LipNeXt: Scaling up Lipschitz-based Certified Robustness to Billion-parameter Models
LipNeXt: 将基于Lipschitz的认证鲁棒性扩展到十亿参数模型
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 LipNeXt通过无约束和无卷积的1-Lipschitz架构，在大规模模型中实现高效的认证鲁棒性提升。
Comments ICLR 2026. 17 pages
高校专区
Carnegie Mellon University（卡内基梅隆大学）
UrgentMOS: Unified Multi-Metric and Preference Learning for Robust Speech Quality Assessment
UrgentMOS: 统一多指标和偏好学习用于鲁棒语音质量评估
机构 * Shanghai Jiao Tong University（上海交通大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Technische Universität Braunschweig（布拉unsch维格技术大学） ； Meta ； Waseda University（早稻田大学） ； VUI Labs（VUI实验室）
AI总结 UrgentMOS通过统一多指标和偏好学习，提升语音质量评估的鲁棒性和泛化能力，适用于多种语音质量评估场景。
SafeRBench: Dissecting the Reasoning Safety of Large Language Models
SafeRBench: 解析大语言模型推理安全性的本质
机构 * Nanjing University（南京大学） ； Fudan University（复旦大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Chinese Academy of Sciences（中国科学院） ； Nanyang Technological University（南洋理工大学）
AI总结 SafeRBench通过端到端评估方法解析大语言模型推理过程中的安全性问题，提出风险分层探测、微思维分析和10项细粒度指标，揭示大模型在增强安全性的同时可能增加可操作风险的悖论。
Comments 29 pages, 8 figures
FuseFlow: A Fusion-Centric Compilation Framework for Sparse Deep Learning on Streaming Dataflow
FuseFlow：一种面向稀疏深度学习的流数据流编译框架
机构 * Stanford University（斯坦福大学） ； SambaNova Systems, Inc.（SambaNova系统公司） ； Barcelona Supercomputing Center（巴塞罗那超级计算中心） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 FuseFlow是一种用于稀疏深度学习的编译框架，通过融合稀疏操作提升模型效率，展示了融合粒度对模型性能的影响。
Speed at the Cost of Quality: How Cursor AI Increases Short-Term Velocity and Long-Term Complexity in Open-Source Projects
以质量为代价：Cursor AI如何在开源项目中提升短期速度和长期复杂性
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究Cursor AI对开源项目开发速度和质量的影响，发现其短期提升速度但长期增加代码复杂性，指出质量保障是早期采用者的主要瓶颈。
Journal ref 23rd International Conference on Mining Software Repositories (MSR '26), April 13--14, 2026, Rio de Janeiro, Brazil
MMedAgent-RL: Optimizing Multi-Agent Collaboration for Multimodal Medical Reasoning
MMedAgent-RL: 优化多智能体协作以实现多模态医疗推理
机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Microsoft Research（微软研究院） ； CMU（卡内基梅隆大学） ； Rutgers University（罗格斯大学） ； Yale University（耶鲁大学）
AI总结 MMedAgent-RL通过强化学习优化多智能体协作，提升多模态医疗推理性能，实现23.6%的性能提升。
Comments ICLR 2026
Shortcut Learning in Binary Classifier Black Boxes: Applications to Voice Anti-Spoofing and Biometrics
二分类黑箱中的快捷学习：应用于语音反伪装和生物识别
机构 * TCG CREST ； Carnegie Mellon University（卡内基梅隆大学） ； School of Computing, University of Eastern Finland（东部芬兰大学计算机学院） ； University of Eastern Finland（东部芬兰大学） ； University of Oulu（奥卢大学）
AI总结 本文提出了一种分析二分类黑箱分类器的框架，通过实验验证了在语音反伪装和生物识别任务中减少数据偏见的有效性。
Comments Accepted for Publication in IEEE Journal of Selected Topics in Signal Processing
"Rebuilding" Statistics in the Age of AI: A Town Hall Discussion on Culture, Infrastructure, and Training
在人工智能时代重建统计学：关于文化、基础设施和培训的圆桌讨论
机构 * Department of Statistics, Stanford University（斯坦福大学统计学系） ； Department of Biostatistics, University of Michigan, Ann Arbor（密歇根大学安娜堡分校生物统计学系） ； Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院） ； Department of Statistics, Harvard University（哈佛大学统计学系） ； Broad Institute（Broad研究所） ； Yale School of Public Health（耶鲁大学公共卫生学院） ； Department of Statistics and Data Science, Yale University（耶鲁大学统计学与数据科学系） ； Department of Statistics, Iowa State University（爱荷华州立大学统计学系） ； Department of Statistics and Data Science, Carnegie Mellon University（卡内基梅隆大学统计学与数据科学系） ； Baskin School of Engineering, University of California, Santa Cruz（加州大学圣克鲁兹分校Baskin工程学院） ； Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学） ； School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院） ； Department of Statistics, Columbia University（哥伦比亚大学统计学系） ； Department of Biostatistics, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校生物统计学系）
AI总结 本文记录了2024年JSM圆桌讨论，探讨统计学在人工智能时代的发展，聚焦文化、基础设施和培训等关键问题。
Comments 35 pages, 3 figures,
Diversified Scaling Inference in Time Series Foundation Models
时间序列基础模型中的多样化缩放推理
机构 * University of Oxford（牛津大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了时间序列基础模型中多样化缩放推理的影响，通过定制扰动扩展生成分布支持范围，并提出RobustMSE指标量化性能余量。
Comments 23 pages, 16 figures, 9 tables
Examining the Utility of Self-disclosure Types for Modeling Annotators of Social Norms
检验自我披露类型对建模社会规范注释者的作用
机构 * University of Toronto（多伦多大学） ； Carnegie Mellon University（卡内基梅隆大学） ； McMaster University（麦马斯特大学）
AI总结 本研究通过分析自我披露类型对社会规范注释者预测的影响，发现少量相关评论即可有效建模，并指出扩大样本多样性未必提升性能。
Comments Accepted EACL Findings
SimWorld-Robotics: Synthesizing Photorealistic and Dynamic Urban Environments for Multimodal Robot Navigation and Collaboration
SimWorld-Robotics: 为多模态机器人导航与协作合成逼真动态城市环境
机构 * University of Virginia（弗吉尼亚大学） ； UC San Diego（加州大学圣地亚哥分校） ； Johns Hopkins University（约翰霍普金斯大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学）
AI总结 SimWorld-Robotics通过合成逼真动态城市环境，提出两个多模态机器人基准测试，评估机器人在复杂场景中的导航、协作与通信能力。
Comments Conference: NeurIPS 2025 (main)
Agentic Additive Manufacturing Alloy Evaluation
代理式增材制造合金评估
机构 * Department of Mechanical Engineering, Carnegie Mellon University, Pittsburgh, PA, USA（机械工程系，卡内基梅隆大学，匹兹堡，PA，USA）
AI总结 本文提出利用LLM赋能的多代理系统，自动化加速增材制造合金的评估，通过智能工具调用实现热物理性质计算和工艺窗口分析。
Journal ref Additive Manufacturing Letters, Vol. 17, January 2026, Article 100355
Privy: Envisioning and Mitigating Privacy Risks for Consumer-facing AI Product Concepts
Privy：面向消费者的人工智能产品概念中的隐私风险展望与缓解
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Washington（华盛顿大学）
AI总结 Privy通过结构化隐私影响评估帮助无隐私专业知识的从业者识别和缓解人工智能产品概念中的隐私风险，其基于大语言模型的版本效果更佳。
JiraiBench: A Bilingual Benchmark for Evaluating Large Language Models' Detection of Human Self-Destructive Behavior Content in Jirai Community
JiraiBench：一个双语基准，用于评估大型语言模型在Jirai社区中检测人类自毁行为内容的效果
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Washington（华盛顿大学） ； The Hong Kong Polytechnic University（香港理工大学） ； The University of Tokyo（东京大学）
AI总结 JiraiBench通过双语评估揭示文化接近性在检测自毁内容中的重要性，展示跨语言知识迁移的潜力。
Comments 20 pages, 1 figures
Enhancing the De-identification of Personally Identifiable Information in Educational Data
提升教育数据中个人可识别信息的脱敏
机构 * Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学）
AI总结 本文提出使用微调后的GPT-4o-mini模型高效检测教育数据中的PII，实现高召回率和低计算成本，为隐私保护提供新的解决方案。
Journal ref Journal of Educational Data Mining 17(2) (2025) 55-85
SVDD 2024: The Inaugural Singing Voice Deepfake Detection Challenge
SVDD 2024：首届歌唱声音深度伪造检测挑战
机构 * University of Rochester（罗切斯特大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Nagoya University（名古屋大学）
AI总结 SVDD 2024挑战通过两个赛道推动AI生成歌唱声音的检测研究，评估了多种方法在受控和真实场景下的性能。
Comments 6 pages, Accepted by 2024 IEEE Spoken Language Technology Workshop (SLT 2024)
Recovering Performance in Speech Emotion Recognition from Discrete Tokens via Multi-Layer Fusion and Paralinguistic Feature Integration
通过多层融合和语义特征整合从离散令牌中恢复语音情感识别性能
机构 * Language Technologies Institute, Carnegie Mellon University, USA（语言技术研究所，卡内基梅隆大学，美国）
AI总结 本文通过多层融合和语义特征整合方法，解决离散语音令牌在语音情感识别中的性能损失问题，提升其与连续表示的性能一致性。
Comments Accepted to ICASSP 2026
Domain-invariant Mixed-domain Semi-supervised Medical Image Segmentation with Clustered Maximum Mean Discrepancy Alignment
领域不变的混合域半监督医学图像分割与聚类最大均值差异对齐
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Ho Chi Minh University of Science（胡志明科学大学） ； Northwestern University（西北大学） ； University of North Carolina at Charlotte（北卡罗来纳州夏洛特大学）
AI总结 本文提出一种领域不变的混合域半监督分割框架，通过Copy-Paste机制和聚类最大均值差异对齐，提升数据多样性并缓解域偏移，实现高精度分割。
Comments accepted in ICASSP 2026
Orbitopal Fixing in SAT
SAT中的轨道固定
机构 * RPTU Kaiserslautern-Landau（科隆-拉乌恩大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出基于轨道固定的静态对称性打破方法，通过添加单位子句实现快速且非干扰的对称性处理，提升SAT求解器性能。
Comments to appear at TACAS 2026
The CMU-AIST submission for the ICME 2025 Audio Encoder Challenge
ICME 2025音频编码挑战赛CMU-AIST参赛方案
机构 * Carnegie Mellon University, USA（卡内基梅隆大学） ； National Institute of Advanced Industrial Science and Technology (AIST), Japan（国家工业科学与技术研究院（AIST））
AI总结 基于BEATs模型扩展并集成Dasheng 1.2B，通过预训练混合物优化音频编码性能，公开发布模型参数以促进开放科学研究。
Pre-Generating Multi-Difficulty PDE Data for Few-Shot Neural PDE Solvers
预生成多难度的PDE数据以用于少样本神经PDE求解器
机构 * Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； Department of Computer Sciences, UW-Madison（威斯康星大学麦迪逊分校计算机科学系）
AI总结 通过预生成多难度的PDE数据，提升少样本神经PDE求解器的性能与效率。
Comments 10 Pages, 11 Figures
Systematizing LLM Persona Design: A Four-Quadrant Technical Taxonomy for AI Companion Applications
对LLM人设设计的系统化：面向AI陪伴应用的四象限技术分类
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出四象限技术分类系统，系统化LLM人设设计，涵盖虚拟与具身、情感与功能增强，分析不同应用场景的技术挑战与核心问题。
Comments Accepted to Neurips 2025 workshop: LLM Persona Workshop
MapAnything: Universal Feed-Forward Metric 3D Reconstruction
MapAnything: 通用前馈度量3D重建
机构 * Meta Reality Labs（Meta现实实验室） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 Map Anything是一种统一的前馈模型，通过输入图像和几何信息，直接回归度量3D场景几何，适用于多种3D视觉任务。
Comments 3DV 2026. Project Page: https://map-anything.github.io/
A Survey on Human-Centered Evaluation of Explainable AI Methods in Clinical Decision Support Systems
可解释人工智能在临床决策支持系统中的人本评估综述
机构 * Nova School of Science and Technology, Universidade NOVA de Lisboa（诺瓦科学与技术学院，诺瓦里斯本大学） ； Nova School of Business and Economics, Universidade NOVA de Lisboa（诺瓦商学院与经济学院，诺瓦里斯本大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文综述了XAI在临床决策支持系统中的人本评估，指出多数研究采用事后方法，提出以利益相关者为中心的评估框架以提升XAI的临床可信度。
Comments 19 pages, 2 tables, 4 figures
Dynamic Pricing with Adversarially-Censored Demands
动态定价与对抗性被截断的需求
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； New York University（纽约大学） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出了一种基于导数乐观估计的动态定价算法，在对抗性库存条件下实现O(√T)最优遗憾，解决了具有截断反馈的在线决策问题。
Comments 28 pages, 1 figure
Everybody Prune Now: Structured Pruning of LLMs with only Forward Passes
人人都现在剪枝：仅前向传递的LLM结构剪枝
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Google Research（谷歌研究）
AI总结 Bonsai通过仅前向传递的扰动剪枝方法，实现了无需反向传播的高效结构化剪枝，显著降低内存和计算成本，同时提升模型压缩效率和性能。
Comments 19 pages, 6 fiigures, 16 tables
Airflow Source Seeking on Small Quadrotors Using a Single Flow Sensor
利用单个流传感器的小型四旋翼无人机进行空气流动源寻找
机构 * Mechanical Engineering, Carnegie Mellon University（机械工程系，卡内基梅隆大学）
AI总结 本文提出利用单个流传感器的小型四旋翼无人机进行空气流动源寻找，通过改进的'Cast and Surge'算法实现可靠源定位。
FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation
FUGC：用于宫颈分割的半监督学习方法基准测试
机构 * Department of Cardiovascular Surgery, The First Affiliated Hospital, Jinan University（心血管外科部，济南大学第一附属医院） ； Imperial College London（帝国理工学院伦敦分校） ； University of Sydney（悉尼大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Zhejiang University（浙江大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Medical University of Innsbruck（因斯布鲁克医科大学） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 FUGC通过提供首个宫颈分割半监督学习基准测试，展示了在少量标记数据下半监督方法的有效性，并为早产风险评估提供了AI辅助的基础。
TDFlow: Agentic Workflows for Test Driven Development
TDFlow: 为测试驱动开发设计的代理工作流
机构 * Carnegie Mellon University（卡内基梅隆大学） ； UC San Diego（南加州大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 TDFlow通过测试驱动的工作流实现人类水平的测试解析，提升软件修复性能。
Comments Published in the 19th Conference of the European Chapter of the Association for Computational Linguistics (EACL 2026 Main Conference)
R-KV: Redundancy-aware KV Cache Compression for Reasoning Models
R-KV：面向推理模型的冗余感知KV缓存压缩
机构 * University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； Microsoft（微软） ； Carnegie Mellon University（卡内基梅隆大学） ； California Institute of Technology（加州理工学院） ； University of California - San Diego（加州大学圣地亚哥分校） ； University of Surrey（萨里大学） ； University of California - Berkeley（加州大学伯克利分校）
AI总结 R-KV通过冗余感知机制实现推理模型KV缓存压缩，以10%的缓存占用率达到接近100%的性能，显著优于现有方法。
