高校专区
GATO：用于可扩展边缘模型预测控制的GPU加速和批处理轨迹优化
机构 * School of Engineering and Applied Science, Columbia University（哥伦比亚大学工程与应用科学学院） ； University of Michigan（密歇根大学） ； Barnard College, Columbia University and Dartmouth College（哥伦比亚大学巴纳德学院和达特茅斯学院）
AI总结 GATO通过算法、软件和计算硬件的协同设计，实现对中等批量大小的实时轨迹优化，提升边缘模型预测控制的性能。
Comments Accepted to ICRA 2026. 8 pages, 8 figures, 2 tables
TAG-K：尾部平均贪心Kaczmarz用于计算高效且性能优异的在线惯性参数估计
机构 * School of Applied Science, Columbia University（哥伦比亚大学应用科学学院） ； Columbia College, Columbia University（哥伦比亚大学哥伦比亚学院） ； Barnard College, Columbia University and Dartmouth College（哥伦比亚大学巴纳德学院和达特茅斯学院）
AI总结 本文提出TAG-K算法，结合贪心随机行选择和尾部平均，实现高效稳定的在线惯性参数估计，在计算受限的机器人系统中表现出更快的求解速度和更高的鲁棒性。
Comments Accepted to ICRA 2026. 3 Figures. 3 Tables
基于锥约束的模型预测控制与代码生成：适用于微控制器的Conic-TinyMPC
机构 * School of Engineering and Applied Science, Columbia University（哥伦比亚大学工程与应用科学学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Barnard College, Columbia University and Dartmouth College（哥伦比亚大学巴纳德学院和达特茅斯学院）
AI总结 本文提出一种适用于微控制器的模型预测控制方法，通过支持二次锥约束和自动生成C++代码，显著提升了嵌入式系统的求解速度和问题规模。
Comments Accepted to ICRA 2026. 4 Figures. 2 Tables. First three authors contributed equally
Pan-FM：一种具有显著性引导掩码的全器官基础模型以实现缺失鲁棒性
机构 * Laboratory of AI and Biomedical Science（人工智能与生物医学科学实验室） ； Columbia University（哥伦比亚大学）
AI总结 Pan-FM通过显著性引导掩码技术，解决多模态生物医学数据缺失问题，提升全器官表示学习的鲁棒性，优于单器官和多器官基线模型。
MIST：面向智能家居的多模态交互语音工具调用对话助手
机构 * Columbia University（哥伦比亚大学） ； Seoul National University（首尔国立大学）
AI总结 本文提出MIST数据集，用于研究具备物理世界约束推理能力的多模态语音助手，发现开放和闭源多模态LLM在该任务上存在显著差距。
Comments Project Page: https://billyzhang24kobe.github.io/mist-smarthome/
AGWM：基于 affordance 的世界模型用于具有组合前提条件的环境
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Hong Kong（香港大学） ； Columbia University（哥伦比亚大学） ； Amazon（亚马逊） ； City University of Hong Kong（香港城市大学）
AI总结 本文提出 AGWM 模型，通过学习抽象 affordance 结构来跟踪动作的动态可执行性，以解决传统世界模型在多步预测中的误差累积问题。
Comments 16 pages, 3 figures, 4 tables. Appendix on pages 11-16 (main text is self-contained)
SHARP: 一种自进化可审计的规则策略用于金融交易代理
机构 * Morgan Stanley（摩根大通） ； Arizona State University（亚利桑那州立大学） ； Columbia University（哥伦比亚大学） ； University of Arizona（亚利桑那大学）
AI总结 SHARP通过结构化规则优化解决金融交易代理中信用分配问题，提升策略鲁棒性和透明度，使紧凑模型性能提升10-20个百分点。
剪枝、解释、评估：一种跨层译码器原生框架，用于通过特征归因实现高效的电路发现
机构 * Columbia University（哥伦比亚大学）
AI总结 本文提出PIE框架，通过先剪枝后解释的方法，结合特征归因修补和协同意识重排序，提升电路发现效率和解释质量。
ART用于扩散采样：一种强化学习方法用于时间步调度
机构 * Department of Industrial Engineering and Operations Research, Columbia University, New York, NY 10027, USA（工业工程与运筹学系，哥伦比亚大学，纽约，NY 10027，美国） ； Department of Industrial Engineering and Operations Research & Data Science Institute, Columbia University, New York, NY 10027, USA（工业工程与运筹学系及数据科学研究所，哥伦比亚大学，纽约，NY 10027，美国）
AI总结 本文提出ART方法，通过强化学习优化扩散模型的时间步调度，减少欧拉离散误差，提升生成质量。
Comments 25 pages, 8 figures, 5 tables
通过细胞模式感知预训练解码动态视觉体验
机构 * Interdisciplinary Program in Artificial Intelligence（人工智能跨学科项目） ； Seoul National University（首尔国立大学） ； NSF AI Institute for Artificial and Natural Intelligence (ARNI)（国家科学基金会人工智能与自然智能研究院） ； Columbia University（哥伦比亚大学） ； Mila (Quebec AI Institute)（蒙特利尔人工智能研究所） ； Dept. of Neurology & Neurosurgery（神经病学与神经外科系） ； McGill University（麦吉尔大学） ； Montreal Neurological Institute, McGill University（麦吉尔大学蒙特利尔神经科学研究所） ； School of Computer Science, McGill University（麦吉尔大学计算机科学学院） ； Learning in Machines and Brains Program, CIFAR（机器与大脑学习计划，CIFAR） ； Department of Psychology（心理学系） ； Department of Brain and Cognitive Sciences（脑与认知科学系）
AI总结 本文提出POYO-CAP方法，通过预训练提升神经解码鲁棒性，实验证明其在Allen脑观察数据集上比从头训练有12-13%的提升，并实现模型规模的平稳扩展。
改进的流模型微调技术：通过伴随匹配实现确定性控制流程
机构 * Department of Industrial Engineering and Operations Research, Columbia University（工业工程与运筹学系，哥伦比亚大学）
AI总结 本文提出了一种确定性伴随匹配框架，将流基生成模型的人类偏好对齐问题转化为速度场上的最优控制问题，通过直接回归控制向量诱导的目标，实现简单稳定的训练目标，并通过截断伴随方案提升计算效率，同时保持对齐质量，实验显示在多个对齐指标上均取得一致提升。
一种基于波场相关的方法用于改进超声自聚焦中的声速估计
机构 * Department of Electrical Engineering, Stanford University（电气工程系，斯坦福大学） ； Department of Radiology, School of Medicine, Stanford University（放射学系，医学院，斯坦福大学） ； Department of Applied Physics, Stanford University（应用物理学系，斯坦福大学） ； Department of Biomedical Engineering, Columbia University（生物医学工程系，哥伦比亚大学）
AI总结 本文提出利用波场相关技术优化声速估计，以提高超声自聚焦中图像质量，通过改进的波场相关成像方法减少杂波干扰，提升成像分辨率和对比度。
ProAgent：利用按需感官上下文实现野外的前瞻性LLM代理系统
机构 * The Chinese University of Hong Kong（香港中文大学） ； Columbia University（哥伦比亚大学）
AI总结 ProAgent通过整合低成本上下文线索与按需丰富感知，实现连续感知用户环境，利用上下文感知的前瞻性推理器推断用户需求，提升预测准确性与降低误检率。
多任务学习在跨异质MRI场强的颅骨合成CT生成中的概念验证研究
机构 * F.M. Kirby Research Center for Brain Imaging, Kennedy Krieger Institute（F.M. Kirby脑成像研究中心，Kennedy Krieger研究所） ； Neurosection, Division of MR Research, Russell H. Morgan Department of Radiology and Radiological Science, Johns Hopkins University School of Medicine（神经科，磁共振研究部，约翰·霍普金斯大学医学院放射学与放射科学系） ； Department of Biomedical Engineering, Johns Hopkins University（生物医学工程系，约翰·霍普金斯大学） ； Department of Biomedical Engineering, Case Western Reserve University（生物医学工程系，凯斯西储大学） ； Department of Biomedical Engineering, Columbia University（生物医学工程系，哥伦比亚大学） ； Department of Neuroscience, Columbia University（神经科学系，哥伦比亚大学） ； Department of Radiology, Mayo Clinic（放射科，梅奥诊所） ； Neuroradiology and Neurosurgery, Mayo Clinic College of Medicine and Science（神经放射学与神经外科，梅奥诊所医学院与科学学院）
AI总结 本文提出一种深度学习框架，用于在不同MRI场强和协议下实现稳定的颅骨合成CT生成，通过模块化结构提升鲁棒性，并在多中心数据集上验证了其优于传统方法的性能。
Comments Published in Medical Physics (2026). DOI: 10.1002/mp.70429
Journal ref Medical Physics, 53(5): e70429, 2026
Token Arena：一个统一能量与认知的连续基准测试
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Columbia University（哥伦比亚大学） ； OpenMesh AI
AI总结 Token Arena通过端到端的五个核心维度评估AI推理性能，结合能耗和价格指标，揭示不同端点对模型准确性和效率的影响，提供更真实的推理评估标准。
Comments 14 pages, 1 figure, 8 tables
地震波场共同任务框架
机构 * Department of Electrical and Computer Engineering, University of Washington（华盛顿大学电气与计算机工程系） ； Department of Applied Mathematics, University of Washington（华盛顿大学应用数学系） ； High Performance Machine Learning team, SURF（SURF高性能机器学习团队） ； Department of Earth and Space Sciences, University of Washington（华盛顿大学地球与空间科学系） ； Distyl AI ； Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） ； Department of Energy, Nuclear Engineering Division, Politecnico di Milano（米兰理工学院能源部核工程分校） ； Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； Department of Mechanical Engineering, Politecnico di Milano（米兰理工学院机械工程系） ； Department of Mathematics, American University in Beirut（贝鲁特美国大学数学系） ； Department of Mechanical Engineering, American University in Beirut（贝鲁特美国大学机械工程系） ； 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 本文提出地震波场共同任务框架，通过三个数据集评估算法性能，解决地震预测与重建中的挑战。
Comments 34 pages, 7 figures
超越精英人类：通过自我对战与强化学习掌握骗子扑克
机构 * Allometry Labs（Allometry实验室） ； Graduate School of Business, Columbia University（哥伦比亚大学商学院） ； Sauder School of Business, University of British Columbia（不列颠哥伦比亚大学萨德尔商学院）
AI总结 本文提出Solly，首个在简化版骗子扑克中达到精英人类水平的AI，通过自我对战与深度强化学习实现超越人类和大语言模型的策略与表现。
FlexiTac：一种低成本、开源、可扩展的触觉传感解决方案，用于机器人系统
机构 * Columbia University（哥伦比亚大学）
AI总结 FlexiTac是一种低成本、开源、可扩展的触觉传感模块，通过灵活的传感器垫和紧凑的读取板实现高密度触觉信号采集，支持现代触觉学习流程。
Comments Website: https://flexitac.github.io/
连续时间Q学习用于具有公共噪声的均场控制，第二部分：Q学习算法
机构 * LaMME, Université Évry Paris-Saclay（Évry巴黎萨克雷大学LaMME研究中心） ； Department of Applied Mathematics, The Hong Kong Polytechnic University（香港理工大学应用数学系） ； Department of Industrial Engineering and Operations Research, Columbia University（哥伦比亚大学工业工程与运筹学系）
AI总结 本文基于放松控制公式，提出Q学习算法以解决具有受控公共噪声的均场控制问题，通过改进的Iq函数和martingale正交条件实现策略和价值函数的更新，并在无限时间线性二次框架下证明了收敛性。
Comments Keywords: Mean-field control, common noise, martingale characterization, optimal q-learning algorithm, Actor-Critic q-learning algorithm
连续时间q学习用于具有公共噪声的均场控制，第一部分：理论基础
机构 * LaMME, Université Évry Paris-Saclay（Évry巴黎萨克雷大学LaMME研究中心） ； Department of Applied Mathematics, The Hong Kong Polytechnic University（香港理工大学应用数学系） ； Department of Industrial Engineering and Operations Research, Columbia University（哥伦比亚大学工业工程与运筹学系）
AI总结 本文研究了熵正则化均场控制中连续时间q函数的特性，通过离散采样动作证明价值函数收敛，并推导了探索性HJB方程，建立了最优策略迭代的存在性和唯一性，最后在一般线性二次设定中显式刻画最优策略。
Comments Keywords: Continuous-time reinforcement learning, mean-field control, common noise, policy improvement, integrated q-function, two-layer fixed point
AMMA: 一种面向低延迟1M上下文注意力服务的多芯片片内存架构
机构 * University of California, San Diego（加州大学圣迭戈分校） ； Columbia University（哥伦比亚大学） ； Yonsei University（延世大学） ； NVIDIA（NVIDIA公司） ； Samsung Semiconductor, Inc.（三星半导体公司）
AI总结 AMMA是一种面向低延迟1M上下文注意力服务的多芯片片内存架构，通过提高内存带宽和优化并行计算方案，显著降低注意力延迟和能耗。
DDO-RM：奖励学习后基于分布的策略改进
机构 * Department of Computer Science（计算机科学系） ； Columbia University（哥伦比亚大学） ； Department of Management Science and Engineering（管理科学与工程系） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 DDO-RM通过将奖励评分转化为显式目标分布，改进策略在分布层面的性能，实验显示其在准确性与边际均值上优于DPO。
Comments 8 pages, 4 figures
NeuroPlastic：一种基于可塑性的优化器，用于生物启发的学习动态
机构 * Department of Neurology, Beth Israel Deaconess Medical Center, Harvard Medical School（神经病学系，贝塞斯达德acons医疗中心，哈佛医学院） ； Department of Biostatistics, Harvard T.H. Chan School of Public Health（生物统计学系，哈佛T.H. Chan公共卫生学院） ； Department of Statistics, John A. Paulson School of Engineering and Applied Sciences, Harvard University（统计学系，约翰·A·保罗森工程与应用科学学院，哈佛大学） ； Department of Psychology, Columbia University（心理学系，哥伦比亚大学）
AI总结 NeuroPlastic通过多信号可塑性机制改进梯度更新，提升图像分类性能，在少数据场景下表现更佳，且在迁移学习中保持稳定性和竞争力。
Comments 16 pages, 7 figures
无监督图建模在会计科目关系中的异常检测
机构 * Columbia University（哥伦比亚大学） ； Georgetown University（乔治城大学） ； Pepperdine University（佩珀德雷大学） ； Walsh College（沃什学院） ； Brandeis University（布兰迪斯大学）
AI总结 本文提出基于图神经网络的无监督判别框架，用于检测会计科目关联结构中的异常，通过构建科目关联图并分析结构偏差，实现局部和跨社区异常检测。
通过显式环境建模实现稳健的表示学习
机构 * Department of Statistics Columbia University（哥伦比亚大学统计系） ； Departments of Statistics and Computer Science Columbia University（哥伦比亚大学统计学与计算机科学系）
AI总结 本文研究多环境数据下稳健表示学习，提出显式建模环境变化并消除其影响的方法，通过广义随机截距模型验证其在不同场景下的优越性。
面向长期健康AI代理的框架
机构 * Columbia University, Biomedical Informatics（哥伦比亚大学生物医学信息学） ； Columbia University, Computer Science（哥伦比亚大学计算机科学）
AI总结 本文提出一个多层框架，用于支持长期健康交互的AI代理，强调适应性、连贯性、连续性和自主性，通过案例展示如何维持有意义的参与并支持个性化决策。
Comments 10 pages, 2 figures, 5 tables
Consist-Retinex：一步噪声强调一致性训练加速高质量Retinex增强
机构 * RIKEN AIP（日本理化学研究院Advanced Institute for Photonics and Electronics） ； South China University of Technology（华南理工大学） ； Columbia University（哥伦比亚大学）
AI总结 本文提出Consist-Retinex，通过Retinex Transformer Decomposition Network获取反射率和光照图，并采用Retinex-aware双目标和自适应噪声强调固定点采样进行一致性训练，提升低光照图像增强质量。
神经桥过程
机构 * RIKEN AIP（理化学研究所AIP） ； South China University of Technology（华南理工大学） ； Columbia University（哥伦比亚大学）
AI总结 神经桥过程通过引入输入锚定轨迹提升生成路径的条件性，解决传统扩散过程在输入条件编码上的不足，实验显示在回归、EEG、CylinderFlow和图像回归任务中均取得提升。
潜意识操控：更强大的隐藏信号编码
机构 * Columbia University（哥伦比亚大学）
AI总结 本文提出潜意识操控方法，通过训练转向向量增强隐藏信号传输，展示多词偏见传输、机制证据及高精度编码。
图谱老虎机
机构 * ENS de Lyon（里昂大学） ； Inria Lille – Nord Europe, SequeL team（里尔-北欧研究所，SequeL团队） ； DeepMind Paris（巴黎DeepMind） ； Google Research（谷歌研究） ； Columbia University（哥伦比亚大学）
AI总结 本文研究了图上光滑函数的老虎机问题，提出有效维度概念及线性和亚线性算法，用于解决基于图的在线学习问题，如内容推荐。
Comments Published in Journal of Machine Learning Research (JMLR 2020). arXiv admin note: text overlap with arXiv:2604.18420
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