高校专区
ENTRA：基于熵的大型语言模型推理中的冗余避免
机构 * School of Computer Science, Guangdong University of Technology（广东工业大学计算机科学学院） ； Peng Cheng Laboratory（鹏城实验室） ； Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 ENTRA通过基于熵的训练框架减少大型语言模型的冗余推理，提升推理效率和准确性。
用于高效视频识别的平滑正则化
机构 * Computer Science Department（计算机科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； School of Electrical and Computer Engineering（电气与计算机工程学院） ； Tel-Aviv University（特拉维夫大学）
AI总结 本文提出了一种平滑正则化方法，通过建模连续帧的变化为高斯随机游走，提升轻量级视频识别模型的准确率。
Comments Accepted to NeurIPS 2025
如何后门攻击知识蒸馏
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Carnegie Mellon University Africa（卡内基梅隆大学非洲分校）
AI总结 本文提出了一种通过污染知识蒸馏数据集来攻击学员模型的新方法，揭示了知识蒸馏过程中的安全漏洞。
从EEG到fMRI的合成：解决统计显著性和泛化性问题
机构 * Institute for Systems and Robotics – Lisboa and Department of Bioengineering, Instituto Superior Técnico, Universidade de Lisboa, Portugal（里斯本系统与机器人研究所及生物工程系，里斯本技术学院，里斯本大学，葡萄牙） ； Electrical and Computer Engineering Department, Carnegie Mellon University（电气与计算机工程系，卡内基梅隆大学）
AI总结 本文探讨了EEG到fMRI合成中统计显著性和泛化性问题，通过训练分布式滞后线性模型，展示了EEG在预测任务诱发和自发脑活动中的有效性，但发现训练数据不同会话时预测能力下降。
ENCO：企业级协作者的生命周期管理
机构 * Microsoft（微软公司） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 ENCO 通过 DECO 框架提升企业级协作者的生命周期管理，实现高效检索增强生成和自动化资源访问，提高工程效率。
Gecko：一种高效神经架构，能够处理任意长度的序列
机构 * University of Southern California（美国南加州大学） ； Meta AI Research（Meta人工智能研究） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California San Diego（加州大学圣地亚哥分校） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 Gecko通过改进的神经架构实现高效长序列处理，优于现有模型在效率和长上下文扩展性上的表现。
Comments 13 pages, 5 figure and 3 tables
法律中的LLM代理：分类、应用与挑战
机构 * Carnegie Mellon University（卡内基梅隆大学） ； National University of Singapore（国立新加坡大学） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； The University of Chicago（芝加哥大学） ； Rutgers University（罗格斯大学） ； Columbia University（哥伦比亚大学） ； New Jersey Institute of Technology（新泽西理工学院）
AI总结 本文探讨了法律领域中LLM代理的分类、应用及挑战，分析了技术转变、应用分类、评估方法及未来发展方向。
理性合成器还是启发式追随者？分析基于检索增强生成的问答系统
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文通过GroupQA数据集分析LLM在基于检索增强生成的问答系统中如何整合冲突证据，发现模型倾向于优先证据且解释不忠实，表明LLM作为脆弱的启发式追随者。
Comments 13 pages, 9 figures, ACL ARR submission
如何评估人工智能素养：自我报告与基于客观的评估之间的不一致
机构 * University of Florida（佛罗里达大学） ； Carnegie Mellon University（卡内基梅隆大学） ； National Tsing Hua University（国立清华大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本研究开发并评估了教师人工智能素养的自我报告和基于客观的测量方法，揭示了两者在不同教师群体中的显著差异，并提出了适用于专业发展的诊断工具。
Comments 16 pages, 6 figures, LAK2026
在合成环境中训练多功能编码代理
机构 * Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 SWE-Playground通过从头生成项目和任务，训练多功能编码代理，能够处理更广泛的编码任务并提升性能。
深度均衡单索引模型的梯度下降
机构 * Carnegie Mellon University, Department of Statistics（卡内基梅隆大学统计系） ； Carnegie Mellon University, Department of Statistics and Machine Learning（卡内基梅隆大学统计与机器学习系）
AI总结 本文研究了深度均衡单索引模型的梯度下降动态，证明了线性收敛性和守恒定律，通过实验验证了理论结果。
E2-BKI: 基于证据的椭圆贝叶斯核推断的不确定性感知高斯语义映射
机构 * Agency for Defense Development（国防发展局） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
AI总结 E2-BKI通过证据深度学习和几何对齐核函数，实现不确定性感知的高斯语义映射，提升复杂户外环境中的映射鲁棒性和效率。
Comments Accepted to IEEE RA-L. Our project website can be found at https://kjyoung.github.io/Homepage/#/Projects/E2-BKI
ORB-SfMLearner: 基于ORB的自监督视觉里程计与选择性在线适应
机构 * College of Electrical Engineering, Sichuan University（四川大学电气工程学院） ； Rice University（里士满大学） ； Graduate Institute of Networking and Multimedia, National Taiwan University（台湾大学网络与多媒体研究所） ； Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所）
AI总结 ORB-SfMLearner通过引入ORB特征和交叉注意力机制，提升视觉里程计的精度与通用性，实现更稳健的自身运动估计。
Comments ICRA 2025; Project page: https://www.neiljin.site/projects/orbsfm/
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