高校专区
在函数空间中编码语法对象和Merge操作
机构 * Department of Mathematics（数学系） ； Department of Computing（计算系） ； Mathematical Sciences, California Institute of Technology, CA 91125, USA（数学科学，加州理工学院） ； Institute for Data Systems（数据系统研究所） ； Society, Massachusetts Institute of Technology, Cambridge, MA 02139, USA（社会研究所，麻省理工学院）
AI总结 该研究在函数空间中通过构造半环结构和霍普夫代数马尔可夫链，实现了语法对象和Merge操作的神经计算实现。
Comments 48 pages, LaTeX, 4 png figures; v2: expository changes
大语言模型推理失败
机构 * California Institute of Technology（加州理工学院） ； Stanford University（斯坦福大学） ； Carleton College（卡尔顿学院）
AI总结 本文首次系统调查大语言模型推理失败问题，提出分类框架并分析其根本原因，旨在提升模型的推理能力与鲁棒性。
Comments Repository: https://github.com/Peiyang-Song/Awesome-LLM-Reasoning-Failures. Published at TMLR 2026 with Survey Certification
基于本体的机器人规范综合
机构 * Warsaw University of Technology (WUT)（华沙技术大学） ； NASA Jet Propulsion Laboratory (JPL)（美国国家航空航天局喷气推进实验室） ； California Institute of Technology（加州理工学院）
AI总结 本文提出基于本体的RSTM2方法，用于安全关键任务中机器人系统规范综合，通过随机时Petri网实现多层级蒙特卡洛模拟，支持架构权衡与资源分配。
Comments 8 pages, 9 figures, 3 tables, journal
在函数空间上引导扩散采样及其在偏微分方程中的应用
机构 * California Institute of Technology（加州理工学院） ； NVIDIA（英伟达） ； University of Oxford（牛津大学） ； KAIST（韩国科学技术院）
AI总结 本文提出FunDPS框架，通过函数空间扩散模型和引导机制，在极稀疏或噪声数据下有效恢复PDE解，实现32%的准确率提升。
Comments Accepted to NeurIPS 2025
从离散时间策略到连续时间扩散采样器：渐近等价与更快的训练
机构 * California Institute of Technology（加州理工学院） ； NVIDIA（英伟达） ； Zuse Institute Berlin（柏林泽尼克研究所） ； dida Datenschmiede GmbH（dida数据隐私公司） ； Jagiellonian University（雅盖隆大学） ； Mila, Université de Montréal（蒙特利尔大学机器学习研究所） ； University of Edinburgh（爱丁堡大学） ； CIFAR Fellow, Learning in Machines and Brains（CIFAR Fellow, 机器学习与大脑学习）
AI总结 本文提出通过渐近等价性将离散时间策略转化为连续时间扩散采样器，提升训练效率和采样性能。
Comments TMLR final version; code: https://github.com/GFNOrg/gfn-diffusion/tree/stagger
相同还是不同？提升视觉语言模型的视觉感知能力
机构 * California Institute of Technology（加州理工学院）
AI总结 TWIN通过引入大规模图像对数据集提升视觉语言模型的细粒度视觉感知能力，显著提高在艺术、动物等未见领域识别性能。
Comments Project webpage: https://glab-caltech.github.io/twin/
通过多样性理解基于大语言模型的多智能体系统中的智能体扩展
机构 * Shanghai Jiao Tong University（上海交通大学） ； California Institute of Technology（加州理工学院） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文通过引入K*指标，揭示了基于大语言模型的多智能体系统中，异质性智能体配置比同质配置更有效，且性能受任务不确定性限制。
输入到状态安全回步：具有不匹配不确定性的鲁棒安全关键控制
机构 * Department of Electrical and Computer Engineering, North Carolina State University（电气与计算机工程系，北卡罗来纳州立大学） ； Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院）
AI总结 本文提出了一种针对具有不匹配不确定性的非线性系统，通过构造输入到状态安全框架和最优衰减约束前馈，实现鲁棒安全关键控制的方法，并通过倒立摆和四旋翼实验验证。
Comments To appear at the 2026 American Control Conference
NOBLE -- 基于生物启发性潜在嵌入的神经算子：捕捉生物神经元模型中的实验变异
机构 * ETH Zürich（苏黎世联邦理工学院） ； California Institute of Technology（加州理工学院） ； University of Alberta（阿尔伯塔大学） ； Alberta Machine Intelligence Institute (Amii)（阿尔伯塔人工智能研究所） ； Cedars-Sinai Medical Center（Cedars-Sinai 医疗中心） ； Archimedes AI, Athena Research Center（Archimedes AI，Athena 研究中心）
AI总结 NOBLE通过生物启发性潜在嵌入和神经算子框架，高效生成具有实验变异性的合成神经元，实现神经动态的准确预测和模拟。
利用边缘检测和块对角高斯过程回归下推土地表面温度数据
机构 * Jet Propulsion Laboratory, California Institute of Technology（喷气推进实验室，加州理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出利用边缘检测和块对角高斯过程回归方法，从ECOSTRESS数据中高分辨率估计土地表面温度，以提高农业应用中的蒸散发估算精度。
SynCoGen: 通过联合反应和坐标建模实现可合成的3D分子生成
机构 * University of Toronto（多伦多大学） ； The Hospital for Sick Children（多伦多儿童医院） ； University of Cambridge（剑桥大学） ； ETH Zürich（苏黎世联邦理工学院） ； Vector Institute（向量研究所） ； Mila – Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； Caltech（加州理工学院）
AI总结 SynCoGen通过联合反应和坐标建模实现可合成的3D分子生成，实现了分子构建块、化学反应和原子坐标的联合分布采样，在无条件小分子生成和药物发现中表现出色。
Comments ICLR 2026
通过分步分解实现离散扩散轨迹对齐
机构 * Stanford University（斯坦福大学） ； Caltech（加州理工学院） ； Tsinghua University（清华大学）
AI总结 本研究提出一种离线偏好优化方法，通过分步分解实现离散扩散模型的轨迹对齐，提升DNA序列设计和语言建模的性能。
Comments ICLR 2026
端到端的符合校准用于不确定性下的优化
机构 * Department of Computing and Mathematical Sciences（计算与数学科学部） ； California Institute of Technology（加州理工学院）
AI总结 本文提出端到端符合校准框架，用于在不确定性下优化，通过下游决策损失指导不确定性学习，提升能源存储和投资组合优化性能。
Comments 29 pages, 8 figures
Journal ref Transactions on Machine Learning Research, December 2025
大语言模型：数学表述
机构 * Statistical Sciences, University of Toronto（多伦多大学统计科学系） ； Vector Institute（向量研究所） ； Amazon Search（亚马逊搜索） ； Computing and Mathematical Sciences, California Institute of Technology（加州理工学院计算与数学科学系）
AI总结 本文提出了一种大语言模型的数学框架，涵盖文本编码、模型架构、学习过程及部署方法，旨在提升算法的准确性、效率和鲁棒性。
Comments 51 pages, 2 figures
一个用于学习神经算子的库
机构 * NVIDIA ； Caltech（加州理工学院）
AI总结 NeuralOperator是一个开源库，用于学习函数空间之间的映射，提供训练、部署和开发神经算子模型的工具，具有易用性和高质量的代码库。
FC-PINO: 通过傅里叶延续实现高精度物理信息神经算子
机构 * Computing and Mathematical Sciences, California Institute of Technology（计算与数学科学系，加州理工学院）
AI总结 FC-PINO通过傅里叶延续方法提升PINO在非周期性和非光滑PDEs中的精度与效率
Comments 55 pages, 17 figures
宇宙景观中的人工神经网络
机构 * Walter Burke Institute for Theoretical Physics, California Institute of Technology, Pasadena, California 91125, USA（沃尔特·伯克理论物理研究所，加州理工学院，帕萨迪纳，加利福尼亚州91125，美国）
AI总结 本文提出利用人工神经网络从宇宙学角度生成暴胀景观，通过多层感知机的通用近似定理解决传统数值模拟的复杂度问题。
Comments v2, add some new contents
Journal ref JHEP 1712 (2017) 149
探索非平衡记忆的景观：神经细胞自动机
机构 * SB Schools, École Polytechnique Fédérale de Lausanne (EPFL), Switzerland（瑞士联邦理工学院（EPFL）SB学院） ； Department of Computing and Mathematical Sciences, Caltech, Pasadena, CA 91125, USA（加州理工学院计算与数学科学系） ； Institute for Quantum Information and Matter, Caltech, Pasadena, CA 91125, USA（加州理工学院量子信息与物质研究所） ； Department of Physics, University of California Berkeley, Berkeley, CA 94720, USA（加州大学伯克利分校物理系）
AI总结 本研究通过神经细胞自动机探索非平衡记忆的多样性，发现多种记忆机制能以不同方式存储和纠正信息。
Comments 4+9 pages; v2: expanded discussion, typos fixed
Journal ref Phys. Rev. Lett. 136, 037102 - Published 21 January, 2026
COARSE：协作伪标签与粗略真实标签用于越野语义分割
机构 * Jet Propulsion Laboratory, California Institute of Technology（喷气推进实验室，加州理工学院） ； EPFL, Ecole Polytechnique Federale de Lausanne（苏黎世联邦理工学院）
AI总结 COARSE通过协作伪标签与粗略真实标签提升越野语义分割的域适应能力，实验证明在多生物环境下的有效性。
Comments preprint, 8 pages
具身学习奖励以实现肌肉骨骼控制与视觉语言模型
机构 * Tsinghua University（清华大学） ； California Institute of Technology（加州理工学院）
AI总结 本文提出MoVLR框架，利用视觉语言模型实现高维肌肉骨骼系统的具身学习，通过迭代交互发现和改进奖励函数。
Comments 18 pages, 8 figures
R-KV：面向推理模型的冗余感知KV缓存压缩
机构 * University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； Microsoft（微软） ； Carnegie Mellon University（卡内基梅隆大学） ； California Institute of Technology（加州理工学院） ； University of California - San Diego（加州大学圣地亚哥分校） ； University of Surrey（萨里大学） ； University of California - Berkeley（加州大学伯克利分校）
AI总结 R-KV通过冗余感知机制实现推理模型KV缓存压缩，以10%的缓存占用率达到接近100%的性能，显著优于现有方法。
可训练量子机器学习中的任意多项式分离
机构 * Institute for Quantum Information and Matter（量子信息与物质研究所） ； Walter Burke Institute for Theoretical Physics, Caltech, Pasadena, CA, USA（沃尔特·伯克理论物理研究所，卡内基梅隆大学，帕萨迪纳，CA，USA） ； MIT Center for Theoretical Physics, Cambridge, MA, USA（麻省理工学院理论物理中心，剑桥，MA，USA） ； Department of Physics, CU Boulder, Boulder, CO, USA（科罗拉多大学博尔德分校物理系）
AI总结 本文提出了一种高效可训练的量子神经网络结构，实现了在经典序列建模任务中相对于经典神经网络的任意多项式内存分离。
Comments 30 pages, 3 figures, version accepted to Quantum
Journal ref Quantum 10, 1976 (2026)
线性机制用于视觉语言模型中的时空推理
机构 * California Institute of Technology（加利福尼亚理工学院）
AI总结 本文提出了一种线性机制用于视觉语言模型中的时空推理，通过分析空间ID和时间ID的结合，揭示了模型内部的因果推理过程，以提升模型的可解释性和设计能力。
在状态不确定性下安全导航：面向鲁棒控制屏障函数的在线适应
机构 * Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院） ； Electrical and Computer Engineering Department, University of California at Los Angeles（电气与计算机工程系，加州大学洛杉矶分校）
AI总结 本文提出了一种基于优化的在线参数适应方案，用于改进鲁棒控制屏障函数，以提高在状态不确定性下的安全导航性能。
面向视觉和语言模型的统一遮蔽拼图框架
机构 * Beijing Jiaotong University（北京交通大学） ； Kuaishou（快手） ； Hong Kong University of Science and Technology（香港科技大学） ； Caltech（加州理工学院） ； University of Trento（特伦特大学） ； University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学）
AI总结 本文提出MJP框架，通过随机token洗牌和未知位置嵌入遮蔽，提升Transformer模型在视觉和语言任务中的鲁棒性与性能。
Comments 9 figures, 12 tables
LeanProgress: 通过证明进度预测引导神经定理证明的搜索
机构 * Computing + Mathematical Sciences Department（计算与数学科学系） ； California Institute of Technology（加利福尼亚理工学院） ； Computer Science Department（计算机科学系） ； Princeton University（普林斯顿大学）
AI总结 LeanProgress通过预测证明进度提升神经定理证明效率，实现Mathlib4证明效率提升3.8%
Comments Published in TMLR (Transactions on Machine Learning Research)
通过分布鲁棒直接偏好优化实现鲁棒的大语言模型对齐
机构 * Texas A&M University（德克萨斯大学） ； California Institute of Technology（加州理工学院） ； Tencent AI Lab（腾讯AI实验室） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出Wasserstein DPO和KLDPO算法，通过分布鲁棒优化解决LLM与人类偏好间的分布偏移问题，提升对齐性能。
Comments Accepted to NeurIPS 2025
SCaLE: 带切换成本的学习与探索
机构 * Georgia Institute of Technology（佐治亚理工学院） ； California Institute of Technology（加州理工学院）
AI总结 SCaLE算法通过考虑高维动态二次击中成本和ℓ2-范数切换成本，在噪声带轮反馈模型中实现了分布无关的亚线性动态遗憾。
Comments 42 pages
基于在线张量LDA的大规模政治文本分析
机构 * Harvard University（哈佛大学） ； NVIDIA（英伟达） ； Johns Hopkins University（约翰霍普金斯大学） ； California Institute of Technology（加州理工学院）
AI总结 本文提出了一种可扩展的TLDA方法，用于大规模政治文本分析，实现了高效计算和内存使用，支持对大规模社交媒体数据的深入研究。
Comments 64 pages, 11 figures
Journal ref Polit. Anal. 34 (2026) 53-77
利用大语言模型评估政治问答中的答案质量
机构 * Division of the Humanities and Social Sciences（人文与社会科学系） ； California Institute of Technology（加州理工学院）
AI总结 本文提出利用大语言模型评估政治问答答案质量的方法，通过语义相关性衡量答案的相关性和深度，并发现答案质量与提问议员政党存在相关性。
Journal ref Polit. Anal. 34 (2026) 78-95
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