University of Washington（华盛顿大学）

Offscript: Automated Auditing of Instruction Adherence in LLMs

Offscript: LLMs指令遵循自动审计

Nicholas Clark, Ryan Bai, Tanu Mitra

机构 * University of Washington Information School Seattle Washington USA ； University of Washington\ G. Allen School of Computer Science \& Engineering Seattle Washington USA ； University of Washington Information School ； University of Washington\ G. Allen School of Computer Science \& Engineering 纠错

AI总结 Offscript通过自动化审计检测LLM指令遵循问题，揭示86.4%的对话中存在潜在违规行为，其中22.2%经人工确认为实质性违规。

T-SHRED: Symbolic Regression for Regularization and Model Discovery with Transformer Shallow Recurrent Decoders

T-SHRED：基于Transformer浅层递归解码器的符号回归用于正则化和模型发现

Alexey Yermakov, David Zoro, Mars Liyao Gao, J. Nathan Kutz

机构 * Electrical and Computer Engineering, University of Washington（华盛顿大学电气与计算机工程系） ； Applied Mathematics, University of Washington（华盛顿大学应用数学系） ； Computer Science & Engineering, University of Washington（华盛顿大学计算机科学与工程系） 纠错

AI总结 T-SHRED通过结合Transformer和符号回归，提升模型正则化和可解释性，适用于不同尺度的混沌系统预测。

Comments 17 pages, 5 figures, submitted to Transactions of the Royal Society (Symbolic Regression in the Physical Sciences)

When Worse is Better: Navigating the compression-generation tradeoff in visual tokenization

当更差的是更好的：在视觉分块化中的压缩-生成权衡导航

Vivek Ramanujan, Kushal Tirumala, Armen Aghajanyan, Luke Zettlemoyer, Ali Farhadi

机构 * University of Washington（华盛顿大学） ； Meta FAIR 纠错

AI总结 本文提出CRT方法，通过正则化潜在空间提升生成性能，实现更高效的图像生成模型。

Comments Spotlight at NeurIPS 2025

A Model-Guided Neural Network Method for the Inverse Scattering Problem

一种指导模型的神经网络方法用于反散射问题

Olivia Tsang, Owen Melia, Vasileios Charisopoulos, Jeremy Hoskins, Yuehaw Khoo, Rebecca Willett

机构 * Department of Computer Science, University of Chicago（计算机科学系，芝加哥大学） ； Center for Computational Mathematics, Flatiron Institute（计算数学中心，Flatiron研究所） ； National Institute for Theory and Mathematics in Biology（生物理论与数学国家研究所） ； Department of Electrical & Computer Engineering, University of Washington（电气与计算机工程系，华盛顿大学） ； Computational and Applied Mathematics, Department of Statistics, University of Chicago（计算与应用数学，统计系，芝加哥大学） ； Data Science Institute, University of Chicago（数据科学研究所，芝加哥大学） 纠错

AI总结 本文提出了一种指导模型的神经网络方法，通过可微求解器显式整合物理规律，以提高反散射问题的重建质量与效率。

Comments 28 pages

Hierarchical Instance Tracking to Balance Privacy Preservation with Accessible Information

层级实例跟踪以平衡隐私保护与可获取信息

Neelima Prasad, Jarek Reynolds, Neel Karsanbhai, Tanusree Sharma, Lotus Zhang, Abigale Stangl, Yang Wang, Leah Findlater, Danna Gurari

机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of Washington（华盛顿大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出层级实例跟踪任务，构建首个支持该任务的基准数据集，通过评估多种模型展示数据集的挑战性，旨在平衡隐私保护与信息可获取性。

Comments Accepted at WACV 2026