高校专区
基于张量的脑表面建模与分析
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Montreal Neurological Institute, McGill University（麦吉尔大学蒙特利尔神经学研究所）
AI总结 该研究提出统一计算框架，结合表面建模、平滑与统计分析，通过张量形态测量学定位儿童脑皮层灰质变化区域，实现脑表面形状差异检测。
Journal ref The proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2003 Vol I 467-473
技能条件门控自蒸馏用于大语言模型推理
机构 * Tsinghua University（清华大学） ； Fudan University（复旦大学） ； City University of Hong Kong（香港城市大学） ； Huazhong University of Science and Technology（华中科技大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 提出技能条件门控自蒸馏（SGSD），通过从经验技能库中检索技能-错误对构建多教师池，并利用验证器验证教师极性，以鲁棒门控目标蒸馏信息性师生差异，在弱先验信息假设下提升数学推理性能。
Comments Accepted by EMNLP 2026 Findings. Code is available at https://github.com/walawalagoose/SGSD
语法对齐解码
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出语法对齐解码（GAD）方法，通过适应性采样与近似期望未来（ASAp）算法，提升语法约束下生成输出的质量和概率匹配度。
Comments Accepted to NeurIPS 2024
DocHop：面向信息密集型文档的域外多跳推理基准测试
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； Kookmin University（国民大学） ； MIT-IBM Watson AI Lab, IBM Research（麻省理工学院-IBM沃森人工智能实验室，IBM研究院）
AI总结 该研究推出DocHop基准，针对信息密集型文档的域外多跳推理，构建含2074个样本的测试集，发现MLLMs性能远低于人类，为相关研究提供可控测试平台。
Comments Accepted by ICML 2026
后验回火解释线性与广义线性汤普森采样中的方差膨胀
机构 * Daniels School of Business, Purdue University（普渡大学丹尼尔斯商学院） ； Department of Statistics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校统计系） ； Department of Statistics, Texas A&M University（德克萨斯农工大学统计系）
AI总结 本文提出α-汤普森采样算法，确定先验与奖励分布的正则性条件，推导其遗憾界并解释线性和广义线性汤普森采样中d^(3/2)因子的来源。
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)
机构 * Tepper School of Business, Carnegie Mellon University（卡内基梅隆大学泰珀商学院） ； Maternal-Fetal Medicine University of Wisconsin – Madison（威斯康星大学麦迪逊分校母胎医学系） ； Industrial and Systems Engineering, University of Wisconsin – Madison（威斯康星大学麦迪逊分校工业与系统工程系）
使用分数后验的汤普森采样的广义后悔分析
机构 * Purdue University（普渡大学） ； Daniels School of Business（丹尼尔斯商学院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Texas A&M University（德克萨斯农工大学）
AI总结 本文提出α-TS变体，使用分数后验替代标准后验，在弱条件下得到两种后悔界，还建立匹配改进UCB的后悔上界，分析无需闭式后验等额外结构性质。
超越分数：理解摘要评估中的大语言模型作为评判者的机制
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 该研究针对LLM作为评判者的摘要评估机制，通过多组实验分析了Themis和Prometheus等模型的评估流水线结构及微调的作用，并发布了相关代码与数据。
Comments Accepted at EMNLP 2026 Main Conference
视觉不敏感差距：诊断视觉-语言模型何时无法使用视觉证据
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 该研究诊断发现视觉-语言模型存在无法利用视觉证据的视觉不敏感差距，提出VSI量化该差距，明确其适用场景，表明其可作为条件集成组件使用。
Comments 17 pages (7-page main text plus technical appendix), 10 figures, 6 tables
场景文本识别能否读取罕见组合？
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 该研究发现场景文本识别在罕见词与罕见三元组组合上的准确率显著低于中心区域，定位故障源于自回归解码器的词汇先验，采用CTC解码的架构转变可有效缓解该问题，罕见输入长尾需架构变革而非增加容量。
Comments Preprint. Under review. Main text plus appendix: 10 figures, 13 tables
差分隐私的表格-图像配对多模态合成
机构 * University of Virginia（弗吉尼亚大学） ； Dexcom（德克斯康公司） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 针对差分隐私下表格-图像配对多模态合成的挑战，提出DP-TabImage框架，结合私有概率图模型与DP-SGD训练的表格条件扩散模型，在三类真实数据集上实现了表格、图像保真度与跨模态对齐的良好平衡。
Comments This paper is about differentially private table-image data synthesis
MemeBridge：用于基准测试和缓解梗图理解中双向文化差异的数据集
机构 * Texas A&M University（德克萨斯农工大学） ； Purdue University（普渡大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 该研究构建了针对美国起源梗图的双向文化数据集MemeBridge，用于测试跨文化理解，发现LLM跨文化理解能力不足，用MemeBridge微调可提升模型性能。
Journal ref In Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining, Vol. 1 (KDD '26), 2026
（视觉）语言模型（(V)LMs）可泛化至表面共现之外：来自跨模态数一致的证据
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 该研究以(V)LMs为对象，通过跨模态泛化实验发现其可超越表面共现实现泛化，表现出与抽象兼容的行为，为语言模型具备抽象能力提供了证据。
Comments 9 pages main text
潜在循环Transformer：架构探索、训练策略与扩展行为
机构 * Microsoft（微软公司） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of Washington（华盛顿大学）
AI总结 提出潜在循环Transformer（LRT），通过跨层循环潜在路径重用前一token的高层隐藏状态作为记忆，在不增加暂停token或额外深度循环的情况下，以约2倍基线计算实现并行训练，在匹配有效计算下提升语言建模损失和上下文学习能力，仅增加0.3%参数。
揭示大型语言模型（LLM）中类人表征的计算要素
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Stanford University（斯坦福大学）
AI总结 该研究通过对75余个模型开展 triplet 相似度任务，发现指令微调与大注意力头维度是LLM类人概念表征对齐的关键要素，明确了现有基准无法完全衡量人与模型的对齐程度。
Comments 9 pages
BAITBENCH：通过植入ML任务中的可选捷径测量智能体的奖励黑客行为
机构 * National University of Singapore（新加坡国立大学） ； MIT（麻省理工学院） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； University of Toronto（多伦多大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Arb Research（Arb研究机构）
AI总结 BAITBENCH是含三个合成表格型ML任务的基准，用于测量智能体利用可选捷径获得虚高分的奖励黑客行为，实验显示57.1%的运行存在该行为，发布相关资源作为缓解措施评估测试平台。
ClearText-Video：连接视频修复与场景文本增强的大规模以文本为中心的视频数据集
机构 * OPPO US AI Center（OPPO美国人工智能中心） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 研究团队推出ClearText-Video数据集，评估发现视觉增强未必提升文本推理，仅OCR管道远逊于多模态推理，为相关系统提供基础。
Comments This paper is accepted by 2026 Proceedings of the European Conference on Computer Vision
CrossAudit：面向智能体科学的原生Git跨供应商审计循环
机构 * University of Cambridge（剑桥大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 CrossAudit是面向智能体科学的原生Git跨供应商审计协议，通过不同供应商智能体按人类规则审计工作，试验显示不同供应商对规则解读有差异，其自身审计记录为核心证据。
Comments 19 pages, 4 figures, 3 tables, 22 references. Reference implementation, audit ledger, and experiment artefacts: https://github.com/dongzhaohe321418-lab/crossaudit
去噪即投影：带梯度引导扩散的约束优化
机构 * MIT（麻省理工学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出一种将目标梯度融入去噪步骤的投影梯度引导扩散更新方法，用于结构化可行集上的约束优化，在三类设置中保证收敛，实验验证其平衡目标下降与几何保留的有效性。
SemanticSlider3D：无需训练的3D物体连续语义编辑
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Purdue University（普渡大学） ； Fujitsu Research of America（富士通美国研究所）
AI总结 SemanticSlider3D是一种无需训练的3D物体连续语义编辑技术，通过在先进3D生成模型潜空间构建语义编辑方向，在技术验证与用户研究中均表现优于基线方法，可作为现有3D创作工作流的有效补充。
Comments UIST 2026
基于下一个词预测的测试时训练
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出TTT-NTP方法，利用预训练语言模型自身的下一个隐藏状态作为自监督信号进行测试时训练，无需重新设计骨干网络，在多个长上下文基准上显著提升性能。
Comments 17 pages, 2 figures, 6 tables. Accepted to Findings of EMNLP 2026. Code: https://github.com/yancyou/TTT-NTP
ReactBench: 一种用于在化学反应图上进行拓扑推理的MLLMs基准测试
机构 * International Digital Economy Academy（国际数字经济学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 ReactBench通过化学反应图揭示MLLMs在拓扑推理中的局限性，包含1618个专家标注的问答对，评估17种MLLMs显示锚定任务与整体结构推理任务存在超过30%的性能差距。
Comments Accepted By EMNLP 2026 (Main Conference)
分段对话，整体感知：面向语言型目标检测的解耦分层表示学习
机构 * Korea University（韩国大学） ； University of Seoul（首尔大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 针对视觉-语言模型难以处理复杂语言查询的问题，提出TaSe框架，构建分层合成字幕数据集与三组件解耦模块，在OmniLabel基准上实现24%的性能提升。
Comments Accepted by EMNLP 2026
RetailAgent：自条件多模态大语言模型交易智能体中的结构化不利时机
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Michigan State University（密歇根州立大学） ； University of Rochester（罗切斯特大学）
AI总结 该研究提出RetailAgent框架，发现LLM交易智能体的决策存在跨维度的持续不利时机，动作与后续收益的一致性是该效应的关键驱动因素，同时自生成记忆会增强策略持续性。
作为概率事件的量子感知
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出概率事件计算原语，通过递归贝叶斯推理将单个光子检测转化为低延迟信号，实现极端环境下的量子感知，其输出速度远超现有基线，连接了量子传感与机器人视觉。
Comments For project webpage, see https://wisionlab.com/project/probabilistic-events/
面向临床诊断的大语言模型训练中知识图谱的外科式对齐
机构 * University of Colorado Anschutz Medical Campus（科罗拉多大学安舒茨医学校区） ； University of Wisconsin Madison（威斯康星大学麦迪逊分校） ； Loyola University（洛约拉大学）
AI总结 该研究针对临床诊断的LLM训练，通过多维度系统研究引入GID和GD，发现KL正则化下KG判断训练的稀疏更新（外科式对齐）可提升推理质量，需结合优化几何诊断评估KG-LLM整合。
Comments This work has been accepted to EMNLP 2026 Findings
贝叶斯实验设计用于模型偏差校准：KL散度与瓦瑟斯坦距离的较量
机构 * Department of Mechanical Engineering, University of Wisconsin–Madison, Madison, WI 53706（机械工程系，威斯康星大学麦迪逊分校，麦迪逊，WI 53706）
AI总结 本文比较了KL散度与瓦瑟斯坦距离在贝叶斯实验设计中的应用，发现KL散度在无模型偏差时收敛更快，而瓦瑟斯坦距离在存在模型偏差时更稳健。
Journal ref Journal of Computational Physics 545 (2026) 114469
可微动力学与连续弹性机器鱼的快速仿真
机构 * Marine Robotics Lab, Department of Mechanical Engineering, College of Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校工程学院机械工程系水下机器人实验室） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学Sibley机械与航空航天工程学院）
AI总结 本文针对现有机器鱼动力学模型的不足，提出基于哈密顿原理的可微全身动力学模型与快速仿真框架，经数值与实验验证，可用于机器鱼身体刚度分布的梯度优化设计。
Comments Under review at IEEE Robotics and Automation Letters (RA-L)
使临床语言模型可审计：概念引导的鲁棒预测微调
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本研究提出基于SAE的可审计临床文本分类框架CAST，通过提取并抑制病历人工制品特征，在MIMIC-IV死亡率预测任务上提升了基线性能并保留与强LLM相当的效果，同时提供可审计的特征级轨迹。
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