高校专区
子空间推理实现高效的基于偏好的主动奖励学习
机构 * University of Southern California（南加州大学）
AI总结 本文提出PreferenceEKF方法，通过低维子空间的扩展卡尔曼滤波实现高效序贯贝叶斯推理，在D4RL等基准上较其他贝叶斯深度学习方法更优，助力RLHF的高效奖励学习。
Comments Published at TMLR
超越多数投票：面向医学幻觉检测的多视角裁决
机构 * Information Sciences Institute（信息科学研究所） ； University of Southern California（南加州大学）
AI总结 本研究针对医学聊天机器人响应开展多视角标注研究，结合首轮标注、LLM-as-a-Judge候选发现及医学专家与证据裁决，发现单轮幻觉基准易低估事实错误，多轮裁决可提升覆盖范围。
Comments 34 pages, 6 figures, to be published in Findings of the ACL: EMNLP 2026
基于自适应谱带宽控制的几何感知图构造
机构 * University of Southern California（南加州大学）
AI总结 该研究提出自适应谱带宽控制方法，使核化图方法的带宽与流形固有复杂度匹配，在CIFAR-100上验证其可提升自监督学习嵌入的分类与标签传播准确率。
Comments Accepted at IEEE MLSP 2026. 6 pages, 4 figures
用于加快使用工具的智能体的推测性宏提交（Speculative Macro Commit）
机构 * University of Southern California（南加州大学） ； Intel Labs（英特尔实验室）
AI总结 本文提出SMC机制，通过双层智能体系统复用多步推测性执行，在保持准确率的同时显著降低工具使用智能体的延迟，相关代码已公开。
Comments Accepted in MLSP2026
SGD-KV：基于摘要引导的键值缓存压缩
机构 * USC（南加州大学） ； KAIST（韩国科学技术院） ； Amazon AGI（亚马逊AGI）
AI总结 针对LLMs长上下文推理的KV缓存内存瓶颈，提出SGD-KV框架，通过分块摘要诊断任务识别分层信息聚合的注意力头，在Qwen2.5模型上实现1M token上下文的SOTA性能，同时降低75%内存使用，达成更优效率-精度权衡。
Comments Accepted in NeurIPS2026 Efficient Reasoning Workshop
SpecAlign: 通过合成数据实现高效的大语言模型规范对齐
机构 * University of Notre Dame（圣母大学） ； Carnegie Mellon University（卡内基梅隆大学） ； LMU Munich（慕尼黑大学） ； University of Southern California（南加州大学）
AI总结 提出规范对齐新范式，通过从规范文档合成数据（SpecAlign框架），结合结构化规则标注、可控规范实例化和多智能体对抗数据合成，生成细粒度偏好对，提升规则遵守度且不损害通用能力。
Comments EMNLP 2026 Main
对多智能体大语言模型推理树进行审计优于多数投票和LLM作为裁判
机构 * University of Southern California, Los Angeles, CA, USA（美国南加州大学）
AI总结 通过构建推理树路径搜索机制，AgentAuditor在多智能体系统中实现了优于多数投票和LLM作为裁判的推理准确性提升
可靠选择异质处理效应估计器
机构 * Peking University（北京大学） ； Marshall School of Business, University of Southern California（南加州大学马歇尔商学院）
AI总结 本文提出一种无需真实值的可靠方法，用于在异质处理效应估计中选择最佳估计器，并在多个基准测试中展示了其有效性。
用于不确定知识图谱补全的谱初始化与调度图平滑
机构 * University of Southern California（南加州大学） ； Islamic University of Technology（伊斯兰技术大学）
AI总结 提出QUEST方法，通过谱初始化和狄利克雷能量正则化，提升不确定知识图谱补全的准确性、训练稳定性与检查点可靠性。
RINSE：用于零样本图异常检测的鲁棒目标时刻正态性估计
机构 * Islamic University of Technology（伊斯兰科技大学） ； University of Southern California（南加利福尼亚大学） ； King Fahd University of Petroleum & Minerals（法赫德国王石油与矿业大学）
AI总结 RINSE是一种无梯度的目标时刻框架，通过识别可靠节点子集构建目标感知正态性模型，结合多种技术提升零样本图异常检测性能，在8个目标图上取得最高平均AUPRC。
空间上准确，时间上不可靠：大型语言模型（LLM）如何表征国家文化变迁
机构 * University of Southern California（南加州大学） ； Center for Democracy and Technology（民主与技术中心）
AI总结 该研究发现LLM的文化表征在空间上接近当前实际情况，但时间上滞后数年，仅能捕捉部分文化变迁，存在时间扁平化问题，揭示了快照式评估的局限性。
Comments 38 pages, 12 figures, 36 tables; includes Supplementary Materials
DOG-DPO：几何中的动态优化用于安全对齐
机构 * University of Southern California（南加州大学） ； Iowa State University（爱荷华州立大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； Independent Researcher（独立研究员） ； University of Notre Dame（圣母大学）
AI总结 提出DOG-DPO框架，将偏好对表示为模型表示空间中的方向，通过几何分解和多样性覆盖选择子集，仅用11%数据即可恢复大部分安全增益。
Comments Accepted by 2026 EMNLP (Conference on Empirical Methods in Natural Language Processing)
何时压缩有益，何时有害：链式思维蒸馏的条件感知分析
机构 * Ningbo Institute of Digital Twin, Eastern Institute of Technology, Ningbo（宁波数字孪生研究院，东方理工高等研究院，宁波） ； Viterbi School of Engineering, University of Southern California（南加州大学维特比工程学院） ； The Hong Kong Polytechnic University（香港理工大学） ； LMU Munich（慕尼黑大学） ； Saarland University（萨尔大学）
AI总结 通过系统实验揭示链式思维蒸馏中压缩方法的关键因素：重要性准则的粒度、重构级别和压缩预算在不同领域和模式下的影响，并给出条件感知的部署指南。
Comments EMNLP 2026 Main
智能体强化学习中的技能重用作为压缩
机构 * Arizona State University（亚利桑那州立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学）
AI总结 提出ReuseRL方法，基于最小描述长度原则将成功轨迹压缩为可重用技能字典，并通过分割代价惩罚低效编码行为，在多个环境中提升分布内和分布外成功率。
Comments Accepted by EMNLP 2026 Main Conference
最强的教师并不总是最好的教师：以学生为中心的答案选择
机构 * University of Washington（华盛顿大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Southern California（南加州大学） ； Independent Researcher（独立研究者） ； National University of Singapore（新加坡国立大学） ； Microsoft（微软） ； Google（谷歌） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Northwestern University（西北大学） ； Allen Institute for AI (AI2)（人工智能研究院（AI2））
AI总结 提出以学生为中心的答案采样（SCAS）框架，通过估计学生中心的学习成本选择教师生成的答案，从而提升学生模型性能。
为何微调会鼓励幻觉以及如何解决
机构 * Hebrew University of Jerusalem（海法大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Technion – Israel Institute of Technology（技术学院 – 以色列理工学院） ； University of Southern California（南加州大学）
AI总结 本文探讨微调导致幻觉的原因，提出基于自蒸馏的微调方法以减少幻觉，通过抑制输出分布漂移提升事实学习效果。
Comments Published in the CoLM 2026 conference
NanoGS: 无训练高斯点简化
机构 * USC Institute for Creative Technologies（USC创意科技研究所） ； Texas A\&M University（德克萨斯农工大学）
AI总结 本文提出NanoGS，一种无需训练的高斯点简化框架，通过局部成对合并实现紧凑表示，保留场景结构与外观，适用于现有高斯点模型，运行高效且易于集成。
Comments ECCV 2026
重建！不要编码：面向高可懂性和低延迟流式神经音频编解码器的自监督表示重建损失
机构 * Center for Language and Speech Processing, Johns Hopkins University, USA（语言与语音处理中心，约翰霍普金斯大学，美国） ； Signal Analysis and Interpretation Laboratory, University of Southern California, USA（信号分析与解释实验室，南加州大学，美国）
AI总结 本文提出自监督表示重建损失，用于提升流式神经音频编解码器的可懂性和低延迟性能。
Comments Submitted to TASLP
感知压缩的弃权：当KV压缩掩码移除答案证据时，教大型语言模型拒绝回答
机构 * University of Southern California（南加州大学）
AI总结 该研究首次将感知压缩的弃权表述为学习问题，通过训练LoRA适配器，在减少LLM因KV缓存压缩产生的幻觉的同时保留正确回答能力，在压缩缓存解码下取得显著提升。
Comments 19 pages, 5 figures. Accepted to the GroundLM workshop at EMNLP 2026. Code, adapters, and datasets: https://github.com/mali-kh/compression-aware-abstention
XDG：加速视觉消歧
机构 * USC Institute for Creative Technologies（南加州大学创意技术研究所） ； University of Southern California（南加州大学） ； SRI International（SRI国际公司）
AI总结 XDG是适配可扩展SfM的高效视觉消歧模型，通过微调Depth Anything 3并复用其相机令牌实现配对分类，在保持精度的同时将推理速度提升超3倍，大幅缩短大规模场景消歧耗时。
CoCoA：面向大语言模型的上下文条件文化对齐
机构 * Sungkyunkwan University（成均馆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Southern California（南加利福尼亚大学）
AI总结 CoCoA是面向大语言模型的上下文条件文化对齐框架，通过双上下文训练等方法，可降低实体文化偏见评分且对通用性能影响小，为缓解LLMs实体文化偏见提供新方向。
Comments Accepted to Findings of EMNLP 2026. 22 pages, 4 figures, 19 tables
AlgoWorlds：用于算法世界中全局优化的工具使用基准
机构 * Weixin AI, Tencent（腾讯微信AI） ； University of Southern California（南加州大学）
AI总结 本研究推出AlgoWorlds基准，评估大语言模型在算法世界中利用工具将信息转化为全局最优决策的能力，实验显示领先模型仅38.61%案例能达精确最优。
Comments Homepage: https://xzx34.github.io/AlgoWorlds/ Code: https://github.com/xzx34/AlgoWorlds
大语言模型中的识别-拒绝错位：为何模型会回答结构上无法解答的问题
机构 * University of Southern California（南加州大学） ； Arizona State University（亚利桑那州立大学）
AI总结 该研究发现大语言模型会回答结构上无法解答的问题是因识别到不可行性的信号与安全拒绝通路未对齐，而非缺失识别能力。
Comments Accepted to EMNLP 2026 Main Conference. 29 pages, 6 figures
不确定性量化的共形预测与Wasserstein分布鲁棒优化的统一视角
机构 * Contextual Robotics Institute, University of California San Diego（加州大学圣迭戈分校语境机器人研究所） ； University of Southern California（南加州大学） ； California Institute of Technology（加州理工学院） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 该研究建立了共形预测与Wasserstein分布鲁棒优化的统一概率视角，分析了两者校正经验分位数的不同方式、构造差异及尾部表现，指出DRO可避免CP的过冲问题。
CatchBench：智能体故障何时能被检测？
机构 * University of Southern California（南加州大学）
AI总结 CatchBench是首个在同一任务-方法接口下对智能体运行前、运行中、完成后三种信息状态进行评分的基准，涵盖多类模型与配置，揭示基准分数需结合标签过程才可解释。
Comments 40 pages, 6 figures, 22 tables. Work in progress. Code and data: https://github.com/yzhao062/catchbench
单一规范提示低估了大语言模型安全的表面形式敏感性
机构 * Northeastern University（东北大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Southern California（南加利福尼亚大学）
AI总结 该研究发现仅用单一规范提示评估大语言模型安全会低估其不安全合规性，不同表面形式下的不安全结果并集会超出最糟单一形式，且存在模型差异，同时发布了相关数据集、代码与响应标签。
Comments Accepted at the Sci-FM Workshop @ COLM 2026 (non-archival). Workshop version with reviews: https://openreview.net/forum?id=mZh0MqpOOC
关于使轻量级博弈代理强大的因素的金标准研究
机构 * University of Southern California（美国南加州大学）
AI总结 研究不完美信息纸牌游戏中使轻量级博弈代理强大的因素，构建专家代理作标准，经超百次运行确定有效因素，添加基线并应用于另一游戏，得出通用方法可训练有竞争力代理且无需专家训练。
Comments 9 pages, 5 figures, 3 tables. Code and models: https://github.com/Nikelroid/adversarial-coevolution
评价的是宣传话术，而非产品本身：用户对大语言模型的评估更多反映期望而非性能
机构 * Brock University（布鲁克大学） ； Emory University（埃默里大学） ； University of Southern California（南加州大学） ； University College London（伦敦大学学院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究通过控制实验，让参与者使用不同宣传话术下的六种大语言模型完成任务，发现宣传话术影响用户评价和交互行为，任务表现未变，用户评价更多反映期望管理。
Comments Accepted to EMNLP 2026 Main Conference
面向LLM深度压缩的局部感知冗余剪枝
机构 * University of Southern California（美国南加州大学） ； Neural Superintelligence Lab, MODULABS（MODULABS神经超级智能实验室） ； Seoul National University（首尔国立大学） ； Inha University（釜山大学）
AI总结 提出LoRP，一种基于表示局部性的无训练单次深度剪枝框架，通过引入表示局部性分数（RLS）来识别和剪除冗余层，在多种LLM上提升了困惑度和下游任务准确率。
Comments EMNLP 2026 Main Accepted
向训练数据注入噪声以校正测试集污染
机构 * University of Southern California（南加州大学）
AI总结 提出通过以已知比例故意污染部分测试样本（注入噪声）来校正测试集污染导致的分数膨胀，并利用记忆预测器进行统计校正。
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