高校专区
安全随机探索者：在随机环境中实现安全目标驱动探索和与未知物体的安全交互
机构 * University of California San Diego（加州大学圣地亚哥分校）
AI总结 Safe Stochastic Explorer 提出了一种在随机环境中安全、目标驱动的探索框架，通过高斯过程在线学习安全函数，平衡安全性和信息收集，以提高机器人在未知环境中的自主能力。
HumanStudy-Bench: 向参与者模拟的AI代理设计迈进
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Independent Researcher（独立研究者）
AI总结 HUMANSTUDY-BENCH通过代理设计问题重建人类受试者实验，评估代理行为与人类行为的一致性，涵盖个体认知、战略互动和社会心理学领域。
通过潜在嵌入学习模态混合的思考链推理
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出模态混合CoT方法，通过潜在嵌入结合视觉与文本信息，提升多模态推理性能。
ChipBench: 用于评估LLM在人工智能辅助芯片设计中的性能的下一步基准
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Columbia University（哥伦比亚大学）
AI总结 ChipBench提出了一项全面的基准测试，用于评估LLM在人工智能辅助芯片设计中的性能，揭示了现有模型在关键任务上的显著性能差距，并提供自动化工具箱促进相关研究。
推荐系统中实体匹配的评估
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出Reddit-Amazon-EM数据集，通过手动标注评估推荐系统中实体匹配方法，为相关研究提供可复现的资源。
使用多模态语义扰动检测VLMs中的污染
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； Kookmin University（韩国庆北大学）
AI总结 本文提出了一种基于多模态语义扰动的检测方法，用于识别和验证受污染的视觉语言模型。
Comments Accepted at ICLR 2026
通过依赖感知句子简化和双层级层次精炼实现抗幻觉的关系抽取
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Alibaba Group（阿里巴巴集团）
AI总结 DEPTH通过依赖感知句子简化和双层级层次精炼提升关系抽取的准确性，将幻觉率降低至7.9%，F1分数提升9.3%。
图最大位移：一种图聚类的爬山方法
机构 * Department of Mathematics, University of California, San Diego（加州大学圣地亚哥分校数学系） ； Halıcıoğlu Data Science Institute, University of California, San Diego（加州大学圣地亚哥分校Halıcıoğlu数据科学研究所） ； Department of Statistics, George Mason University（乔治·梅森大学统计系）
AI总结 本文提出了一种基于图最大位移的图聚类方法，通过迭代移动节点到度数最高的邻近节点，实现了对随机几何图的渐近一致性聚类。
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