的V2I工作区几何重建
机构 * Department of Civil & Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系）
AI总结 针对V2I工作区几何重建中UWB测距受突发异常、非视距误差和位姿不确定性的影响，提出一种位姿条件、排列等变的预测去噪器，通过共享锚点时间预测、对称集聚合和位姿条件残差解码，显著提升测距精度和几何重建质量。
基于E值的差分隐私假设检验的最优速率
机构 * 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）
AI总结 研究在ε-差分隐私约束下，使用e值进行假设检验时所能达到的最大e-power，并给出最优速率及匹配算法。
Comments Corrected typos; updated references; generalized proposition 3.1
DynMuon: 缪子的动态谱整形视角
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； MIT（麻省理工学院） ； Elorian AI
AI总结 本文提出DynMuon方法，通过动态调整谱整形参数p（从正到负），在训练过程中平衡高曲率与低曲率方向，从而加速收敛并降低验证损失。
Comments 21 pages
通过证据校准的查询聚类捕捉LLM能力
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Elorian AI
AI总结 提出ECC算法，利用有限后验模型比较校准先验语义嵌入，通过Bradley-Terry模型参数化能力轮廓，联合学习灵活的能力感知聚类结构，显著提升LLM能力排序质量。
Comments 45 pages
编码智能体作为世界模拟器
机构 * Department of Mechanical & Aerospace Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校机械与航空航天工程系） ； School of Computer, Data, and Information Sciences, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机、数据与信息科学学院）
AI总结 提出一个通过可执行模拟代码构建基于物理的世界模型的智能体框架，协调规划、代码生成、视觉审查和物理分析智能体，迭代修正代码以满足物理约束，在物理准确性、指令忠实度和视觉质量上超越视频模型。
群体分布鲁棒优化神经元的鲁棒学习
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Microsoft Research, Cambridge（微软研究院，剑桥）
AI总结 针对任意标签噪声和群体级分布偏移，提出一种计算高效的原对偶算法，学习一个单神经元，使其在最小化最坏情况群体加权损失时达到常数因子竞争比。
T1：小语言模型测试时计算扩展的工具集成验证
机构 * KAIST（韩国科学技术院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； KRAFTON
AI总结 针对小语言模型在测试时扩展中验证能力不足的问题，提出T1框架，通过外部工具过滤候选输出后由小语言模型进行最终验证，显著提升验证准确率和测试时扩展性能。
Comments ICLR 2026
无最优演示者的逆强化学习：一种可行奖励集方法
机构 * MIT LIDS（麻省理工学院媒体实验室） ； University of Massachusetts, Amherst（马萨诸塞大学阿姆赫斯特分校） ； Adobe Research（Adobe研究院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 针对多个非最优演示者数据，提出可行奖励集框架，通过线性约束联合可行集单调收缩，并给出恢复保证与高维环境离线算法。
轨迹中的捉迷藏：发现VLA运行时监控的失败信号
机构 * 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 提出Hide-and-Seek框架，通过轨迹间和轨迹内对比学习，从轨迹级监督中定位失败指示动作，实现无需步骤标注的VLA模型运行时失败检测。
多项式时间内私有估计单调统计量
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Boston University（波士顿大学） ； MIT Mathematics（麻省理工学院数学系） ； University of Copenhagen（哥本哈根大学）
AI总结 针对单调统计量的差分隐私估计，提出一种改进的子采样-聚合算法，在样本复杂度上节省因子t，运行时间增加因子e^t，并证明其最优性。
为什么DDIM比DDPM更容易产生幻觉：反向动力学的理论分析
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 通过理论分析高斯混合目标下的反向ODE（DDIM）和SDE（DDPM），证明在临界时间τ后DDIM会卡在两个最近模式之间的线段上，而DDPM的随机性帮助其脱离该区域从而避免幻觉。
Comments Accepted in ICML
DEBATE：用于评估角色扮演LLM代理中观点动态的大规模基准
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Google DeepMind（谷歌DeepMind） ； Stanford University（斯坦福大学）
AI总结 提出DEBATE基准，通过多轮公共消息和Likert量表信念数据，评估多代理角色扮演LLM模拟中观点动态的真实性，发现零样本设置下代理组过度收敛，而监督微调可改善立场对齐并减少组级收敛误差。
在不了解世界的情况下安全学习：COMPASS-Hedge
机构 * Department of Economics University of Wisconsin–Madison（经济学系威斯康星大学麦迪逊分校） ； Department of Finance University of Wisconsin–Madison（金融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 提出COMPASS-Hedge算法，通过自适应伪遗憾缩放和基于阶段的激进策略，首次在全信息在线学习中同时实现对抗环境下的极小化最优遗憾、随机环境下的实例最优遗憾以及相对于基准策略的常数遗憾，且无需先验知识。
MENTOR: 面向自回归视觉生成模型的高效多模态条件微调
机构 * 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） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Microsoft（微软公司）
AI总结 提出MENTOR框架，通过两阶段训练范式实现自回归图像生成器与多模态输入的细粒度token级对齐，无需辅助适配器或交叉注意力模块，在DreamBench++上取得优异性能。
Comments Findings of ACL 2026
大语言模型的越狱与漏洞缓解
机构 * Hunan University Changsha, PRC ； Georgia Institute of Technology Atlanta, USA ； Kyoto University Kyoto, Japan ； Purdue University West Lafayette, USA ； National Taiwan Normal University Taipei, ROC ； University of Liverpool Suzhou, PRC ； Hong Kong University of Science ； University of Hawaii Honolulu, USA ； The University of Texas at Dallas Dallas, USA ； University of Wisconsin-Madison Madison, USA ； Emory University Atlanta, USA ； College of William \& Mary Williamsburg, USA
AI总结 本文综述了大语言模型在提示注入和越狱攻击下的漏洞，分类攻击方法并评估防御策略，指出研究空白与未来方向。
Journal ref Eureka 1(1) (2026) 26-61
来自显式和隐式证据的个人视觉记忆
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Adobe Research（Adobe研究）
AI总结 本文提出个人视觉记忆基准和VisualMem混合架构，通过显式与隐式视觉证据增强AI代理的长期记忆，显著提升个性化任务性能。
Comments Project Page: https://viettmab.github.io/visualmem-page/
技能条件门控自蒸馏用于大语言模型推理
机构 * Tsinghua University（清华大学） ； Fudan University（复旦大学） ； City University of Hong Kong（香港城市大学） ； Huazhong University of Science and Technology（华中科技大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 提出技能条件门控自蒸馏（SGSD），通过从经验技能库中检索技能-错误对构建多教师池，并利用验证器验证教师极性，以鲁棒门控目标蒸馏信息性师生差异，在弱先验信息假设下提升数学推理性能。
基于受控向量场的参数高效生成建模
机构 * Department of Computer Sciences, University of Wisconsin, Madison, WI, 53706（威斯康星大学麦迪逊分校计算机科学系）
AI总结 提出一种基于Chow-Rashevskii定理的连续时间生成建模框架，通过少量固定向量场和学习的标量控制构建表达流，实现参数高效的分布变换。
循环熵爆发：智能体强化学习中的熵动力学
机构 * 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）
AI总结 本文发现智能体强化学习训练中存在循环熵爆发现象，并提出了SEAL辅助损失函数来稳定训练、提升性能。
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