高校专区
PhySPRING: 通过图神经网络实现物理信息双胞胎的结构保持降维
机构 * University of Cambridge（剑桥大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 PhySPRING通过图神经网络学习层次化简化图拓扑及其机械参数，实现弹簧-质量双胞胎的结构保持降维，提升重建和预测精度并提高计算效率。
Comments 16 pages and 6 pages, conference paper
SAM 3D Animal：基于图像的野外多动物3D重建的可提示框架
机构 * University of Cambridge（剑桥大学） ； Southern University of Science and Technology（南方科技大学） ； Tsinghua University（清华大学） ； IMATI-CNR, Milan, Italy（意大利米兰IMATI-CNR研究所）
AI总结 本文提出SAM 3D Animal，首个可提示的多动物3D重建框架，基于SMAL+参数化动物模型，通过关键点和掩码提示实现拥挤和遮挡场景的可靠重建，利用Herd3D数据集在多个数据集上取得最优结果。
具有连续时间潜在动态的Koopman自编码器用于流体动力学预测
机构 * University of Cambridge（剑桥大学） ； Alan Turing Institute（艾伦·图灵研究所） ； Inria（法国国家信息与自动化技术研究所）
AI总结 本文提出一种连续时间Koopman自编码器，通过闭式推断实现长周期预测，克服了传统方法的固定时间步限制，并在流体动力学中实现了高效稳定预测。
RNE: 可插拔的扩散推理时间控制与基于能量的训练
机构 * University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics
AI总结 本文提出RNE，通过路径分布密度比的概念，建立了边际密度与转移核之间的联系，统一了扩散密度估计、推理时间控制和基于能量的扩散训练。实验显示RNE在推理时间控制和训练能量扩散模型方面表现优异。
Comments Accepted at ICLR 2026
积云红外观测揭示四维降水结构
机构 * Institute of Remote Sensing and Geographical Information Systems, School of Earth and Space Sciences, Peking University（遥感与地理信息系统研究所，地球与空间科学学院，北京大学） ； Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Key Laboratory of High Confidence Software Technologies (Peking University), Ministry of Education（高可信软件技术重点实验室（北京大学），教育部；计算机科学学院，北京大学） ； School of Computer Science, Peking University（风云气象卫星创新中心，国家气象中心，中国气象局） ； Innovation Center for Fengyun Meteorological Satellite, National Meteorological Centre, China Meteorological Administration（大气与海洋科学系，物理学院，北京大学） ； Department of Atmospheric and Oceanic Sciences, School of Physics, Peking University（山地灾害环境研究所，中国科学院） ； Institute of Mountain Hazards and Environment, Chinese Academy of Sciences（土木工程与环境科学学院，俄克拉荷马大学） ； School of Civil Engineering and Environmental Science, University of Oklahoma
AI总结 本文提出4DPrecipNet框架，利用积云红外数据重建四维降水结构，揭示亚云降水的可观测性，通过物理约束深度学习方法实现降水垂直和时间演变的重建。
分类场：从少量示例中进行任意精细的递归分层聚类
机构 * Department of Mathematics and Statistics, McMaster University, Canada（加拿大麦 master 大学数学与统计学系） ； Vector Institute, Canada（加拿大向量研究所） ； University of Cambridge, United Kingdom（英国剑桥大学）
AI总结 本文提出分类场，一种通过局部父到子细化规则生成无限深度分层聚类结构的方法，证明了其在完成单元度量下的指数截断收敛性，并在实验中验证了其在递归展开中的有效性。
每个可定义于o-最小结构中的前馈神经网络都有有限样本复杂性
机构 * Department of Mathematics & Statistics, McMaster University（数学与统计学系，麦斯特大学） ； Department of Mathematics & Statistics, Concordia University（数学与统计学系，康科迪亚大学） ； University of Cambridge（剑桥大学） ； Graduate School of Engineering, The University of Tokyo（东京大学工学研究院）
AI总结 本文证明了在PAC模型中，可定义于o-最小结构中的广泛前馈神经网络具有有限样本复杂性，涵盖标准固定大小的MLP、CNN、GNN和Transformer等架构及其常见操作。
保守流：生成模型的新范式
机构 * The University of British Columbia（不列颠哥伦比亚大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出一种新的生成模型范式，通过离散随机动力学保持数据分布不变，利用预训练流模型，开发了两种概率保持采样机制，验证了在合成数据集上的优越性。
Christoffel-DPS: 在扩散后验采样中为任意分布优化传感器布置
机构 * Department of Applied Mathematics and Theoretical Physics（应用数学与理论物理系） ； University of Cambridge（剑桥大学） ； Department of Mathematics（数学系） ； Simon Fraser University（西蒙弗雷泽大学）
AI总结 本文提出Christoffel-DPS方法，基于Christoffel函数为任意分布提供非渐近的传感器数量界，优于传统高斯方法，适用于非高斯基准的低传感器预算场景。
Contrast-X：一个多模态对比图像合成基准及通用模态流匹配
机构 * University of Cambridge（剑桥大学） ； MD Anderson Cancer Center（MD安德森癌症中心） ； University of Dundee（邓迪大学）
AI总结 Contrast-X通过多器官CT和乳腺DCE-MRI数据，提出FlowMI模型解决多模态缺失问题，评估合成图像质量及跨器官泛化能力。
视觉语言动作模型中的持续演进技能知识
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； University of Cambridge（剑桥大学） ； Beihang University（北京航空航天大学） ； Nanyang Technological University（南洋理工大学） ； MIT SMART（麻省理工学院SMART实验室） ； AgiBot
AI总结 本文提出Stellar VLA框架，通过无需增加参数的持续模仿学习方法，实现视觉语言动作模型的持续知识积累，实验表明其在任务专精和知识转移方面表现优异。
用环境级查询评估世界模型学习
机构 * Basis Research Institute ； DFKI GmbH ； Harvard University ； Universit\'e de Montr\'eal \& Mila - Quebec AI Institute ； University of Cambridge ； Massachusetts Institute of Technology ； Cornell University
AI总结 本文提出WorldTest协议，通过环境级查询评估智能体是否学习到支持多种环境属性的模型，通过AutumnBench验证人类在网格世界环境中的表现优于前沿模型。
Comments 34 pages, 10 figures
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