高校专区
时间序列基础模型中的通用冗余性
机构 * ECE Department, UT Austin（UT奥斯汀电子工程系） ； Department of Physics, UT Austin（UT奥斯汀物理系） ； Oden Institute, UT Austin（UT奥斯汀奥登研究所）
AI总结 本研究揭示了时间序列基础模型中普遍存在的冗余特性，并通过理论框架和消融实验揭示了模型退化现象的根源。
重新思考带有Sigmoid门函数的多项逻辑混合专家模型
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Purdue University（普渡大学） ； Hanoi University of Science and Technology（河内科学技术大学）
AI总结 本文重新思考了带有Sigmoid门函数的多项逻辑混合专家模型，通过分析和改进门控函数，提高了模型的样本效率和收敛性。
Comments Tuan Minh Pham, Thinh Cao, and Viet Nguyen contributed equally to this work
通过缩放偏好条件生成地形成本图
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； DEVCOM Army Research Laboratory（陆军研究实验室） ； Sony AI（索尼人工智能） ； NVIDIA（英伟达）
AI总结 SPACER通过缩放偏好条件生成地形成本图，结合合成数据训练和用户指定的偏好上下文，实现地形泛化和快速成本适应，提升非结构化环境中的导航性能。
单调变换不变的多任务学习
机构 * The University of Texas at Austin, TX 78712, USA（德克萨斯大学奥斯汀分校）
AI总结 本文提出DiBS-MTL方法，通过单调变换不变性提升多任务学习的鲁棒性，实验证明其在非凸任务损失场景下具有优越性能。
在扩散语言模型中实现近似联合采样
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种在扩散语言模型中近似联合采样方法，通过轻量级采样器层实现多token高效生成，提升了语言建模和编码任务的性能。
深度集成无额外开销：动态稀疏性对训练和测试的全方位祝福
机构 * Eindhoven University of Technology（埃因霍温理工大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Twente（特文特大学）
AI总结 FreeTickets通过动态稀疏训练实现高效集成，以更低的计算成本提升预测精度和鲁棒性。
Comments published in International Conference on Learning Representations (ICLR 2022)
Journal ref Proceedings of the International Conference on Machine Learning (ICLR 2022)
通过专家异质性改进受污染的混合多项逻辑专家的最小最大估计速率
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文通过分析受污染的混合多项逻辑专家模型，揭示专家异质性在提升参数估计速率和样本效率方面的优势。
Comments Fanqi Yan, Dung Le contributed equally to this work. 41 pages, 3 figures, 1 table
数据分布作为引导优化器实现LLM超一般化的杠杆
机构 * University of California, Los Angeles（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）
AI总结 通过调整训练数据分布降低简单性偏见，提升大型语言模型的泛化能力，实验表明在数学推理任务中性能提升达18%。
通过引导对抗自博弈学习鲁棒推理
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Honda Research Institute USA（本田美国研究院）
AI总结 GASP通过引导对抗自博弈方法提升推理模型的鲁棒性，使其在面对误导和扰动上下文时保持稳定并提高准确度。
维度红利在LLM微调中的作用：一种方差-曲率视角
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Cognizant AI Lab（Cognizant AI实验室） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文从方差-曲率视角探讨LLM微调中的维度红利，揭示微调景观的低维曲率特性，表明小种群可有效优化高维微调任务。
Comments 8 pages, 6 figures, plus appendices
视觉情感分析：利用视觉-语言模型预测图像观看者的感受
机构 * Faculty of Mathematics and Computer Science, Adam Mickiewicz University（数学与计算机科学学院，亚当·密茨凯维奇大学） ； Faculty of Computer Science and Information Technology, Universiti Malaya（计算机科学与信息技术学院，马来亚大学） ； Department of Computer Science and Engineering, Korea University（计算机科学与工程系，韩国大学） ； Department of Psychology, University of Texas at Austin（心理学系，德克萨斯大学奥斯汀分校） ； Cognitive Neuroscience Center, Adam Mickiewicz University（认知神经科学中心，亚当·密茨凯维奇大学）
AI总结 本文研究了视觉-语言模型在预测图像观众情感方面的性能，发现其在离散情绪分类上表现良好，但在连续评分预测中存在偏差，揭示了其在情感计算中的潜力与局限。
CARE-RFT：基于置信度的强化微调用于大语言模型中的可靠推理
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 CARE-RFT通过引入置信度锚定的正则化方法，在保持大语言模型推理能力的同时提升其可信度和校准性能。
ARCAS：一种基于SLAM跟踪的增强现实避障系统，用于提升VRU安全
机构 * Department of Civil, Architectural, and Environmental Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校土木、建筑与环境工程系） ； School of Architecture, The University of Texas at Austin（德克萨斯大学奥斯汀分校建筑学院）
AI总结 ARCAS通过融合激光雷达与SLAM跟踪，为行人提供实时AR避障，显著提升城市出行安全。
Comments 8 pages, 3 figures, 1 table, accepted for IEEE Intelligent Vehicles (IV) Symposium 2026
统一代理交互与世界信息以实现多代理协调
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sungkyunkwan University（松云大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出交互-世界潜在空间框架，通过建模通信协议实现多代理协调，提升团队协作效率与鲁棒性。
Comments 2025 NeurIPS ARLET Workshop Oral presentation (https://arlet-workshop.github.io/neurips2025/schedule)
自适应屏蔽：在隐藏参数动态偏移下安全强化学习的框架
机构 * The University of Virginia（弗吉尼亚大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出自适应屏蔽框架，通过在线推断动态并结合安全正则化与不确定性感知界限，实现安全强化学习在隐藏参数偏移下的有效性和可靠性。
Comments Preprint, update equation for SRO to handle continuous action spaces
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