高校专区
MINER：挖掘多模态内部表示以实现高效检索
机构 * McGill University（麦吉尔大学） ； MIT - Massachusetts Institute of Technology（麻省理工学院） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（MBZUAI - 摩洛哥 bin Zayed 大学人工智能学院） ； Mila - Quebec AI Institute（Mila - 加拿大魁北克人工智能研究所）
AI总结 本文提出MINER，通过挖掘Transformer各层内部表示，融合多模态信号生成紧凑嵌入，提升检索性能，优于现有单向量检索器并在部分设置中缩小与晚交互基线的差距。
Comments Preprint
解耦的PFNs：通过结构化合成先验实现可识别的epistemic-aleatoric分解
机构 * University of Cambridge（剑桥大学） ； Siemens AG（西门子公司）
AI总结 本文提出解耦PFNs，通过结构化合成先验实现epistemic-aleatoric分解，改进了在噪声和异方差设置下的主动学习和贝叶斯优化性能。
不要失去焦点：通过键正交投影进行激活引导
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 本文提出SKOP方法，通过约束有害的注意力重路由，减少激活引导对推理和检索性能的负面影响，实现最佳的引导-实用性平衡。
通过自适应任务图提高语言代理团队的效率
机构 * Princeton University（普林斯顿大学） ； University of Cambridge（剑桥大学） ； MIT（麻省理工学院） ； New York University（纽约大学）
AI总结 本文提出LATTE框架，通过自适应任务图提升语言代理团队效率，减少资源消耗并提高协作准确性。
双 Lipschitz 正则化流的表达性：基于分数扩散的视角
机构 * Center for Industrial Mathematics, University of Bremen（工业数学中心，不莱梅大学） ； Department of Theoretical Physics and Applied Mathematics, University of Cambridge（理论物理与应用数学系，剑桥大学）
AI总结 本文从分数扩散模型的角度研究双 Lipschitz 正则化流的表达性，通过概率流ODE分析其分布逼近能力，并推导扩散运输的确定性收敛保证。
旋律与节奏是否共进化？
机构 * University of Cambridge, UK（剑桥大学，英国） ； RITMO Centre for Interdisciplinary Studies in Rhythm, Time and Motion, University of Oslo, Norway（节奏、时间与运动跨学科研究中心，奥斯陆大学，挪威） ； Department of Psychology, Goldsmiths College, University of London, UK（心理学系，伦敦大学金史密斯学院，英国） ； Department of Life Sciences, Leipzig University, Germany（生命科学系，莱比锡大学，德国） ； Division of Social Science, New York University Abu Dhabi, UAE（社会科学系，阿布扎赫尔新 york 大学，阿联酋） ； Department of Psychology, Cornell University, USA（心理学系，康奈尔大学，美国）
AI总结 研究通过分析27628首歌曲的旋律和节奏数据，发现两者在文化间存在差异，但节奏多样性与民族语言多样性相关，而旋律多样性无此关联，表明二者可能受不同文化压力影响。
Comments 6 pages, 3 figures, to be included in Proceedings of the Annual Meeting of the Cognitive Science Society
通过改进的一致性蒸馏流匹配实现物理保真重建
机构 * University of Cambridge（剑桥大学） ； University College London（伦敦大学学院） ； The Center for Computational Science（计算科学中心）
AI总结 本文提出通过改进的一致性蒸馏流匹配方法，将高保真流匹配生成模型压缩为紧凑的一步模型，以实现快速的科学流重建。在三个流体基准上验证了该方法的有效性，展示了蒸馏模型在参数效率和推理速度上的优势。
使重建FID成为扩散生成FID的预测指标
机构 * Tsinghua University（清华大学） ； University of Cambridge（剑桥大学） ； Peking University（北京大学） ； Kuaishou Technology（快手科技）
AI总结 本文提出插值FID(iFID)，通过在潜在空间中检索最近邻并插值其潜在表示，解码后计算与原数据集的FID，从而与生成FID强相关。
PulseLM：PPG-文本学习的基础数据集和基准
机构 * Singapore Management University（新加坡管理大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； Eindhoven University of Technology（埃因霍温理工大学） ； University of Cambridge（剑桥大学）
AI总结 PulseLM通过统一的问答框架连接原始PPG波形与自然语言，包含100万标准化PPG片段及250万问题-答案对，为研究语言基础生理推断和多模态模型基准提供标准化基础。
Comments PulseLM v2
子流形稀疏卷积网络用于计算机断层扫描中肾脏及肾肿瘤的自动三维分割
机构 * ETH Zürich, Institute for Particle Physics and Astrophysics（苏黎世联邦理工学院，粒子物理与天体物理研究所） ； University of Cambridge, Department of Physics（剑桥大学，物理系） ； University of Cincinnati, Department of Physics（辛辛那提大学，物理系） ； University of Cambridge, Department of Radiology（剑桥大学，放射学系）
AI总结 本文提出基于体素稀疏化和子流形稀疏卷积网络的两阶段3D分割方法，用于提高CT图像中肾脏及肿瘤的分割效率与精度，实验表明其在速度和内存使用上均优于现有方法。
Comments 15 pages, 6 figures
Transformer的最优上下文适应性与分布鲁棒性
机构 * Statistical Laboratory, University of Cambridge（剑桥大学统计实验室） ； Department of Statistics, London School of Economics and Political Science（伦敦政治经济学院统计系）
AI总结 本文研究了Transformer在不同测试分布下的性能，证明了预训练模型在固定难度任务上能实现最优收敛速度，并对分布偏移具有鲁棒性。
Comments 47 pages, 4 figures
重新思考大语言模型训练中的数据整理：在线重加权优于离线方法
机构 * University of Cambridge（剑桥大学） ； OATML, University of Oxford（牛津大学OATML实验室） ； University of Toronto（多伦多大学） ； Shanghai Jiao Tong University（上海交通大学） ； Samsung AI Center（三星人工智能中心）
AI总结 本文提出ADAPT框架，通过动态在线重加权提升模型泛化能力，实验显示其在指令微调和大规模预训练中优于传统离线方法。
Comments ICLR 2026
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