高校专区
一种计算可行的因果概率解释框架
机构 * Basis Research Institute（贝西斯研究所） ； Sorbus AI（索巴斯人工智能公司） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； HouseIQ（豪斯IQ公司）
AI总结 该研究针对现有因果解释工具的局限性，提出概率因果影响（PCI）框架，将可解释性转化为概率因果模型的估计问题，可高效计算且符合因果逻辑，经多类案例验证有效。
MedQA-MM：医学视觉推理背后的捷径
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Yale University（耶鲁大学） ； University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校） ； VA Bedford Healthcare System（贝斯以色列女执事医疗中心贝德福德分部） ； Qingdao Medical College of Qingdao University（青岛大学青岛医学院） ； Yale School of Medicine（耶鲁医学院） ； National University Hospital, Singapore（新加坡国立大学医院） ； Zhejiang University（浙江大学） ； Stanford University（斯坦福大学）
AI总结 该研究针对医学多模态MCQ的推理膨胀问题，构建捷径缓解子集MedQA-MM，通过多维度审计与消融实验揭示模型依赖文本等捷径，证明医学图像推理需路径层面证据。
基于学习的对坐标混淆点云的重建攻击
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Tennessee Technological University（田纳西理工大学）
AI总结 本文针对选择性坐标加密框架，利用PointNet和随机森林模型开展重建攻击实验，发现加密粒度影响其安全性，2X方案可通过相邻坐标泄露信息实现准确重建。
Comments 6 pages, 4 figure, accepted at XR Security workshop 2026
Video2Reaction：训练基础视频模型以预测观众反应
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； Dolby Laboratories（杜比实验室）
AI总结 本研究构建多模态数据集Video2Reaction，对采用LoRA微调的VLMs进行基准测试，发现其可有效学习并迁移至VCE数据集，仅用1%VCE训练数据适配的LLaVA-NeXT-Video-7B可达到与全数据训练相当的性能。
Comments Presented in the Workshop on Emerging Directions in Data for Multimodal Foundation Models at CVPR 2026
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。
安全的人工智能驱动超分辨率用于实时混合现实应用
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Tennessee Technological University（田纳西科技技术大学）
AI总结 本文提出了一种安全的人工智能驱动超分辨率方法，用于降低混合现实应用中的带宽和延迟，通过下采样和部分加密减少数据传输，并利用机器学习模型高效重建高分辨率点云。
面向高维部分可观测马尔可夫决策过程（POMDP）的可扩展Rao-Blackwell化在线规划
机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本研究扩展RB-POMDP框架，采用混合连续-离散信念表示，结合FastSLAM 2.0，在机器人搜救任务中实现高维POMDP下的高效在线规划，性能优于纯采样方法。
NeuroPriv：面向可穿戴脑电图系统隐私的对抗性表示学习
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 该研究针对可穿戴EEG系统的神经隐私风险，以EEGMAT为案例，提出隐私感知表示学习方法，在维持认知任务性能的同时降低了敏感属性的推理准确率。
VectorGym：一个多任务基准用于SVG代码生成、草图和编辑
机构 * ServiceNow Research（ServiceNow 研究院） ； Mila, Quebec AI Institute（Mila 魁北克人工智能研究所） ； Columbia University（哥伦比亚大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Stony Brook University（石溪大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Minzu University of China（中央民族大学） ； University of Waterloo（滑铁卢大学） ； Canada CIFAR AI Chair（加拿大 CIFAR 人工智能讲席） ； Computer Vision Center（计算机视觉中心）
AI总结 VectorGym提出一个涵盖SVG生成、复杂编辑和视觉理解的多任务基准，通过专家标注解决现有基准的不足，采用多任务强化学习方法，训练出性能领先的Qwen3-VL模型，公开可用。
Comments Accepted to EMNLP 2026. Camera-ready version. Updated author list and author order
BLARM：通过融合潜在刚性运动原语从视频生成3D物体动画
机构 * Roblox（罗布乐思） ； UMass Amherst（马萨诸塞大学阿默斯特分校） ； TU Crete（克里特理工大学）
AI总结 提出BLARM方法，无需骨骼等标注，通过融合刚性运动原语实现视频驱动的3D网格动画，经多任务训练可生成准确稳定且结构可解释的动画。
评估用于可缩放矢量图形生成的约束迭代优化方法（基于现成的视觉语言模型）
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Central Florida（中佛罗里达大学）
AI总结 本研究评估结合视觉反馈、结构化编辑与约束解码的约束迭代优化方法，探索用现成VLMs生成SVG的能力，发现约束解码提升编译成功率但VLMs存在视觉推理不足的局限。
Comments Accepted to Pacific Graphics 2026 Poster Track. 2 Pages. 2 Figures. 1 Table
我是谁？面向辅导对话中学生模拟的历史感知档案
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Eedi
AI总结 提出历史条件的学生模拟任务，通过强化学习训练档案生成器和模拟器，利用学生历史信息准确预测对话轮次，在数学学习平台数据集上显著优于基线。
Comments Published in EMNLP 2026: The 2026 Conference on Empirical Methods in Natural Language Processing
Ambig-IaC：交互式云基础设施即代码合成的多级消歧
机构 * University of Michigan（密歇根大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出Ambig-IaC框架，通过多级消歧方法提升IaC配置生成的准确性，针对IaC配置的不可逆性，设计了基于结构分歧的评估框架，在结构和属性评估上分别提升18.4%和25.4%。
Comments Project homepage: https://zyang37.github.io/ambig-iac.github.io/
学习的中继表示用于前向思考的离散扩散模型
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； Imperial College London（伦敦帝国学院） ； Mila ； Vijil
AI总结 提出Learned Relay Representations (Relay)方法，通过可微通道传递潜在信息，使掩码扩散模型在去噪步骤间前向思考，减少推理延迟并提升性能。
Comments 16 pages, 3 figures. Equal contribution: Benjamin Rozonoyer, Jacopo Minniti, and Dhruvesh Patel. Code: https://github.com/jacopo-minniti/relay
使用工具的智能体在调用层面的可靠性
机构 * SAI International School（SAI国际学校） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； SP Jain School of Global Management（SP Jain全球管理学院）
AI总结 本文研究使用工具的智能体的调用层面可靠性，发现其早期错误会导致后续能力下降，提出条件状态评分的补救措施以修正评分规则的偏差。
独立大型语言模型（LLM）与预定义智能体管道用于解释ICU死亡率预测：基于eICU演示数据集的可行性研究
机构 * Santa Clara University（圣克拉拉大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； Wake Forest University（维克森林大学） ； Northeastern University（东北大学）
AI总结 本研究基于eICU演示数据集对比独立LLM与四步智能体管道解释ICU死亡率预测，发现智能体管道在指南依据性等方面更优，但需搭配归因核查。
针对LLaVA中物体幻觉背后的注意力头
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本研究针对LLaVA的物体幻觉问题，通过注意力头诊断筛选出32个关键注意力头，结合LoRA适配器与推理控制器，在COCO数据集上显著降低了物体幻觉率。
Comments 10 pages, 5 figures, 3 tables. Accepted at the Actionable Interpretability Workshop, COLM 2026
正则化潜在动态预测是行为基础模型的强基线
机构 * Department of Computing Science, University of Alberta, Canada（阿尔伯塔大学计算机科学系） ； Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能 chair） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文探讨零样本强化学习中复杂表征学习目标的必要性，提出正则化潜在动态预测方法，通过正则化保持特征多样性，优于现有方法，并在低覆盖场景中表现优异。
Comments ICLR 2026 Update 08/25/2026: (i) Fixed a typo in eq. 7. (ii) Updated lemma 1 to a stronger bound for RLDP
使用深度学习方法筛查儿童自闭症谱系障碍：通过与其他模型对比评估YOLOv26s分类模型
机构 * Coventry University（考文垂大学） ； University of Memphis（孟菲斯大学） ； University of Massachusetts Boston（马萨诸塞大学波士顿分校） ； University of Nevada Las vegas（内华达大学拉斯维加斯分校） ； Softwarica College（索夫瓦里卡学院） ； GEICO（盖可保险公司） ； Growphase Technology（格罗法斯科技） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Curry College（库里学院）
AI总结 本研究采用YOLOv26s模型，基于面部图像对儿童自闭症谱系障碍进行分类筛查，准确率达92.86%、F1分数0.9291，验证了深度学习在该领域的应用潜力。
Comments 7 pages,5 figures, 2 tables
LoRA微调期间通过公理注意力模式实现相关性的涌现
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 该研究探究LoRA微调LLMs用于重排序时，注意力更新在网络中间区域的作用，发现其与公理IR特征关注度相关，为改进重排序器适配策略提供了可解释依据。
Comments Accepted to EMNLP 2026 Findings. 17 Pages. 25 Figures. 5 Tables
大语言模型（LLMs）真的能遗忘吗？通过对抗性评估揭示遗忘差距
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Microsoft Corporation（微软公司）
AI总结 本研究针对TOFU数据集和Llama-3.2-3B-Instruct模型，引入ASR指标评估遗忘方法，发现标准指标表现优异的遗忘方法仍存在高对抗恢复风险，提出需补充对抗性压力测试作为遗忘评估的必要部分。
Comments 19 pages, 5 figures
AgentMercury：你的智能体可规模化合成面向业务场景的可验证环境
机构 * Meridian Intelligence Global Inc.（子午线智能全球公司） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本研究提出AgentMercury框架，可规模化合成业务场景的可执行环境，经其训练的智能体策略在企业工作流及多领域基准上表现提升，且环境构建过程可通过微调学习优化。
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
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
个性化技能对编码智能体有帮助吗？开发者交互历史的实证研究
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本研究通过对13位开发者的206个真实会话实验，发现从交互历史提炼的开发者个性化技能改进有限，而汇集自所有开发者的通用技能增益最大且最一致，为编码智能体的个性化策略提供了实证依据。
Comments 15 pages, 10 figures
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。
卡利普索：关系型大语言模型服务
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校）
AI总结 研究如何提升大语言模型服务语义查询效率，提出关系型大语言模型服务，通过跨语义运算符流水线执行复用KV缓存状态，卡利普索系统利用自适应算法执行查询计划，解决在线调度问题，相比基线系统大幅提高查询完成时间。
Comments 14 pages, 12 figures
用于半正定矩阵的快速长度平方采样
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of California Berkeley（加州大学伯克利分校）
AI总结 本研究提出一种期望O(n)时间的半正定矩阵快速长度平方采样算法，消除了需获取矩阵列范数的假设，可应用于鲁棒半正定低秩近似等问题，效果接近文献中的复杂方法。
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
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