高校专区
PHAST-Net: 注意力引导、物理信息网络用于理想时频表示的统一估计
机构 * Engineering Department, University of Cambridge（剑桥大学工程系）
AI总结 提出PHAST-Net，通过注意力引导和物理信息损失，从小波变换星座统一估计高分辨率、无交叉项的时频表示，适用于语音、音乐等非平稳信号。
基于不确定性的去偏与遗忘用于去污染
机构 * Department of Engineering, University of Cambridge（剑桥大学工程系） ； VRAIN, Universitat Politècnica de València（瓦伦西亚理工大学VRAIN）
AI总结 提出基于不确定性的去污染方法(UBD)，利用深度集成估计每个样本的记忆程度，通过去偏或遗忘修正输出分布，无需无污染模型或污染样本先验知识。
从片段到路径：大型工业代码库的任务级上下文恢复
机构 * AMAP, Alibaba Group（阿里集团AMAP） ； Nanyang Technological University（南洋理工大学） ； Nanjing University（南京大学） ； University of Cambridge（剑桥大学）
AI总结 提出DeepDiscovery方法，通过两阶段定位-推理框架在预算约束下恢复任务级上下文，显著提升大型工业代码库的文件检索和下游软件工程任务性能。
Comments 12 pages, 3figures
用于肺栓塞风险评估的高效多模态临床问答
机构 * University of Auckland（奥克兰大学） ； University of Cambridge（剑桥大学） ； University of Adelaide（阿德莱德大学） ； University of Melbourne（墨尔本大学）
AI总结 本研究构建了基于INSPECT数据集的肺栓塞多模态基准，通过结构化问答任务评估高效多模态大模型在CTPA和EHR输入下的诊断与预后性能，发现Gemma4模型在结合CTPA+EHR时表现更优，且诊断任务优于预后任务。
用于链接预测的早期退出图神经网络
机构 * University of Cambridge（剑桥大学） ； Sapienza University of Rome（罗马大学）
AI总结 提出一种无需辅助损失的早期退出策略，在GCN和SAS-GNN骨干网络上实现链接预测的加速，同时保持或提升预测质量。
Comments Accepted at LoG@Pisa 2026
语言-能量鸿沟：衡量多语言大模型推理的能量成本
机构 * University of Michigan（密歇根大学） ； University of Cambridge（剑桥大学） ； University of Aberdeen（阿伯丁大学）
AI总结 系统研究多语言LLM推理的能量消耗，发现不同语言间每token能耗差异达8.3倍，总能耗差异达179倍，低资源语言能耗高且准确率低，建议将能量作为评估指标。
基于3D高斯散点的场景级异构物理仿真
机构 * The University of Hong Kong（香港大学） ； University of Cambridge（剑桥大学）
AI总结 提出一种表示抽象框架，将3D高斯散点、虚拟网格和流体等异构资产统一为物理粒子集，实现场景级、多求解器的物理仿真，支持3DGS资产的非刚性变形与复杂双向交互。
Comments Accepted to CVPR 2026 Findings
Journal ref Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings, 2026, pp. 6456-6465
半监督视觉-语言-动作模型
机构 * University of Warwick（华威大学） ； University of Cambridge（剑桥大学）
AI总结 提出SemiVLA框架，通过自蒸馏教师-学生网络利用伪动作标签适应新环境，在10%标注轨迹下提升LIBERO任务成功率8.0%。
作为自动研究失败感知共享记忆的负面知识
机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系）
AI总结 提出负面知识记忆层，通过策展代理将失败尝试转化为共享库中的记录，供研究代理采纳或拒绝，在ScienceAgentBench和PDE问题上提升性能并减少令牌使用。
Comments 13 pages, 4 figures
用于层状神经网络的层次池化
机构 * UiT The Arctic University of Norway（挪威北极大学） ； University of Cambridge（剑桥大学） ； NORCE Norwegian Research Centre AS（挪威研究中心）
AI总结 提出HiSP，一种基于局部谱粗化的层状感知池化框架，通过投影细层状值特征到簇内层状拉普拉斯算子的低频本征模来构建粗层，并分析粗化引起的近似误差。
陪审团职责：文化模糊性下MLLM作为评判者的校准与定向失败
机构 * Salesforce AI Research（Salesforce AI 研究院） ； University of Cambridge（剑桥大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； Carnegie Mellon University（卡内基梅隆大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校）
AI总结 针对MLLM作为评判者在跨文化场景中的偏差问题，提出VOIR DIRE基准，通过分析校准失败（压缩尺度）和定向失败（默认一种文化规范），揭示模型偏向于更宽容的文化解读。
Comments Under Review
作为发现引擎的AI科学家：在改革机构内发展的案例
机构 * Institute of Cosmos Sciences (ICCUB), University of Barcelona（巴塞罗那大学宇宙科学研究所） ； ICREA ； Cavendish Astrophysics, University of Cambridge（剑桥大学卡文迪什天体物理学） ； Kavli Institute for Cosmology, University of Cambridge（剑桥大学卡维里宇宙学研究所） ； Center for Computational Astrophysics, Flatiron Institute（弗拉蒂隆研究所计算天体物理中心） ； Department of Astrophysical Sciences, Princeton University（普林斯顿大学天体物理科学系） ； Avature ； Department of Physics and Astronomy, Johns Hopkins University（约翰霍普金斯大学物理与天文学系） ； Department of Applied Mathematics and Statistics, Johns Hopkins University（约翰霍普金斯大学应用数学与统计学系） ； Flatiron Institute（弗拉蒂隆研究所） ； Munich Center for Machine Learning, LMU Munich（慕尼黑大学慕尼黑机器学习中心） ； Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系） ； School of Clinical Medicine, University of Cambridge（剑桥大学临床医学院）
AI总结 本文论证多智能体AI系统将从被动工具进化为“AI科学家”，通过原型框架Denario加速发现周期，并提出机构需为验证、问责、可解释性和双重用途安全进行改革。
稳定的Transformer-Actor-Critic模型预测控制：一种收缩分析方法
机构 * University of Cambridge（剑桥大学） ； University College London（伦敦大学学院） ； LAAS-CNRS（Laas--cnrs）
AI总结 提出一种Transformer-Actor-Critic MPC架构，通过证明Transformer满足增量输入-状态稳定性并利用黎曼收缩理论分析互联动力学，将理论界作为训练正则化项，实现可证明鲁棒的控制策略。
FoMoE: 打破全副本壁垒的专家混合联邦系统
机构 * Department of Computer Science and Technology, University of Cambridge, Cambridge, UK（剑桥大学计算机科学与技术系） ； Flower Labs, UK（Flower Labs）
AI总结 提出FoMoE系统，通过跨工作节点分区专家层打破全副本范式，结合部分专家复制和跳跃令牌机制，显著降低通信开销并提升吞吐量。
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