高校专区
机构 * University of California, Berkeley（加州大学伯克利分校） ； Northwestern University（西北大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 针对智能体管控工具的成本优化需求，设计Agency平台实现管控工具侧优化，在不降低准确率的前提下，使现有管控工具成本最高降低35%。
EmoHarness：通过元 harness 演化提升多模态情感理解能力
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Davis（加州大学戴维斯分校） ； Stanford University（斯坦福大学）
AI总结 EmoHarness 将冻结的小型多模态学生模型置于由提示等构成的 harness 中，通过元 harness 演化优化，在 MME-Emotion 数据集上显著提升情感识别准确率，还可将情感上下文迁移至 IntentQA 任务。
Comments 18 pages, 11 figures, 6 tables. Project page: this https URL (https://emo-harness.github.io). Code: this https URL (https://github.com/Emo-Harness/EmoHarness)
机构 * School of Architecture（建筑学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Kentucky（肯塔基大学）
AI总结 该研究提出两阶段隐私感知音频传感设计，在DCASE 2013等数据集上验证其占用检测性能，可减少隐私泄露，为建筑占用控制提供实用方案。
Comments 19 pages, 4 figures, 7 tables. Code: this https URL (https://github.com/AaronChae/occupancy-audio-privacy)
尚未纳入画像：通过学习未来交互实现感知不确定性的动态用户画像
机构 * University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Pinterest
AI总结 该研究针对动态用户画像中行为解读的不确定性问题，提出UAPM模型，结合POPD-DS训练，在三个个性化任务上较同预算基线最高提升5%。
InfoOrgBench：智能体能否将分散信息转化为连贯层级结构？
机构 * Microsoft（微软） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； New York University（纽约大学） ； University of Michigan（密歇根大学） ； Yale University（耶鲁大学）
AI总结 InfoOrgBench基准针对智能体信息组织的高层级错误，评估45个系统发现模型选择影响远大于框架，且父层级关系错误率更高，需单独测量高层级关系。
机构 * Cornell University（康奈尔大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； National Yang Ming Chiao Tung University（国立阳明交通大学）
AI总结 Hibana是一款针对统一内存设备的推理引擎，通过协同优化模型表示、内存管理与解码策略，在单台DGX Spark上实现比vLLM等框架更高的智能体任务处理量与解码吞吐量。
TimeTraveler：面向流视频理解的基于时间字典的时间策略规划
机构 * Kyung Hee University（庆熙大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 针对流视频理解中证据时间范围适配不足的问题，提出TimeTraveler流VQA框架，通过时间字典规划时间策略，在流视频问答基准上提升了问答性能。
Comments Accepted at NeurIPS 2026. Project page: this https URL (https://geppa.github.io/TimeTraveler)
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文针对大语言模型推荐器在权重与全词汇对数几率不可用时的公平性控制问题，提出Fair-Rec解码框架，经实验验证其可降低反事实差异并保持推荐性能。
谁教会了机器人那个？从在线学习的机器人策略中移除某一用户的修正
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Centific（森蒂菲克公司）
AI总结 本文研究从在线学习的机器人策略中移除某一用户修正的问题，发现移除效果取决于用户修正方式，接管控制时按剩余会话顺序重训可接近目标，轻推动作时无测试方法能恢复目标。
Comments Accepted at the HumanRLI Workshop at CoRL 2026
针对染色与扫描仪偏差的对比微调可提升病理基础模型的鲁棒性及下游性能
机构 * MedARC ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Sophont ； University of Oregon（俄勒冈大学）
AI总结 本研究提出模型无关的对比学习框架SPECTRA，通过LoRA适配器对齐病理图像不同采集条件的表征，提升了病理基础模型的鲁棒性与多项下游任务性能，并开源相关代码与模型资源。
Comments ASCI Workshop, Neurips 2026
Nanopath：面向病理学基础模型的快速、公平、开放实验框架
机构 * MedARC ； Sophont ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of British Columbia（不列颠哥伦比亚大学） ； University of Oregon（俄勒冈大学）
AI总结 Nanopath是面向病理学基础模型的开源框架与基准，可在单H100 GPU上快速训练评估小规模模型，其快速评估与标准化基准高度匹配，为相关研究提供公平可比较的实验测试平台。
Comments 17 pages, 2 figures, 10 tables. NeurIPS 2026 workshop: AI at Scale for Clinical Impact: Cancer Pathology Foundation Models
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 该研究改进了贪心BPE压缩的理论下界，证明其至少达到最优压缩的0.361，解释了原三分之一界限的成因，并确定了相关合并比率的最坏情况。
Comments 40 pages, 7 figures. Restructured: the results on the re-typing inequality for short tokens moved to a companion paper; the compressed-length hardness moved to the authors' tokenisation-complexity paper. Code and certificates: this https URL (https://doi.org/10.5281/zenodo.24023719)
机构 * Tsinghua University（清华大学） ； CocoMatrix ； Shanghai Qizhi Institute（上海期智研究院） ； UIUC（伊利诺伊大学厄巴纳-香槟分校）
AI总结 该研究提出MAP接口与Inpainting Policy，通过掩码动作重建统一时空控制参考，在ManiSkill等数据集及现实实验中实现高成功率与低误差的机器人可控动作生成。
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Clemson University（克莱姆森大学）
AI总结 针对多孔电极超极限电流的机制问题，采用频域框架研究发现高频传质可通过浓度变化时间尺度实现超极限电流，该机制与界面附近薄层扩散相关，不受全局孔隙几何影响，可用于脉冲电沉积等系统设计。
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 该研究针对截断锥的傅里叶延拓估计，在特定权重条件下，结合多线性精细Strichartz不等式等方法得到一系列界，并给出相关实例。
Comments More detailed AI Disclosure
AssemState：零样本家具装配的手册与物理状态引导推理
机构 * Tsinghua University（清华大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Xidian University（西安电子科技大学）
AI总结 针对家具装配中3D空间推理难题，提出AssemState零样本框架，结合手册解析与物理状态反馈，显著提升装配树恢复和位姿精度。
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出物理展开混合神经算子（PU-HNO），通过三级级联结构逐步捕捉无线传播效应，在不同平面图上的实验中，其在图像质量和无线部署指标上均优于多种基线模型。
Comments Accepted at NeurIPS 2026 (camera-ready version). 42 pages, 8 figures, 14 tables
机构 * Yale University（耶鲁大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出基于零知识证明的PANDA系统，可在不泄露神经网络私有参数的情况下高效证明其鲁棒性与公平性，支持参数超290万的网络，规模远超同类方案且开销更低。
Comments 31 pages, 2 figures (10 pages for the main text), accepted to NeurIPS 2026, for code of implementation and evaluation, see this https URL (https://github.com/youweizhong/PANDA)
SlotGuard：阻止大语言模型代理转录中过度共享私有本地上下文
机构 * Siebel School of Computing（计算机科学系） ； Data Science, University of Illinois Urbana-Champaign（数据科学，伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究大语言模型代理转录本隐私泄露问题，提出SlotGuard方法，通过重写结构绑定、替换机密值、链接跨轮引用等操作隐藏敏感数据，在保持代理性能的同时大幅降低凭证泄漏率。
Comments 11 pages; ICML 2026 AIWILD. v2: corrected truncated title and clarified notation, privacy claims, and evaluation reporting
机构 * University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文证明了非拥挤超图存在独立集大小至少达到破碎阈值常数，解决了关于独立数下界的猜想，并给出了高效算法。
过程追踪中用于假设检验和敏感性分析的两个完全指定的贝叶斯因子
机构 * Universidad Diego Portales, Escuela de Ciencia Política（迭戈·波特莱斯大学，政治科学学院） ； University of Illinois Urbana-Champaign, Departments of Political Science & Statistics（伊利诺伊大学厄巴纳-香槟分校，政治学与统计学系） ； Pontificia Universidad Católica de Chile, Instituto de Ciencia Política（智利天主教 Pontificia 大学，政治科学研究所）
AI总结 提出两个完全指定的生成模型推导证据概率，解决过程追踪中贝叶斯因子手动指定概率的偏差问题，并通过敏感性分析驱动结论。
Comments Title and abstract revised, and the paper and supplement shortened to 59 pages. As in v2, the hypergeometric urn model of v1 is removed: the paper develops one binomial model yielding two Bayes factors and reanalyzes six published studies
视觉语言模型能否感知传感器所感？一种可扩展的专家引导设计用于从街景评估轮椅可达性
机构 * University of Florida（佛罗里达大学） ； University of South Florida（南佛罗里达大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出专家引导的检索增强框架，利用视觉语言模型从谷歌街景图像识别轮椅可达性障碍，通过GPS轮椅停留行为验证，表明VLM评分与移动摩擦部分一致，但细粒度障碍识别有限。
Comments Accepted to IEEE/CVF WACV 2027. 8 pages of main content, 2 pages of references
机构 * Department of Statistics, University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校统计学系）
AI总结 本文研究利用梯度信息从高维高斯分布中采样的查询复杂度，通过引入平滑得分查询（即高斯卷积密度的对数梯度）将条件数依赖从√κ降低到对数级别，并给出近乎匹配的上下界。
Comments to appear in Neurips 2026
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Sandia National Laboratories（桑迪亚国家实验室）
AI总结 针对时间序列异常检测中缺乏自然语言解释的问题，构建VisAnomBench基准并微调参数高效的视觉-语言模型VisAnomReasoner，在准确性和泛化性上显著超越基线。
Comments Accepted at NeurIPS 2026. Updated experiments and appendix
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； SANKEN, Osaka University（大阪大学SANKEN）
AI总结 本文提出CELM模型，首个能从长期EEG记录中生成多尺度临床报告的EEG-语言基础模型，通过整合预训练EEG模型与语言模型，实现了可扩展的多模态学习，实验表明其在多个评估设置中均优于现有方法。
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文通过系统研究人类创造力测试对大语言模型创造力预测的有效性，发现不同构念测试效果差异显著，提出DRAT测试在预测科学构思能力上具有显著优势。
Comments Accepted at 40th Annual Conference on Neural Information Processing Systems (NeurIPS 2026)
Auto-Rubric as Reward：从隐含偏好到显式多模态生成标准
机构 * Nanyang Technological University（南洋理工大学） ； Ant Group（蚂蚁集团） ； MMLab, The Chinese University of Hong Kong（香港中文大学MMLab） ； UIUC（伊利诺伊大学香槟分校）
AI总结 本文提出Auto-Rubric as Reward框架，通过显式标准分解替代隐含权重优化，提升多模态生成模型对人类偏好的对齐效果，实验证明显式标准能更可靠地实现数据高效对齐。
Comments 32 pages, 10 figures
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta ； IBM Research（IBM研究院）
AI总结 本文提出TaTS框架，将时间序列配对文本作为辅助变量，提升多模态时间序列预测性能。
Comments ICLR 2026, 47 pages
机构 * College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院） ； Zhejiang University-University of Illinois Urbana-Champaign (ZJU-UIUC) Institute, Zhejiang University（浙江大学-伊利诺伊大学厄巴纳-香槟分校联合研究所） ； Department of Engineering, King’s College London（伦敦国王学院工程系）
AI总结 多智能体条件扩散模型与均场通信用于无线资源分配规划，通过扩散模型和逆动态模型提升样本效率与策略可扩展性，理论保证收敛稳定性，实验显示在无线网络优化中表现优异。
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Southern California（南加州大学） ； Stanford University（斯坦福大学）
AI总结 本文针对高维马尔可夫切换常微分过程提出两阶段参数估计算法，给出β-混合条件下的统计误差与线性收敛保证，并应用于ADHD静息态脑网络差异分析。
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