高校专区
从完整和部分口内扫描到牙冠提案：一种基于分类的修复辅助流程
机构 * Accelerated Komputing Pvt. Ltd.（加速计算私人有限公司） ； University of Pittsburgh（匹兹堡大学） ； Institute of Science Tokyo（东京科学研究所） ； Emium Co. Ltd.（Emium公司） ； GodelBlock Inc.（GodelBlock公司） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一种基于分类的牙冠辅助流程，通过口内扫描和目标FDI牙齿编号输入，生成患者特异性的牙冠提案。流程包括数据准备、分割和牙冠生成三个阶段，采用分类-对齐策略提升部分扫描分割精度，最终生成高精度的牙冠模型。
始终学习，始终混合：始终高效且简单的数据混合
机构 * New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Microsoft（微软公司）
AI总结 本文提出OP-Mix算法，通过低秩适配器插值实现数据混合，提升预训练和持续学习性能，减少计算资源消耗。
协同扩散：无需多智能体演示生成多智能体行为
机构 * University of California, Berkeley（加州大学伯克利分校） ； Delft University of Technology（代尔夫特理工大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出Coordinated Diffusion框架，通过用户定义的多智能体成本函数将独立训练的单智能体扩散策略耦合，无需多智能体演示数据，实现多智能体行为协调。
ConsistNav：通过语义执行控制关闭零样本物体导航中的动作一致性差距
机构 * Sun Yat-sen University（中山大学） ； The University of Hong Kong（香港大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； City University of Hong Kong（香港城市大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出ConsistNav框架，通过语义执行控制模块解决零样本物体导航中动作一致性问题，提升导航精度与鲁棒性。
Comments 13 pages, 5 figures
对抗蒸馏指纹
机构 * Carnegie Mellon University, Pittsburgh, PA, USA（卡内基梅隆大学） ； University of Maryland, College Park, MD, USA（马里兰大学学院市分校）
AI总结 本文提出对抗蒸馏指纹方法，通过代理模型识别并采样最大化指纹检测性的token，提升检测效果同时减少对模型性能的影响。
Comments 28 pages, 13 figures, ICML 2026
DR Tulu：基于演进标准的深度研究强化学习
机构 * University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Seattle Children's Hospital（西雅图儿童医院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出RLER方法，通过演进标准与策略模型共进化，开发出首个开源深度研究模型DR Tulu，其在多个长文深度研究基准上表现优异，且成本显著低于现有模型。
Comments ICML 2026
向量值自归一化集中不等式超越子高斯性
机构 * Department of Statistics & Data Science（统计与数据科学系） ； Machine Learning Department（机器学习系） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了超越子高斯性的向量值自归一化过程的集中不等式，提出适用于轻尾分布（如Bennett或Bernstein界）的界，并在在线线性回归中应用。
媒体旋风数据集：标注媒体偏见的发布后新闻标题修改
机构 * Carnegie Mellon University（卡内基梅隆大学） ； National University of Singapore（新加坡国立大学） ； NUS Centre for Trusted Internet and Community（新加坡国立大学可信互联网与社区中心）
AI总结 MediaSpin数据集通过标注13种媒体偏见类型，研究新闻标题修改对语言框架和偏见的影响，展示跨国家的标题修改分析、变压器偏见分类及社交媒体行为分析。
Comments 8 pages, 3 figures, 8 tables Accepted at AAAI ICWSM 2026 We updated the paper title from "MediaSpin: Exploring Media Bias Through Fine-Grained Analysis of News Headlines " to "The MediaSpin Dataset: Post-Publication News Headline Edits Annotated for Media Bias"
文本知晓什么，表格知晓何时：通过检索增强的多模态对齐进行临床时间线重建
机构 * National Library of Medicine National Institutes of Health（国家医学图书馆国立卫生研究院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一种检索增强的多模态对齐框架，通过结合文本和结构化EHR数据，提高临床时间线的精确度，提升时间一致性，同时保持事件匹配率。
Comments Sayantan Kumar, Shahriar Noroozizadeh, Juyong Kim (authors contributed equally)
在深度生成模型中分离内在模糊性与估计不确定性用于线性逆问题
机构 * Neuroscience Institute, Carnegie Mellon University（卡内基梅隆大学神经科学研究所） ； Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系）
AI总结 本文提出一种分解后验不确定性的方法，用于区分逆问题中固有模糊性和推断传播的不确定性，通过校准分析揭示模型失败模式。
优先感知的Shapley值的推广
机构 * The Ohio State University（俄亥俄州立大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出通用优先感知Shapley值（GPASV），用于机器学习中的估值问题，通过轴心性刻画和计算方法，展示了不同优先级平衡对数据估值的实质性影响。
Co-Me：基于置信度的令牌合并用于视觉几何变换器
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Field AI
AI总结 Co-Me通过置信度指导的令牌合并加速视觉几何变换器，无需重新训练或微调基础模型，有效减少计算量并保持空间覆盖，实现显著加速且不降性能。
VER：基于基础蒸馏和动态路由的机器人学习视觉专家变换器
机构 * UC Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Hong Kong（香港大学） ； Peking University（北京大学） ； Stony Brook University（石溪大学） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 VER通过基础蒸馏和动态路由实现机器人学习，采用轻量路由网络动态选择专家，提升任务灵活性和精度，实现多任务高性能。
矩阵空间强化学习用于重用局部转移几何
机构 * The George Washington University（乔治·华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出矩阵空间强化学习（MSRL），通过正定矩阵描述轨迹片段，提取共享结构并支持抽象矩阵空间中的代数组合，实现在新任务中的迁移学习。
并行化反事实遗憾最小化
机构 * CMU Strategic Machine, Inc.（CMU战略机器公司） ； Strategy Robot, Inc.（策略机器人公司） ； Optimized Markets, Inc.（优化市场公司）
AI总结 本文提出并行化反事实遗憾最小化算法框架，通过线性代数运算加速大规模不完全信息游戏求解，实验显示GPU实现比CPU快四量级。
Comments This paper contains and extends ideas that were originally in arxiv:2408.14778
启发式病态及通过不确定性传播进一步方差缩减在AIVAT技术家族中
机构 * CMU Strategic Machine, Inc.（CMU战略机器公司） ； Strategy Robot, Inc.（策略机器人公司） ； Optimized Markets, Inc.（优化市场公司）
AI总结 本文探讨了AIVAT技术中启发式价值函数的潜在漏洞，并通过不确定性传播进一步减少方差，实验显示可减少43%的样本需求。
通过嵌入时序逻辑对基于感知的自主系统进行运行时监控
机构 * Software and Societal Systems Department（软件与社会系统部门） ； Carnegie Mellon University（卡内基梅隆大学） ； General Robotics（通用机器人） ； Aeronautics and Astronautics Department（航空与航天系） ； University of Washington（华盛顿大学）
AI总结 本文提出嵌入时序逻辑（ETL），在学习的嵌入空间中直接进行监控，通过观测嵌入与目标嵌入的距离定义谓词，能够捕捉高阶感知概念，如视觉目标相似性或避免语义区域，通过时序运算符表达时间扩展和序列行为。
学习多面体符合集以实现鲁棒优化
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一种决策感知的符合框架，通过数据驱动的超平面参数化多面体不确定性集，直接最小化诱导的鲁棒损失，结合符合校准保持统计有效性，并通过独立数据集重新校准以恢复覆盖。
SEDGE: 结构性外推数据生成
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学）
AI总结 本文提出SEDGE框架，通过合理假设数据生成过程，实现可靠的新规范数据生成，并探讨算法实现与外推性能验证。
比较开发者与LLM在代码评估中的偏见
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出TRACE框架，评估LLM在代码评估中的偏见，发现LLM在与开发者偏好对齐方面表现不佳，揭示了人类与模型在代码质量标准上的系统性差异。
论点重建作为大语言模型批判性思维的监督
机构 * Carnegie Mellon University（卡内基梅隆大学） ； KAIST（韩国科学技术院） ； KIT（卡尔斯鲁厄理工学院）
AI总结 本文提出GAAR引擎和Arguinas数据集，探讨通过论点重建提升大语言模型批判性思维能力，实验显示在七项任务中训练模型表现更优。
具有Wasserstein正则化截断和质量惩罚的几何感知解码
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Megagon Labs（Megagon实验室） ； University of California, Irvine（加州大学伊文斯顿分校）
AI总结 本文提出Top-W解码方法，通过Wasserstein距离保持token嵌入空间几何特性，平衡概率质量与熵，提升大语言模型生成质量与创造力。
Comments 20 pages, 3 figures, 8 tables, ICML 2026
ExploitBench: 一个用于LLM网络安全代理的能力阶梯基准
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Bugcrowd
AI总结 ExploitBench通过16个可测量标志分解exploitation过程，评估模型在网络安全任务中的能力差异，揭示了公开部署模型与私有模型在exploitation能力上的显著差距。
利用任务级迭代学习控制学习动态绳索操作
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一种任务级迭代学习控制方法，用于动态绳索操作，通过单次人类示范和简化绳索模型，在硬件上直接学习，无需大量数据或模拟。方法在7种不同绳索上实现100%成功率，且能快速迁移至大多数绳索类型。
Comments Project website: https://flying-knots.github.io
通过信标令牌识别人工智能网络爬虫
机构 * Duke University（杜克大学） ； University of Pittsburgh（匹兹堡大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一种自动识别与大型语言模型相关的网络爬虫的方法，通过动态网站和信标令牌验证爬虫身份，实验表明能可靠识别多个未公开的爬虫。
MedOpenClaw 和 MedFlowBench：在完整研究流程中审计医疗代理
机构 * Technical University of Munich（慕尼黑技术大学） ； TUM University Hospital（TUM大学医院） ； LMU Munich（慕尼黑大学） ； Imperial College London（伦敦帝国理工学院） ； University of Oxford（牛津大学） ； Carnegie Mellon University（卡内基梅隆大学） ； NVIDIA（NVIDIA公司） ； National University of Singapore（新加坡国立大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心）
AI总结 本文提出 MedFlowBench 和 MedOpenClaw，用于评估医疗影像代理在完整研究流程中生成可审计证据的能力，发现仅依赖答案评分不够，需结合正确证据验证。
Comments 33 pages
基于大语言模型的多模态反馈在学习效果和学生感知上与教师反馈相当且更优
机构 * Carnegie Mellon University（卡内基梅隆大学） ； The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； The University of Hong Kong（香港大学）
AI总结 本文提出一种实时AI辅助的多模态反馈系统，通过整合结构化文本解释与动态多媒体资源，实现学习效果与学生感知的提升，证明AI反馈在清晰度、具体性等方面优于传统教师反馈。
Comments 11 pages, to be published at the 16th International Learning Analytics & Knowledge Conference (LAK '26)
AuraMask：一种可扩展的开发美观反面部识别图像滤镜的管道
机构 * Franklin and Marshall College（弗兰克林与马歇尔学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出AuraMask，一种生成有效且美观的反面部识别图像滤镜的方法，通过40个仿Instagram滤镜的实例，验证其在对抗有效性与用户接受度上的优势。
Comments 21 pages, 10 figures
VIP-COP：表格基础模型的上下文优化
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 VIP-COP通过显式选择机制优化上下文，提升表格基础模型性能，具备快速、预算感知、黑盒兼容和可解释性等优势。
通过数据中介转移的视角看涌现与潜意识偏差
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究探讨了通过数据中介转移现象理解模型在狭窄有害数据集上微调时产生的偏差问题，分析了微调数据结构、预训练分布和训练渠道之间的相互作用。
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