高校专区
InT：自我提出干预使LLM推理中的信用分配成为可能
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 InT通过自我提出干预实现LLM推理中的细粒度信用分配，提升模型在数学推理任务中的表现。
基于课程学习的跨领域动作识别高效策略
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出基于课程学习的跨领域动作识别方法，通过合成和真实数据结合提升模型泛化能力，显著减少训练迭代次数。
平均奖励Q学习的样本复杂度：从单智能体到联邦强化学习
机构 * CUHK Department of Statistics and Data Science, Chinese University of Hong Kong（中国香港中文大学统计与数据科学系） ； CMU Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系） ； CUHK（中国香港中文大学） ； CMU（卡内基梅隆大学） ； Yale Department of Statistics and Data Science, Yale University（耶鲁大学统计与数据科学系）
AI总结 本文提出了一种针对平均奖励MDPs的Q学习算法，通过单智能体和联邦场景的样本复杂度分析，证明了在弱通信假设下，联邦设置能有效降低样本复杂度。
ICASSP 2026 URGENT语音增强挑战
机构 * Shanghai Jiao Tong University（上海交通大学） ； Technische Universität Braunschweig（Braunschweig技术大学） ； Waseda University（早稻田大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Meta
AI总结 ICASSP 2026 URGENT挑战通过两个赛道推动通用语音增强系统的发展，吸引80多支队伍参与，展示对鲁棒语音增强技术的广泛兴趣。
Comments The overview paper of the ICASSP 2026 URGENT Speech Enhancement Challenge
乐器音乐如何帮助检测 SingFake？
机构 * National Taiwan University（国立台湾大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Rochester（罗切斯特大学） ； NVIDIA（NVIDIA公司） ； Independent Researcher（独立研究者）
AI总结 本研究探讨了乐器音乐对SingFake检测的影响，发现伴奏主要作为数据增强，微调会增强对说话人特征的依赖并降低对内容信息的敏感性。
Comments Accepted by ICASSP 2026
A0：一种面向通用机器人操作的感知意识分层模型
机构 * MBZUAI ； SYSU（南方科技大学） ； SUSTech（华南理工大学） ； Spatialtemporal AI（时空人工智能） ； CMU（卡内基梅隆大学）
AI总结 A0提出了一种分层的可及性感知扩散模型，通过分解操作任务为高层空间可及性理解和低层动作执行，提升机器人操作的效率和灵活性。
为任何声音生成可控制风格嵌入的 Lombard 语音合成
机构 * KIT Campus Transfer GmbH (KCT)（KIT校园转移公司） ； Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； Carnegie Mellon University (CMU)（卡内基梅隆大学）
AI总结 本文提出了一种可控的 Lombard 语音合成系统，通过风格嵌入和 PCA 调整实现对任何说话者语音的可控生成。
RPT*: 带概率终端的全局规划用于复杂环境中的目标搜索
机构 * Global College, Shanghai Jiao Tong University（上海交通大学全球学院） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
AI总结 RPT*通过动态规划和新启发式方法解决复杂环境中的目标搜索问题，实现最优路径规划与高效探索的平衡。
分歧作为数据：多智能体系统中的推理轨迹分析
机构 * University at Albany（纽约州立大学阿尔巴尼分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Arizona State University（亚利桑那州立大学） ； Le Mans University（勒曼大学） ； University of California, Irvine（加州大学尔湾分校） ； Indian Institute of Technology Bombay（印度班加罗尔理工学院） ； Extuitive Inc. (Flagship Pioneering)（Extuitive公司（Flagship Pioneering））
AI总结 本研究提出利用LLM代理生成的推理轨迹分析分歧，通过余弦相似度检测和量化代理间的分歧，提升定性编码的解释实践和方法论严谨性。
Comments LAK 2026 conference paper, 7 pages
SSVD-O：基于结构SVD的参数高效微调用于语音识别
机构 * KU Leuven（卢森堡大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 SSVD-O通过结合输入和输出特征空间的结构SVD引导微调，实现高效语音识别模型的参数高效微调，提升泛化能力和减少灾难性遗忘。
Comments Accepted by IEEE ICASSP 2026
具有通信约束的协作多智能体强化学习
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出基策略预测技术，通过预测基础策略更新减少通信轮次，提升多智能体协作学习效率。
Comments 33 pages
大型语言模型真的能理解当先例被推翻时的情况吗？
机构 * University of Pittsburgh（匹兹堡大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文通过评估LLMs在识别美国最高法院案件中推翻关系的能力，揭示了模型在时间敏感性、推理深度和上下文依赖性方面的局限性，并提出了一种更贴近真实法律推理任务的长上下文基准。
Comments 12 pages, 2 figures, JURIX 2025
Journal ref Proceedings of the 2025 Conference on Legal Knowledge and Information Systems
链式影响：在时间和特征间追溯临床预测模型中的相互依赖关系
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 Chain-of-Influence提出了一种可解释的深度学习框架，通过构建特征相互作用的显式时间展开图，实现了对临床预测模型中时间与特征间相互依赖关系的追溯，提升了模型的可解释性和透明度。
基于姿态漂移的声学神经3D重建
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
AI总结 本文提出了一种联合优化神经场景表示和声纳姿态的算法，以提升在姿态漂移下的声学3D重建精度。
Comments 8 pages, 8 figures. This paper is accepted by 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
关于具有瞬时依赖性的时序因果表示识别
机构 * 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） ； Guangdong University of Technology（广东技术大学） ； The University of Melbourne（墨尔本大学）
AI总结 本文提出IDOL框架，通过稀疏影响约束识别具有瞬时依赖性的时序因果过程，实验验证其在模拟数据和现实场景中的有效性。
神经编码器能否泛化？跨未见语言和非语音任务的受控研究
机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Meta
AI总结 本文研究了神经音频编码器在未见语言和非语音任务上的泛化能力，发现预训练中引入非语音数据能提升非语音任务性能，但语音预训练的NACs在非语音任务上表现较差。
无服务器AI安全：基于FaaS的机器学习的攻击面分析与运行时保护机制
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出Serverless AI Shield框架，通过多层防护机制提升无服务器环境中机器学习的安全性，实现高检测率与低性能开销。
Comments 17 Pages, 2 Figures, 4 Tables
让我再试一次：通过追踪学生的潜在问题解决路径来研究重播行为
机构 * University of Florida（佛罗里达大学） ； Worcester Polytechnic Institute（沃思黑普理工学院） ； Singapore University of Technology and Design（新加坡科技与设计大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究利用HMMs分析学生在游戏化学习平台中的问题解决路径，发现即时重播有助于提升学习效果，而延迟重播则与学习结果呈负相关。
Comments 16 pages, 7 figures, LAK2026
自我进化代理的综述：何时、何地、如何进化以实现人工超级智能
机构 * Princeton University（普林斯顿大学） ； Princeton AI Lab（普林斯顿人工智能实验室） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Sydney（悉尼大学） ； Shanghai Jiao Tong University（上海交通大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of Michigan（密歇根大学） ； Oregon State University（俄勒冈州立大学） ； The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The University of Hong Kong（香港大学） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Edinburgh（爱丁堡大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文综述了自我进化代理的现状，探讨了进化机制、适应方法及挑战，为实现人工超级智能提供路线图。
Comments 77 pages, 9 figures, Transactions on Machine Learning Research (01/2026)
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