高校专区
VAMP-MR：多机器人手臂的向量加速运动规划与执行
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； University of Michigan（密歇根大学）
AI总结 针对多机器人手臂运动规划这一关键挑战，结合经典规划算法与矢量化碰撞检查技术，引入新运动规划器，基于CPU SIMD指令加速碰撞检查，在运动规划和执行后处理中实现加速，并发布实现降低研发门槛。
Comments 8 pages, 6 figures, 3 tables. To appear in the Proceedings of IROS 2026
EMAGN：基于学习聚类的高效多注意力图网络用于可扩展交通流量预测
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Cornell University（康奈尔大学） ； Technische Universität Dresden（德累斯顿工业大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 针对交通流量预测中自注意力机制扩展性有限的问题，提出EMAGN，通过学习聚类矩阵将空间注意力机制线性化，降低复杂度，实验表明其在准确性和效率上优于其他模型，扩展了可行模型配置。
DenseReward：通过失败合成进行密集奖励学习以实现机器人操作
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Shanghai Jiao Tong University（上海交通大学） ； Amazon AWS AI（亚马逊AWS人工智能）
AI总结 研究针对强化学习中缺乏可靠奖励模型的问题，提出DenseReward模型，通过自动生成失败数据合成逼真轨迹，从视觉和语言预测密集奖励分数，在模拟和现实操作中表现优异，还为下游任务提供指导并发布相关资源。
Comments Website: https://dense-reward.github.io/
让 RGB 成为视觉的语言
机构 * Johns Hopkins University（约翰·霍普金斯大学） ； UC Santa Cruz（加州大学圣克鲁兹分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Rice University（莱斯大学）
AI总结 该研究为视觉模型引入统一表述 RGB In and RGB Out（RINO），将多种视觉信息转为 RGB 图像编辑问题，共享架构参数，基于通用主干无需微调，在多视觉任务上有强大零样本性能，为统一视觉语言系统提供见解。
顺序编码：利用自生成训练数据突破模型压缩的极限
机构 * New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究利用自生成训练数据的顺序编码突破模型压缩极限，教师模型从学生分布选样本，学生代码记录选择，代码长度与参数和熵无关且更短，还能揭示现象、给出泛化保证、隔离可学习信息。
Comments Code available at https://github.com/shikaiqiu/requential-coding
忘记共享意义之路：遗忘对非合作协调博弈中概念对齐的影响
机构 * Institute for Complex Social Dynamics, Carnegie Mellon University（复杂社会动态研究所，卡内基梅隆大学） ； Department of Computer Science, Carleton University（计算机科学系，卡尔顿大学） ； Department of Cognitive Science, Carleton University（认知科学系，卡尔顿大学）
AI总结 研究主体记忆特征对共享意义出现与演变的影响，将概念对齐建模为非合作博弈，通过反事实模拟发现适应性玩家实际趋同更快，非适应性玩家更早感知趋同，新信息加权方式影响共识稳定性，记忆特征至关重要。
Comments CogSci 2026 Meeting Conference Proceedings
使用转移解码检测大语言模型中的幻觉
机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； National Institute of Standards and Technology（美国国家标准与技术研究院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究大语言模型中的幻觉检测问题，提出转移解码新方法，通过在解码阶段挑战模型响应提取特征，训练机器学习模型度量不确定性，该方法计算复杂度低，优于现有方法。
Journal ref Data and Applications Security and Privacy XXXIX. DBSec 2025
InterPet4D：用于宠物运动生成的多模态4D人宠交互数据集
机构 * Institute of Science Tokyo（东京科学研究所） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 因缺乏高质量数据集，人宠交互研究不足。本文提出InterPet4D多模态数据集及InterPetMoGen框架，通过同步多视图系统记录交互并标注，含多类型数据，所提模型FID得分11.21，优于基线，有效模拟人宠交互。
毫米波雷达：从合成孔径到概率地图
机构 * School of Computer Science, Robotics Institute, Carnegie Mellon University（卡内基梅隆大学计算机科学学院机器人研究所）
AI总结 针对毫米波雷达数据创建概率地图的挑战，建立从原始信号到概率占用地图的完整流程，含合成孔径雷达处理与概率建模，经室内验证、性能分析及参数研究，展示方法有效性与局限性，并贡献开源数据集及处理管道。
动态智能体技能：不断演进的技能库的生命周期调查与分类法
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究大型语言模型智能体中技能库随时间的变化，通过分类法、生命周期架构和技能记录模式等工具组织文献，合成证据分级模式，指出相关问题并提出报告标准及开放问题。
Comments Accepted by TMLR (2026.07), OpenReview Link: https://openreview.net/forum?id=cjU3YbcRr8
Journal ref Transactions on Machine Learning Research, 2026
iG-LIO的数值稳健ROS 2端口：诊断和修复增量GICP激光雷达惯性里程计中工具链引起的故障
机构 * Robotics Institute (RI), Carnegie Mellon University (CMU)（卡内基梅隆大学机器人研究所） ； Institute of Systems and Robotics (ISR), University of Coimbra (UC)（科英布拉大学系统与机器人研究所）
AI总结 研究针对iG-LIO的ROS 2端口，诊断并修复由工具链导致的数值故障。通过分析QoS不匹配等问题，采取修正点场解析、添加传感器支持等方法，在多种传感器上验证了改进后的端口，为该端口提供了可引用参考。
Comments 3 pages, 1 figure, 4 references
人类共享环境中长距离多机器人路径规划的扩散方法
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
AI总结 研究人类共享环境中多机器人长距离路径规划问题，提出MRRD框架，结合滚动时域、并行扩散推理及冲突搜索机制，纳入时间条件与引导项，实验证明该框架能实时扩展到15个机器人，性能优于现有基线。
Comments 8 pages, 3 figures, to be published in IROS 2026
用于特定状态金融压力检测的深度高效量子拓扑数据分析
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Cambridge Rindge and Latin School（剑桥拉丁学校）
AI总结 该研究首次将泡利相关编码用于量子拓扑数据分析，通过塔克嵌入和维托里斯 - 里普斯过滤提取数据，用浅电路编码，能在一定程度上恢复贝蒂数，但跨危机状态校准不能泛化。
Comments 12 pages, 6 figures, 5 tables, Accepted to IEEE International Conference of Quantum Computing and Engineering - QCE 2026 in the Quantum Applications (QAPP) Technical Papers track
离散马尔可夫随机场的端到端混合量子-经典采样工作流程：一个可重现的案例研究
机构 * School of Computer Science（计算机科学学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究离散马尔可夫随机场采样难题中，对小MRF采用幅度编码独立同分布采样，与经典MCMC比较。通过多个实例展示不同方法的ESS比率等，还进行了预处理时间、MPS缩放及VQC与MPS的比较，揭示各方法特点及差距。
Comments 9 pages, 7 figures, 9 tables, Accepted to IEEE International Conference of Quantum Computing and Engineering - QCE 2026 in the Quantum End-to-End Hybrid Case Studies (QECS) Technical Papers track
多样化以进行验证：当任务等效程序在可验证性上存在差异时
机构 * Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究任务等效程序的可验证性差异，提出基于大型语言模型的Diversify2Verify管道，通过推断契约、生成测试不同实现并修复注释来验证，构建基准测试，结果表明实现多样性有助于验证，提高了验证成功率。
奖励传输：通过噪声空间对齐在流匹配中进行属性控制
机构 * University of Notre Dame（圣母大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究通过奖励传输在流匹配中实现属性控制，训练时用最优传输耦合将噪声空间坐标与分子奖励对齐，推理时改变坐标引导生成分布，实验表明可对logP和QED进行有效控制，且该接口与其他方法互补，明确了耦合级对齐不存在的情况。
触觉起源：大规模探索用于学习灵巧任务的触觉传感器
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Genesis AI
AI总结 提出Tactile Genesis，一种GPU并行触觉传感器仿真平台，支持多种触觉模态，通过大规模实验发现传感器布局比类型和分辨率更重要，力/力矩感知最有效。
Comments 24 pages, 8 figures, 12 tables
MulTTiPop：一个用于流行音乐的多轨转录数据集
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 介绍用于评估自动音乐转录模型的MulTTiPop数据集，通过对Lakh MIDI和TheoryTab数据集歌曲片段基于元数据匹配等方式收集，评估模型发现有改进空间，最佳模型起始F1得分为38%。
Comments 8 pages, 4 figures. Associated web preview available at https://gclef-cmu.org/multtipop
GitLake：面向智能数据湖的数据版Git
机构 * Columbia University（哥伦比亚大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Bauplan Labs（Bauplan实验室）
AI总结 研究面向智能体的数据湖的Git设计，核心方法是将单表快照提升为全湖操作，贡献是实现智能体与人类协作，管道原子性输出，还分享了生产经验和正确性见解。
Comments Pre-print of the paper accepted at DASHSys, VLDB 2026, Boston, USA
人工智能时代关于代码审查的3100种观点：从从业者话语中构建因果理论
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究人工智能对代码审查的影响，通过收集从业者话语构建因果模型，明确审查是控制点，团队决定编码代理对软件影响，转化相关命题，还提供LLM辅助灰色文献理论构建方法。
评估帧率在基于序列的自闭症相关自我刺激手部特质分类中的作用
机构 * School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院） ； Department of Information and Computer Sciences, University of Hawai‘i at Mānoa（夏威夷大学马诺亚分校信息与计算机科学系）
AI总结 研究针对自闭症相关自我刺激行为检测，通过在不同帧率下训练LSTM和GRU模型确定最佳架构与采样率，应用十种数据增强策略并做消融研究，采用个性化机器学习方法，为视频行为分类提供架构、采样率及增强策略指导。
Comments 15 pages, 5 figures, 3 tables. Preliminary version presented as a poster at the AMIA 2024 Informatics Summit
Journal ref 2024 AMIA Informatics Summit. https://knowledge.amia.org/Info2024/content?act=Info2024a249
GradInf：作为概率推理的梯度估计
机构 * Carnegie Mellon University Pittsburgh USA ； Massachusetts Institute of Technology Cambridge USA ； Chalmers University of Technology \& University of Gothenburg Gothenburg Sweden ； Yale University New Haven USA ； Carnegie Mellon University ； Massachusetts Institute of Technology ； Chalmers University of Technology \& University of Gothenburg ； Yale University
AI总结 研究针对概率程序梯度估计难题，提出梯度推理新方法，通过形式规约将其转化为概率推理问题，借助耦合和因式分解操作设计梯度估计器，介绍GradInf系统，经案例研究验证其能表达并构建高性能梯度估计器。
Journal ref Proc. ACM Program. Lang. 10, PLDI, Article 243 (June 2026)
长尾胸部X光分类中谁在尾部被遗漏？阈值化子组诊断不足
机构 * University of Science, Ho Chi Minh City（胡志明市科学大学） ； Vietnam National University, Ho Chi Minh City（胡志明市越南国立大学） ； VinUni-Illinois Smart Health Center, VinUniversity（VinUni-伊利诺伊智能健康中心，Vin大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Northwestern University（西北大学） ； College of Engineering & Computer Science, VinUniversity（Vin大学工程与计算机科学学院）
AI总结 研究胸部X光分类中长尾数据下子组诊断不足问题，通过诊断阶梯分离相关因素，在VinDr-CXR和MIMIC-CXR/CXR-LT数据集上实验，表明CXR罕见标签公平性取决于发现、子组和阈值，非仅标签频率或排序指标。
用于样本高效扩散强化学习从人类反馈中学习的选择性时间步加权和基于优势的重放
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Maryland, College Park（马里兰大学帕克分校）
AI总结 研究如何提高扩散模型中强化学习从人类反馈的效率，提出选择性时间步加权和基于优势的重放两种互补策略，通过强调信息丰富的时间步和轨迹优化，提升反馈效率，样本效率比基线提高6倍。
Comments 19 pages, 18 figures, 4 tables. Submission under review. A shorter, non-archival 4-page abstract version of this work was accepted to CVPR 2026 Workshops (GCV, CVEU)
使用受主体条件约束的扩散生成跨步行速度的个性化下肢运动学
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究针对个性化外骨骼辅助需特定用户步态数据收集难的问题，提出受主体条件约束的残差扩散框架，能从单一已知速度步态序列生成未知速度下的个性化下肢运动学，减少数据收集负担，提升跨速度步态合成精度。
Comments 8 pages, 7 figures
具有参与隐私的持续学习：一种可审计的缓冲聚合方法
机构 * The University of Hong Kong（香港大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学）
AI总结 研究单编辑相邻用户流的持续学习隐私问题，提出模块化方法，用随机缓冲包装器处理，证明认证定理，使标准原语产生轨迹级差分隐私，建立隐私与延迟联系。
Comments This version corrects and clarifies the independent-decomposability condition underlying the adaptive-safety result in the ICML 2026 paper, with corresponding revisions to the affected statements and proofs
多智能体大语言模型安全中的操作重构与批准框架委托
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究多智能体大语言模型安全评估，引入五条件控制对比设计分离有害意图、规划器与执行器行为等因素，发现汇总管道安全非稳定架构属性，操作重构是关键风险信号，还揭示各因素对安全的影响及模型排名与实际行为的差异。
MMGenre：跨多种音乐流派的歌声合成基准测试
机构 * Renmin University of China（中国人民大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究跨多种音乐流派的歌声合成泛化能力，引入MMGenre基准及自动管道，涵盖多流派。评估显示流派辨别有限，零样本改进小，特定流派持续训练有显著提升，为多流派SVS评估提供框架，揭示关键挑战。
Comments Accepted by Interspeech 2026. Camera-ready version. 4 pages, 5 figures.Project page: https://fengjin1117.github.io/mmgenre-demo/
不确定性下稳健的人机互补性
机构 * Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系）
AI总结 研究人类决策者与人工智能可用信息质量的不对称信息对提取互补价值能力的影响，指出关键是误差相关结构，当人工智能与人类预测误差负相关时，决策者可构建稳健策略，并用实际基准进行了实证研究。
Comments ICML 2026
RoboDojo：用于综合评估通用机器人操作策略的统一模拟与现实基准测试
机构 * UC Berkeley（加州大学伯克利分校） ； THU（清华大学） ； PKU（北京大学） ； Stanford（斯坦福大学） ； MIT（麻省理工学院） ； UNC（北卡罗来纳大学） ； Princeton（普林斯顿大学） ； CMU（卡内基梅隆大学） ； NUS（新加坡国立大学） ； NTU（南洋理工大学） ； CUHK（香港中文大学） ； SJTU（上海交通大学） ； HKUST (GZ)（香港科技大学（广州）） ； ZJU（浙江大学） ； Yale（耶鲁大学）
AI总结 现有基准测试在系统评估通用机器人操作策略能力方面有限，本文引入RoboDojo统一基准测试，含模拟与现实任务，支持多维度评估及可扩展评估，还建立了公共排行榜与系统分析。
Comments Website: https://robodojo-benchmark.com/, Code: https://github.com/RoboDojo-Benchmark/RoboDojo, Leaderboard: https://robodojo-benchmark.com/leaderboard
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