高校专区
生成后再验证：一种利用小语言模型的新型问题生成方法
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种利用小语言模型的新型问题生成方法，通过生成后再验证策略生成高质量问题，验证了其在学习分析中的有效性。
Comments Accepted as a full research paper for the 16th International Conference on Learning Analytics and Knowledge (LAK'26)
POWSM：一种基于语音的开放式耳语风格语音基础模型
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Texas, Austin（德克萨斯大学奥斯汀分校） ； University of British Columbia（不列颠哥伦比亚大学）
AI总结 POWSM是一种能够联合执行多种语音任务的统一框架，实现了音频、文本和音素之间的无缝转换，并在低资源条件下提升了语音处理性能。
Comments 18 pages, under review. Model available at https://huggingface.co/espnet/powsm
仅靠政策可能不是解决办法：一项大规模实验，探讨开发者在设计有意义的终端用户解释时的困难
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Yale University（耶鲁大学） ； Colby College（科尔比学院） ； Howard University（霍华德大学） ； Department of Sociology, Yale University（社会学系，耶鲁大学）
AI总结 研究发现，仅靠政策无法有效提升开发者设计面向终端用户的解释能力，需结合培训、工具和支持。
树状推理：改进多跳问题回答的检索增强生成
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shandong University（山东大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 RT-RAG通过构建推理树来提升多跳问题回答的准确性和一致性，实验结果显示其在F1和EM指标上均优于现有方法。
Comments Accepted to GLOW@WWW2026. Code available at https://github.com/sakura20221/RT-RAG
近似最优的接触丰富SE(2)操作在可达集图上的全局规划
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人学院） ； Robotics and AI Institute（机器人与人工智能研究所） ； CSAIL, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室）
AI总结 本文提出了一种近似最优的接触丰富SE(2)操作全局规划方法，通过构建可达集图实现高效运动规划，显著提升了任务效率和成功率。
Comments 17 pages, 14 figures; under submission to IEEE Transactions on Robotics
双向人机通信用于物理人机交互
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Honda Research Institute USA（本田研究院美国）
AI总结 本文提出BRIDGE系统，通过自然语言实现双向人机通信，提升物理交互中的互动性和透明性。
Comments 12 pages, 8 figures. To be published in 2026 ACM/IEEE International Conference on Human-Robot Interaction
STEM：通过嵌入模块扩展变换器
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Meta AI
AI总结 STEM通过嵌入模块实现变换器扩展，提升性能与可解释性
生成式AI的集体行为需要一种互动主义范式
机构 * Fondazione Bruno Kessler（布雷诺·克塞尔基金会） ； University of Trento（特伦托大学） ； Not Diamond ； City St. George’s University of London（伦敦圣乔治大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） ； University of Chicago（芝加哥大学）
AI总结 本文提出生成式AI的集体行为研究需采用互动主义范式，以系统分析知识与社会情境的交互作用。
用户感知与代理LLM评判：隐私与帮助性在隐私敏感场景中的LLM响应
机构 * Fujitsu Research of America Inc.（富士通美国研究所） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究发现用户对LLM响应的隐私和帮助性感知与代理LLM评判存在显著差异，需加强用户为中心的评估以提升隐私保护与实用性平衡。
通过Scheffe图实现高效查询的局部差分隐私假设选择
机构 * Cheriton School of Computer Science, University of Waterloo and Vector Institute（查尔顿计算机科学学院，滑铁卢大学和向量研究所） ； University of Waterloo（滑铁卢大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种在局部差分隐私下实现高效查询的假设选择算法，通过Scheffé图结构改进查询复杂度，减少查询次数并提高效率。
基于投影的Lyapunov方法用于完全异质的弱耦合马尔可夫决策过程
机构 * Weiyang College, Tsinghua University（清华大学韦阳学院） ； Computer Science Department, Carnegie Mellon University（卡内基梅隆大学计算机科学系）
AI总结 本文提出基于投影的Lyapunov方法，解决了完全异质弱耦合马尔可夫决策过程的渐近最优性问题。
Comments 37 pages; full version for NeurIPS proceeding paper; fixed some typos
SAC Flow: 通过速度重参数化序列建模高效训练基于流的策略
机构 * Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Li Auto（利汽车） ； Shanghai AI Laboratory（上海人工智能实验室）
AI总结 SAC Flow通过速度重参数化序列建模，高效训练基于流的策略，实现连续控制和机器人操作的高性能表现。
突破瓶颈：用于3D分子生成的可扩展扩散模型
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出通过反向转移核框架重新解释DDDM，解决分子扩散中的瓶颈问题，提升推理效率和结构保真度。
按言行事：通过运行时推理-动作对齐验证引导视觉-语言-动作模型
机构 * NVIDIA（NVIDIA公司） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Utah（犹他大学） ； University of Sydney（悉尼大学）
AI总结 通过运行时推理-动作对齐验证方法提升视觉-语言-动作模型的鲁棒性和行为组合能力
老年人对健身教练机器人类反馈节奏的偏好
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Robotics Institute（机器人研究所）
AI总结 研究探讨老年人对健身教练机器人不同节奏反馈的偏好，发现改变反馈节奏会影响两种模式的感知，为优化反馈频率提供依据。
Comments Nonarchival submission to RO-MAN 2024 - poster session
LLM Review: 通过盲审同行反馈增强创造性写作
机构 * Harvard University（哈佛大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学）
AI总结 LLM Review通过盲审同行反馈机制提升创造性写作，实验显示其优于多智能体基线，并使小模型超越大模型。
耦合扩散-编码器模型用于流场重建
机构 * Mechanical Engineering Department, Carnegie Mellon University, Pittsburgh, PA, USA（机械工程系，卡内基梅隆大学，匹兹堡，PA，USA） ； Machine Learning Department, Carnegie Mellon University, Pittsburgh, PA, USA（机器学习系，卡内基梅隆大学，匹兹堡，PA，USA）
AI总结 DiffCoder通过耦合扩散模型与残差网络编码器，实现了流场重建中更准确的统计特性保留，尤其在强压缩下表现优于VAEs。
心血管疾病中的成像锚定多组学：整合心脏成像、批量、单细胞和空间转录组学
机构 * International Ph.D. Program in Medicine, College of Medicine, Taipei Medical University, Taipei, Taiwan ； AIBioMed Research Group, Taipei Medical University, Taipei, Taiwan ； Medical Sciences Division, University of Oxford, Oxford, United Kingdom ； Computational Biology Department, School of Computer Science, Carnegie Mellon University, Pittsburgh, PA, USA ； Department of Computer Science, Emory University, Atlanta, GA, USA ； Department of Chemistry, Emory University, Atlanta, GA, USA ； International Master Program for Translational Science, College of Medical Science ； Technology, Taipei Medical University, Taipei 110, Taiwan ； In-Service Master Program in Artificial Intelligence in Medicine, College of Medicine, Taipei Medical University, Taipei, Taiwan ； Translational Imaging Research Center, Taipei Medical University Hospital, Taipei, Taiwan
AI总结 本文提出通过整合心脏成像与多组学数据，推动心血管疾病研究的多模态融合方法，提升疾病诊断和治疗的精准性。
通过不一致来对齐：面向多模态对齐的边界感知课程学习
机构 * Nanjing University（南京大学） ； Airon Technology CO., LTD（艾润科技有限公司） ； Shanghai Jiao Tong University（上海交通大学） ； University of Bristol（布里斯托大学） ； The Hong Kong Polytechnic University（香港理工大学） ； The University of Hong Kong（香港大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出BACL方法，通过边界感知负样本采样和局部注意力损失，提升多模态对齐性能，在多个基准上取得优于CLIP的成果。
Comments 24 pages, 6 figures, 5 tables. Submitted to NeurIPS 2025
协同优于差异：一种基于分区的多领域LLM微调方法
机构 * Nanjing University（南京大学） ； Airon Technology CO., LTD（艾瑞森技术有限公司） ； University of Bristol（布里斯托大学） ； The University of Oklahoma（俄克拉荷马大学） ； Donghua University（东华大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出一种基于分区的多领域LLM微调方法，通过平衡领域差异与协同效应，有效减少领域间干扰，提升多领域适应性能。
Comments 20 pages, 5 figures, 21 tables. Accepted at NeurIPS 2025. Corresponding author: Xuan Zhang (xuanzhang2199@gmail.com)
重建、修复、测试时微调：从单目视频动态生成新视角
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出CogNVS模型，通过自监督学习和测试时微调，实现从单目视频动态场景生成新视角的高效方法。
Comments NeurIPS 2025. Project page: https://cog-nvs.github.io/
基于几何意识的操作变换器：一种高效的准确神经代理用于任意域上的偏微分方程
机构 * Seminar for Applied Mathematics, ETH Zurich, Switzerland（应用数学研讨会，苏黎世联邦理工学院，瑞士） ； ETH AI Center, Zurich, Switzerland（ETH人工智能中心，苏黎世，瑞士） ； Department of Mechanical and Process Engineering, ETH Zurich, Switzerland（机械与过程工程系，苏黎世联邦理工学院，瑞士） ； School of Computer Science, CMU, USA（计算机科学学院，卡内基梅隆大学，美国） ； Centre for Applicable Mathematics, TIFR, India（应用数学中心，印度泰姬·弗里德曼研究所）
AI总结 本文提出几何意识的操作变换器GAOT，用于高效准确地学习任意域上的偏微分方程解，通过多尺度注意图神经网络和几何嵌入实现高精度与高效能的结合。
UniF$^2$ace: 一个统一的细粒度人脸理解和生成模型
机构 * Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Tsinghua University（清华大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Central South University（中南大学） ； Fudan University（复旦大学） ； Guangming Lab（光明实验室） ； Zhejiang University（浙江大学） ； Lancaster University（兰卡斯特大学） ； National University of Singapore（新加坡国立大学）
AI总结 UniF$^2$ace是一个专门针对细粒度人脸理解和生成的统一多模态模型，通过双离散扩散损失和多级分组专家混合架构，提升高质量面部细节生成和细粒度属性处理能力。
ENTRA：基于熵的大型语言模型推理中的冗余避免
机构 * School of Computer Science, Guangdong University of Technology（广东工业大学计算机科学学院） ； Peng Cheng Laboratory（鹏城实验室） ； Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 ENTRA通过基于熵的训练框架减少大型语言模型的冗余推理，提升推理效率和准确性。
用于高效视频识别的平滑正则化
机构 * Computer Science Department（计算机科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； School of Electrical and Computer Engineering（电气与计算机工程学院） ； Tel-Aviv University（特拉维夫大学）
AI总结 本文提出了一种平滑正则化方法，通过建模连续帧的变化为高斯随机游走，提升轻量级视频识别模型的准确率。
Comments Accepted to NeurIPS 2025
如何后门攻击知识蒸馏
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Carnegie Mellon University Africa（卡内基梅隆大学非洲分校）
AI总结 本文提出了一种通过污染知识蒸馏数据集来攻击学员模型的新方法，揭示了知识蒸馏过程中的安全漏洞。
从EEG到fMRI的合成：解决统计显著性和泛化性问题
机构 * Institute for Systems and Robotics – Lisboa and Department of Bioengineering, Instituto Superior Técnico, Universidade de Lisboa, Portugal（里斯本系统与机器人研究所及生物工程系，里斯本技术学院，里斯本大学，葡萄牙） ； Electrical and Computer Engineering Department, Carnegie Mellon University（电气与计算机工程系，卡内基梅隆大学）
AI总结 本文探讨了EEG到fMRI合成中统计显著性和泛化性问题，通过训练分布式滞后线性模型，展示了EEG在预测任务诱发和自发脑活动中的有效性，但发现训练数据不同会话时预测能力下降。
ENCO：企业级协作者的生命周期管理
机构 * Microsoft（微软公司） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 ENCO 通过 DECO 框架提升企业级协作者的生命周期管理，实现高效检索增强生成和自动化资源访问，提高工程效率。
Gecko：一种高效神经架构，能够处理任意长度的序列
机构 * University of Southern California（美国南加州大学） ； Meta AI Research（Meta人工智能研究） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California San Diego（加州大学圣地亚哥分校） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 Gecko通过改进的神经架构实现高效长序列处理，优于现有模型在效率和长上下文扩展性上的表现。
Comments 13 pages, 5 figure and 3 tables
法律中的LLM代理：分类、应用与挑战
机构 * Carnegie Mellon University（卡内基梅隆大学） ； National University of Singapore（国立新加坡大学） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； The University of Chicago（芝加哥大学） ； Rutgers University（罗格斯大学） ； Columbia University（哥伦比亚大学） ； New Jersey Institute of Technology（新泽西理工学院）
AI总结 本文探讨了法律领域中LLM代理的分类、应用及挑战，分析了技术转变、应用分类、评估方法及未来发展方向。
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