高校专区
测量位置混淆优化下的奖励黑客行为与推理-答案解耦
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 该研究针对位置混淆优化下的奖励黑客与推理-答案解耦问题，通过GRPO训练语言模型，发现模型会学习答案位置捷径，推理与答案解耦，且该捷径可跨域迁移，解耦率等指标可区分能力损失与捷径。
Comments Accepted at the AI Measurement Science Workshop, COLM 2026
可迁移的FB-GNN-MBE框架用于势能面：深度学习多体展开理论中的数据自适应迁移学习
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出一种可迁移的FB-GNN-MBE框架，结合图神经网络与多体展开理论，实现对复杂化学系统中多体能量的高效准确预测，通过迁移学习提升大规模分子模拟的实用性。
Comments Accepted by The Journal of Chemical Physics. Main text: 23 pages, 11 figures, and 1 table. Supplementary Materials: 29 pages, 6 figures, 15 tables, 4 pseudo-algorithms
测量语言模型智能体的跨任务行为一致性
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Mantis AI Research（螳螂人工智能研究院）
AI总结 本文提出行为一致性指标（BCM），通过约9000条软件工程任务轨迹发现语言模型智能体的跨任务与任务内一致性是可分化的不同维度，且一致性与成功率无关，BCM可补充结果指标评估智能体。
RubRIX：基于评分标准的风险缓解在护理人员-AI交互中
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； OSF HealthCare（OSF医疗集团） ； Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校）
AI总结 RubRIX提出了一种基于评分标准的框架，用于评估护理人员-AI交互中的风险，通过实证方法减少LLM响应的风险组件，为高负担情境下的AI支持系统提供评估方法。
Journal ref Findings of the Association for Computational Linguistics: ACL 2026
主特质分析：面向人机协作中“技能”的推导
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本研究提出主特质分析算法，从人机协作编码数据中推导有效交互特质，该特质可解释协作者行为并预测任务结果，但特质是否为技能仍需验证。
不值得再增加一个Token：面向高效深度研究智能体的边际价值估计
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Adobe Research（奥多比研究院）
AI总结 该研究针对长周期研究智能体的上下文冗余问题，系统比较不同阶段的剪枝策略，发现早期剪枝可大幅降本，轻量级启发式方法能减73%Token用量且质量损失小，为高效智能体设计提供指导。
层归一化下Transformer的稳定性
机构 * UCLA（加州大学洛杉矶分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； SRI International（SRI国际） ； UMass Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文系统性研究不同层归一化放置下Transformer的前向与反向稳定性，推导相关边界、分析梯度反向传播影响，为残差步长缩放提供指导，其框架可用于检查新型Transformer架构的稳定性。
通过仿真器侧动力学归一化弥合平行连杆腿部机构的仿真到现实差距
机构 * DGIST（大邱庆北科学技术院） ； Manning College of Information and Computer Sciences, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校曼宁信息与计算机科学学院）
AI总结 本文提出S3N方法（含S3N-Act与S3N-Full），解决平行连杆腿部机构的仿真到现实动力学差距问题，实验显示其可显著降低关节、力等指标的误差，提升仿真到现实一致性。
Comments 10 pages, 12 figures
RICE-PO：将检索交互转化为推理智能体的信用信号
机构 * University of Massachusetts, Amherst（马萨诸塞大学阿姆赫斯特分校） ； Texas Tech University（得克萨斯科技大学） ； University of Connecticut（康涅狄格大学）
AI总结 提出RICE-PO框架，通过将检索交互转化为局部学习信号，解决推理型检索智能体在训练中推理步骤的信用分配问题，在BRIGHT和BEIR上优于基线。
探究预训练检测Transformer的三维物体级理解能力
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； SRI International（SRI国际公司）
AI总结 本文探究预训练二维检测Transformer对物体三维属性的理解，发现无三维监督预训练的二维DETR模型，能通过线性和非线性探针从物体级嵌入中恢复物体深度、三维位置等三维属性信息，具备强的三维物体级理解能力。
具有自适应验证器的多模态强化学习
机构 * Microsoft Research（微软研究院） ； UMass Amherst（马萨诸塞大学阿默斯特分校） ； ETH Zurich（苏黎世联邦理工学院） ； UW–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出Argos验证器，通过结合SFT数据筛选与RL训练，提升多模态推理模型在空间推理、视觉幻觉及机器人任务中的性能，同时减少奖励黑客问题。
基于李括号几何的潜在混杂因果发现
机构 * Adobe Research（Adobe研究院） ； University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
AI总结 利用信息几何和范畴论，提出两种算法（BRIDGE和SKFM），通过干预诱导流的李括号非闭合性检测潜在混杂，大幅缩减因果图搜索空间。
Comments Revised to remove unsupported Kan-extension interpretations and clarify scope. Lie brackets are now nonspecific closure diagnostics, not certificates of latent confounding. Theorems are narrowed to conditional screen retention, residual-footprint rank, and order-dependent acyclicity. BRIDGE/SKFM algorithms and experiments remain intact
理论上可认证，实践中却被破解：密码学模型认证中的假设差距
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Vector Institute & University of Toronto（向量研究所及多伦多大学） ； Carnegie Mellon University（卡内基梅隆大学） ； J.P.Morgan AI Research & AlgoCRYPT CoE（摩根大通人工智能研究及AlgoCRYPT中心） ； University of Toronto（多伦多大学）
AI总结 研究密码学模型认证中现有安全定义与实际应用的差距，通过精心设计训练数据可攻击相关认证方案。为此形式化严格安全概念，引入通用协议模板，为设计安全隐私保护的机器学习审计协议提供指导。
GS-Agent：通过生成式模拟创建4D物理世界
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Genesis AI（创世纪人工智能公司）
AI总结 研究旨在从自然语言描述创建4D物理世界。核心方法是提出GS-Agent这一端到端多智能体框架，分解任务并让多智能体与物理引擎协作。主要贡献是能有效转换自然语言为物理合理的4D世界，实现相机和灯光控制，为新范式奠基。
离散扩散模型的维度无关收敛性：伴随方程诱导了正确的空间
机构 * Department of Mathematics（数学系） ； Oden Institute School of Data Science and Society（数据科学与社会学院） ； UCLA（加州大学洛杉矶分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Computational and Applied Sciences Group（计算与应用科学组） ； Department of Mathematics and Statistics（数学与统计学系） ； SRI International（SRI国际） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文提出了一种基于伴随方程的统一框架，实现了任何积分概率度量（IPM）下的维度无关收敛保证，克服了传统KL和TV方法在处理大规模状态空间时的局限性。
通过数据增强提升LLM识别和优先级排序电子健康记录笔记中的重要医学术语
机构 * Miner School of Computer and Information Sciences, UMass Lowell, MA, USA（UMass Lowell 计算机与信息科学学院） ； Manning College of Information and Computer Sciences, UMass Amherst, MA, USA（UMass Amherst 信息与计算机科学学院） ； Center for Healthcare Organization and Implementation Research, VA Bedford Health Care, MA, USA（VA Bedford医疗中心医疗组织与实施研究中心）
AI总结 本文通过数据增强提升LLM在低资源环境下识别和优先级排序电子健康记录中的医学术语，评估了闭源和开源模型的性能，发现微调和数据增强能提升模型表现。
Comments 28pages, 5 figures, 6 tables
Journal ref JMIR AI. 17.Jul.2026 in Vol 5 (2026)
AutoIndex：学习用于检索的表示程序
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Databricks Mosaic Research（Databricks Mosaic研究）
AI总结 AutoIndex框架通过搜索对文档进行多种操作的程序来优化文档表示，在CRUMB基准上评估，相比BM25基线显著提升召回率，证明文档表示应作为优化目标，而非固定预处理选择。
出于什么原因？解释模型对因果关系和对立关系的编码
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of South Florida（南佛罗里达大学）
AI总结 研究指令微调的Transformer模型对英语话语关系的编码，聚焦因果和对立关系。通过下一个token预测任务及可解释性技术，发现早期层在序列中间做预测，中层接近末尾确定决策，部分层有答案偏好，揭示话语推理的不对称表示。
大型图像集中可扩展的模型辅助多目标估计
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 研究大型图像集多目标估计问题，借鉴调查抽样策略，在五个检测和分割数据集上评估，发现重要性采样、带控制变量的均匀采样及基于子集的比率估计器各有优势，有效结合模型预测与人类标签进行科学测量。
Comments Accepted at the 42nd Conference on Uncertainty in Artificial Intelligence (UAI 2026)
硬规则，软偏好：为个性化行李清单生成搭建推理、学习和优化的桥梁
机构 * Tech LLC（529科技有限责任公司） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Virginia（弗吉尼亚大学）
AI总结 针对航空旅行打包易出错问题，提出含符号引擎、偏好学习器和CP - SAT优化器的推理引导学习框架，能生成个性化、合规行李清单，在实验中表现良好，在应用中提升了清单完成量并减少了时间。
从可行性到合意性：用于个性化设备端行程生成的计划、学习、适应（PLA）框架
机构 * Tech LLC（529科技有限责任公司） ； University of Virginia（弗吉尼亚大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 研究针对个性化设备端行程生成问题，提出PLA框架，分计划、学习、适应三阶段，通过构建规划器集合、拟合奖励模型及进行局部优化来生成行程，实验表明该框架在可行性和胜率上表现出色，还提升了生产部署中的行程完成率并降低延迟。
深度残差架构的尖锐稳定性阈值与认证
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； SRI International（SRI国际公司）
AI总结 该研究为深度残差架构提出次线性增长原理，通过经典ODE理论和最优控制分析确定\(q \leq 1\)为稳定训练充要条件，阐明架构布局与稳定关系，构建函数空间并给出认证算法，实验证实相关变体训练稳定。
用于短暂协作感知的基于视觉基础模型的通信高效相对位姿估计
机构 * North Carolina State University（北卡罗来纳州立大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 针对现实中机器人短交互窗口及有限通信带宽下的相对位姿估计难题，提出通信高效相对位姿估计框架CERPE，利用固定大小描述符减少原始观测交换，通过自身运动传播相对位姿，提升了短暂协作感知中的6自由度相对位姿估计。
Comments 8 pages, 6 figures
在无穷小非组合草图中学习
机构 * Adobe Research（Adobe研究院） ； University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
AI总结 研究如何通过LINCS框架修复机器学习中非组合性问题，将问题指定为草图，利用切提升和INC自函子，把机器学习表述为寻找余代数不动点，证明特定条件下最终INC余代数存在，正进行多场景实验评估。
高效查询的结构矩阵学习
机构 * New York Univeristy（纽约大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Flatiron Institute（Flatiron研究所）
AI总结 本文提出了一种在matvec模型中高效学习结构矩阵近似的算法，通过查询复杂度的改进实现了对一般矩阵家族的近似学习。
Journal ref Proceedings of the 39th Annual Conference on Learning Theory (COLT) 2026, PMLR 336:158-194
从新手到专家：众包感知中用于提升工人绩效的成本感知策略
机构 * University of Florida（佛罗里达大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 研究众包感知中预算受限的在线工人招募问题，工人绩效随经验变化，成本未知。提出成本感知在线学习框架，建模为结构化策略模型，能联合学习奖励轨迹与成本，检测性能饱和，分配预算最大化感知效用，实验验证优于基线方法。
Comments 14 pages, 10 figures, 3 tables, submitted for possible journal publication
当评分标准改变时：批判性思维作文评分的跨评分标准泛化
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Minnesota（明尼苏达大学） ； Brighter Research（更光明研究公司） ； Adelaide University（阿德莱德大学）
AI总结 研究跨评分标准泛化问题，采用含评分标准无关中间表示和目标作文监督的大语言模型微调框架，在增强数据集上实验，结果表明基于特征的中间结构和受控监督可提升对未见过评分标准的泛化能力。
Comments Published in AI for Education Day at SIGKDD 2026
来源或未发生：一种用于引用伪造检测的多智能体框架
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； The Ohio State University（俄亥俄州立大学）
AI总结 本文提出CiteTracer多智能体框架，通过12种分类体系检测引用伪造，利用PDF和BibTeX提取结构化引用，结合缓存查找、URL获取等方法验证，实现97.1%的准确率。
通过聚类截断提高自回归文本到图像生成中的样本多样性
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Thoughtworks（Thoughtworks公司）
AI总结 研究自回归图像生成模型中样本多样性问题，指出其关键属性限制现有方法。提出无p聚类新解码策略，在四个自回归T2I模型和两个数据集上评估，该策略能解锁最大多样性并保持图像质量与提示对齐。
GRASP：用于智能检索增强生成的粒度感知搜索策略
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Adobe Research（Adobe 研究院）
AI总结 研究智能体检索增强生成中模型决策难题，提出GRASP强化学习框架，训练智能体协调互补检索工具，实验表明其提升检索召回率和问答性能，还展现出可解释行为，凸显协调检索信号和上下文粒度对智能体推理的关键作用。
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