高校专区
记住遗忘：门控自适应位置编码
机构 * Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Department of Computer, Control and Management Engineering, Sapienza University（计算机、控制与管理工程系，萨皮恩扎大学） ； Department of Information Engineering, University of Padova（信息工程系，帕多瓦大学）
AI总结 GAPE通过引入内容感知偏差优化注意力逻辑，在保持旋转几何的前提下，分离距离抑制与token重要性，提升长上下文鲁棒性。
haystack 中的许多针：用于扰动实验的主动命中发现
机构 * Wellcome Sanger Institute, Wellcome Genome Campus, Hinxton, UK（韦尔科姆桑格研究所，韦尔科姆基因组校园，英国辛顿） ； Cambridge Center for AI in Medicine, University of Cambridge, Cambridge, UK（剑桥人工智能医学中心，剑桥大学，剑桥，英国） ； Cambridge Stem Cell Institute, University of Cambridge, Cambridge, UK（剑桥干细胞研究所，剑桥大学，剑桥，英国） ； Department of Computer Science and Technology, University of Cambridge, Cambridge, UK（剑桥计算机科学与技术系，剑桥大学，剑桥，英国） ； MediaTek Research, Cambridge, UK（联发科研究，剑桥，英国）
AI总结 本文提出Probability-of-Hit方法，通过后验概率排名候选者，有效发现超过阈值的扰动，提升实验效率。
Comments To be published in International Conference on Machine Learning (ICML) 2026
HyperEyes: 双粒度效率感知强化学习用于并行多模态搜索代理
机构 * Xiaohongshu Inc.（小红书公司） ； University of Cambridge（剑桥大学）
AI总结 HyperEyes通过双粒度效率感知强化学习，实现并行多模态搜索代理，提升搜索效率与准确性，其在六个基准测试中超越现有开源代理。
Comments Code & Data: https://github.com/DeepExperience/HyperEyes
随机性的确定性：提示残差种子塑形用于扩散生成
机构 * USTC（中国科学技术大学） ； Li Auto Inc.（利亚自动化公司） ； Xi’an High-tech Research Institute（西安高新技术研究院） ； Wechat Vision（微信视觉） ； Cambridge University（剑桥大学） ； HUST（华中科技大学）
AI总结 本文研究了扩散生成中种子敏感性，提出无需训练的提示残差种子塑形方法，通过单个高噪声冷启动提示残差提升生成对齐和质量。
医学模型合成架构：一种案例研究
机构 * MIT（麻省理工学院） ； University of Cambridge（剑桥大学） ； Princeton University（普林斯顿大学） ； Duke University（杜克大学） ； The Alan Turing Institute（艾伦·图灵研究所） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席）
AI总结 本文提出一种框架，使AI系统能在不确定性下进行实用且形式透明的临床预测。通过语言模型检索知识并构建概率模型，实现校准和可验证的推理，用于鉴别诊断并讨论未来应用方向。
Comments Working paper
ConFixGS：基于置信度感知扩散先验的学习以修复馈送式3D高斯点溅射在驾驶场景中
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Cambridge（剑桥大学） ； Technical University of Munich（慕尼黑技术大学）
AI总结 本文提出ConFixGS，通过置信度感知扩散先验学习修复馈送式3D高斯点溅射，提升稀疏视角驾驶场景中新型视角合成的鲁棒性，实验显示PSNR提升3.68dB，FID降低近一半。
Comments 28 pages, 12 figures
频域变换神经过程
机构 * University of Cambridge（剑桥大学） ； Tencent（腾讯） ； Imperial College London（伦敦帝国理工学院）
AI总结 本文提出Spectral Transformer Neural Processes，通过引入频域聚合器增强神经过程对周期性和拟周期性数据的建模能力，实验表明其在回归任务和现实数据集上提升了预测性能。
Comments 37 pages, 10 figures, 18 tables
表格基础模型用于生成建模
机构 * Department of Computer Science and Technology, University of Cambridge, UK（计算机科学与技术系，剑桥大学，英国） ； SAP SE ； Télécom Paris, Institut Polytechnique de Paris, France（巴黎telecom，巴黎理工 institute，法国）
AI总结 本文提出TabFORGE，一种基于预训练因果感知特征编码器的表格基础生成模型，通过两阶段设计缓解潜在嵌入分布偏移，实现高质量合成表格数据生成。
成对不够：用于多智能体路径规划的超图神经网络
机构 * University of Cambridge（剑桥大学） ； National Institute of Advanced Industrial Science and Technology（国家先进工业科学与技术研究院）
AI总结 本文提出HMAGAT超图多智能体注意力网络，通过超图注意力机制捕捉群体动态，解决多智能体路径规划中的注意力稀释问题，展现超图表示在复杂交互中的优势。
Comments Published at ICLR 2026
LILO：带有自然语言反馈的贝叶斯优化
机构 * Meta ； DAMTP, University of Cambridge（剑桥大学DAMTP）
AI总结 LILO通过将大语言模型转化为结构化偏好信号，提升贝叶斯优化在复杂主观偏好下的适应性与效率，实验证明其在反馈受限场景中表现优异。
Journal ref Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026
CauSim：通过日益复杂的因果模拟器扩展因果推理
机构 * DAMTP, University of Cambridge, Cambridge, UK（剑桥大学 DAMTP 实验室，剑桥，英国）
AI总结 CauSim通过构建日益复杂的因果模拟器，将因果推理从稀缺标签问题转化为可扩展的监督学习问题，实现跨表示的泛化和因果推理能力的提升。
基于混合策略蒸馏的推理压缩
机构 * Technical University of Munich（慕尼黑技术大学） ； GESIS – Leibniz Institute for the Social Sciences（莱布尼茨社会科学研究所） ； Northeastern University（东北大学） ； LMU Munich（慕尼黑大学） ； Siemens AG（西门子股份公司） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Mina AI
AI总结 本文提出混合策略蒸馏框架，通过从大模型压缩推理轨迹到小模型，有效减少token使用并提升推理性能。
EdgeFlowerTune: 在现实边缘系统约束下评估联邦大语言模型微调
机构 * Duke Kunshan University（杜克-肯尼思大学） ； Flower Labs（Flower实验室） ； University of Cambridge（剑桥大学）
AI总结 本文提出EdgeFlowerTune基准，评估联邦LLM微调在现实边缘系统中的可行性，通过联合评估模型质量和系统成本，包括通信、时延、内存使用、能耗和动态边缘条件鲁棒性，揭示仅凭准确率评估的局限性。
Comments 30 pages, 10 figures
关于通过统计语法诱导计算操作化竞争的语法发展成熟理论
机构 * Department of Computer Science & Technology, University of Cambridge（计算机科学与技术系，剑桥大学）
AI总结 本文探讨了儿童在第一语言发展中获得中间语法类别及其顺序，通过统计语法诱导验证不同成熟理论的预测，发现GROWING模型在三个评估指标上显著优于INWARD模型。
Comments In Proceedings of the Annual Meeting of the Cognitive Science Society (CogSci) 2026. Presentation in Rio de Janeiro, Brazil
NEO: 通过潜在空间重新定位实现无优化的测试时间适应
机构 * University of Birmingham（伯明翰大学） ； Brave Software Research（Brave软件研究） ； University of Cambridge（剑桥大学）
AI总结 NEO通过潜在空间重新定位实现无超参数的测试时间适应，仅需少量计算即可显著提升分类准确率，适用于多个数据集和设备。
Comments ICLR 2026
有效解释支持在不确定性下的规划
机构 * University of Tübingen（图宾根大学） ； Technical University Darmstadt（达姆施塔特技术大学） ； Max Planck Institute for Biological Cybernetics（生物 cybernetics 最大平面研究所） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学）
AI总结 本文提出一种计算模型，将解释转化为行动计划，通过大规模语言模型生成策略先验和价值图，结合规划代理在部分可观测条件下执行，验证了高质量解释能提升导航效率。
Comments CogSci 2026
UIESNN：一种具有尺度感知的脉冲网络用于水下图像增强
机构 * Institute of Biology, University of Graz, Graz, Austria（格拉茨大学生物学院，格拉茨，奥地利） ； University of Cambridge（剑桥大学）
AI总结 本文提出UIESNN，一种具有尺度感知的脉冲网络，用于水下图像增强，通过多尺度池化LIF块和脉冲残差架构，提升颜色保真度和空间一致性。
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