高校专区
Murmur2Vec: 一种基于哈希的COVID-19刺突序列嵌入生成解决方案
机构 * Columbia University, NY, USA（哥伦比亚大学） ； IBA, Karachi, Pakistan（巴基斯坦卡拉奇的IBA）
AI总结 Murmur2Vec通过哈希技术高效生成COVID-19刺突序列嵌入，提升大规模病毒序列分析的效率和准确性。
利用Rips复形构造和混沌游戏表示进行序列到图像的转换以实现序列分类
机构 * Columbia University, NY, USA（哥伦比亚大学） ； IBA, Karachi, Pakistan（巴基斯坦伊斯兰堡大学） ； Lahore University of Management Sciences, Lahore, Pakistan（拉合尔管理科学大学）
AI总结 本文提出利用拓扑方法将分子序列转换为图像，结合CGR和Rips复形构造，提升序列分类性能。
通过预测外推的重力球动量实现鲁棒梯度下降
机构 * Columbia University, Irving Medical Center（哥伦比亚大学，伊文斯医疗中心）
AI总结 HB-SGE通过结合重力球动量与预测梯度外推，提供了一种在不良条件和非凸问题上更稳健的梯度下降方法，兼具稳定性与效率。
缩小世界模型在基于梯度规划中的训练-测试差距
机构 * Columbia University（哥伦比亚大学） ； New York University（纽约大学）
AI总结 本文提出改进世界模型训练方法，以提高基于梯度的规划效率，缩小训练与测试之间的性能差距。
基于差分分量对齐的分数密度比估计
机构 * South China University of Technology（华南理工大学） ； Columbia University（哥伦比亚大学） ； AIP, RIKEN（AIP与RIKEN）
AI总结 ISA-DRE通过将切线替换为secant，提升密度比估计的稳定性与效率，有效缓解密度峡谷问题。
基于熵感知的加权通道归一化流用于深度生成模型
机构 * School of Mathematics, South China University of Technology, Guangzhou, China（华南理工大学数学学院） ； Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院） ； School of Electronic and Information Engineering, South China University of Technology, Guangzhou, China（华南理工大学电子信息学院） ； Department of Electrical Engineering, Columbia University, New York, NY USA（哥伦比亚大学电气工程系）
AI总结 本文提出了一种基于熵感知的加权通道归一化流，通过引入正则化的Shuffle操作提升深度生成模型的密度估计性能。
Journal ref Chen, W., Du, S., Li, S., Zeng, D., & Paisley, J. (2025). Entropy-informed weighting channel normalizing flow for deep generative models. Pattern Recognition, 112442
基于长期机器人经验的分层表示的事件记忆语言化
机构 * Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology（人机学与机器人研究所，卡尔斯鲁厄理工学院） ； Computer Science Department, Columbia University（计算机科学系，哥伦比亚大学）
AI总结 本文提出了一种基于分层表示的机器人长期经验语言化方法，利用大规模预训练模型实现零样本学习，通过构建树状数据结构实现事件记忆的自然语言抽象，提升人机交互能力。
Comments Humanoids 2025. Code, data and demo videos at https://hierarchical-emv.github.io
推理模型在CFA考试中表现优异
机构 * Rensselaer Polytechnic Institute（罗格斯理工学院） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； SecureFinAI Lab（安全金融人工智能实验室） ； Columbia University（哥伦比亚大学） ； Business School（商学院）
AI总结 本文评估了先进推理模型在模拟CFA考试中的表现，发现Gemini 3.0 Pro在多个考试级别均取得优异成绩。
大规模多模态数据集与基准用于人类活动场景理解和推理
机构 * The Chinese University of Hong Kong, Hong Kong（香港中文大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Columbia University（哥伦比亚大学） ； University of Pittsburgh（匹兹堡大学）
AI总结 CUHK-X是一个大规模多模态数据集和基准，用于人类活动场景理解和推理，通过生成逻辑一致的活动序列提升描述一致性。
XAM：作者归属模型的交互式可解释性
机构 * Columbia University（哥伦比亚大学） ； Stony Brook University（石溪大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 IXAM通过交互式探索嵌入空间，提供作者归属模型的多粒度写作风格解释，提升模型预测的可解释性。
领域特定基础模型提升基于人工智能的神经病理科分析
机构 * Windreich Department of AI and Human Health（AI与人类健康部门） ； Icahn School of Medicine at Mount Sinai（辛克医学院（梅奥医院）） ； Hasso Plattner Institute for Digital Health at Mount Sinai（梅奥医院数字健康研究所） ； Department of Neurology（神经病学部门） ； Department of Pathology（病理学部门） ； Columbia University（哥伦比亚大学） ； Memorial Sloan-Kettering Cancer Center（纪念斯隆凯特林癌症中心） ； Department of Neuroscience（神经科学部门） ； Mayo Clinic College of Medicine（梅奥诊所医学院） ； University of Texas Southwestern Medical Center（德克萨斯西南医学中心） ； Peter O’Donnell Jr. Brain Institute（彼得·奥多尼尔 Jr. 脑研究所） ； VA Boston Healthcare System（波士顿退伍军人医疗系统）
AI总结 NeuroFM通过专门训练于脑组织的领域特定基础模型，提升神经病理学AI分析的准确性与可靠性。
在受限概率分布下校准地质预测
机构 * Department of Statistics, Columbia University, NY（统计系，哥伦比亚大学） ； Department of Statistics, Florida State University, FL（统计系，佛罗里达州立大学） ； Department of Computer Science, Columbia University, NY（计算机科学系，哥伦比亚大学） ； Department of Applied Physics and Applied Mathematics, Columbia University, NY（应用物理与应用数学系，哥伦比亚大学） ； NSF Science and Technology Center for Learning the Earth with AI and Physics, Columbia University, NY（国家科学基金会学习地球与人工智能和物理的科学与技术中心，哥伦比亚大学）
AI总结 本文提出基于分布的校准方法，利用边缘分布信息提升地质预测的准确性与一致性，通过KSD和归一化技术改进模型输出与物理分布的一致性。
请不要破坏我的氛围：通过数据流控制赋能代理
机构 * Columbia University（哥伦比亚大学）
AI总结 本文提出通过数据流控制（DFC）机制提升代理的安全性和可控性，旨在解决LLM代理在执行复杂任务时面临的风险问题。
Comments 7 pages, 7 figures, CIDR 2026
大语言模型的流行病学：一种用于观察分布知识的基准测试
机构 * Department of Statistics & Data Science University of California, Los Angeles（统计与数据科学系，加州大学洛杉矶分校） ； Department of Computer Science ETH Zürich（计算机科学系，苏黎世联邦理工学院） ； Causal AI Lab Columbia University（因果AI实验室，哥伦比亚大学）
AI总结 本文提出了一种用于评估大语言模型在现实世界概率分布知识方面能力的基准测试，发现LLMs在理解和内部化真实世界统计信息方面表现不佳。
MarkTune: 改善开放权重语言模型水印中的质量-可检测性权衡
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Columbia University（哥伦比亚大学）
AI总结 MarkTune通过理论框架提升开放权重语言模型中质量与可检测性的平衡，优于GaussMark并保持生成质量。
无机合成反应的表示与预测：图形框架和数据集
机构 * Columbia University（哥伦比亚大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出ActionGraph框架，通过编码合成操作的化学和程序结构，提升无机合成路径预测性能，实验表明其在操作长度匹配精度上有显著提升。
Comments For associated code and datasets, see https://github.com/8bitsam/actiongraph-testbench
生成式多模态反馈用于歌唱语音合成评估
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Science and Technology of China（中国科学技术大学） ； Columbia University（哥伦比亚大学） ； Dalian University of Technology（大连理工大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出生成式多模态反馈框架，通过音频-语言模型生成多维语言和音频反馈，提升歌唱语音合成评估的准确性和可解释性。
Comments 16 pages, 5 figures
金融代理的协调框架：从算法交易到代理交易
机构 * SecureFinAI Lab, Columbia University（安全金融人工智能实验室，哥伦比亚大学） ； Purdue University（普渡大学） ； Rensselaer Polytechnic Institute（拉特格斯理工学院） ； Stevens Institute of Technology（史蒂文斯理工学院）
AI总结 本文提出了一种金融代理的协调框架，通过代理系统实现了股票和加密货币交易，展示了其在不同市场中的表现和优势。
Comments Accepted at the Workshop on Generative AI in Finance, 39th Conference on Neural Information Processing Systems (NeurIPS 2025)
FineGRAIN：通过视觉语言模型法官评估文本到图像模型的故障模式
机构 * University of Maryland（马里兰大学） ； Columbia University（哥伦比亚大学） ； Sony AI（索尼人工智能）
AI总结 FineGRAIN通过视觉语言模型评估文本到图像模型的故障模式，揭示属性保真度和物体表示的系统性错误，强调了针对性基准测试对生成模型可靠性的重要性。
Comments Accepted to NeurIPS 2025 Datasets and Benchmarks Track
使语言练习生动化：在日语学习中与风格化对话代理的互动
机构 * Columbia University, RoleGaku（哥伦比亚大学，RoleGaku） ； Columbia University（哥伦比亚大学）
AI总结 Jouzu通过动漫风格的对话代理提升日语学习者的互动体验和语言表达能力。
Med-VCD: 通过视觉对比解码缓解医疗大视觉语言模型的幻觉问题
机构 * Department of computer science, University of Central Florida, Orlando, USA（计算机科学系，中央佛罗里达大学） ； Department of Bioengineering, University of Pennsylvania, Philadelphia, PA, USA（生物工程系，宾夕法尼亚大学） ； Department of electrical engineering, Columbia university, New York, NY, USA（电气工程系，哥伦比亚大学） ； Technical University of Applied Sciences Regensburg, Regensburg, Germany（应用科学技术大学（雷根斯堡）） ； Department of Surgery, University of Calgary, Calgary, Alberta, Canada（外科系，卡尔加里大学） ； University College of Nabi Akram, Tabriz, Iran（纳比阿克兰大学） ； School of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran（电气工程学院，伊朗科学技术大学）
AI总结 Med-VCD通过视觉对比解码方法提升医疗大视觉语言模型的事实准确性与幻觉准确性，减少幻觉输出并提高推理效率。
Journal ref Computers in Biology and Medicine (2026)
学习量子分类器的降维表示
机构 * Institute for Particle Physics and Astrophysics, ETH Zurich（粒子物理与天体物理研究所，苏黎世联邦理工学院） ； Columbia University（哥伦比亚大学） ； IBM Quantum, IBM Research – Zurich（IBM量子，IBM瑞士研究） ； European Organization for Nuclear Research (CERN)（欧洲核子研究中心） ； Institute for Quantum Electronics, ETH Zurich（量子电子研究所，苏黎世联邦理工学院） ； Fraunhofer Institute for Applied Solid State Physics IAF（应用固态物理研究所（IAF））
AI总结 本文提出Sinkclass自编码器，通过降维提升量子分类器性能，实现对高维数据集的有效处理。
Journal ref Odagiu, P., Belis, V., Schulze, L. et al. Learning reduced representations for quantum classifiers. Quantum Mach. Intell. 7, 113 (2025)
BlinkBud: 通过单个耳塞上的采样单目3D检测检测后方危险
机构 * Shanghai Jiao Tong University（上海交通大学） ； Columbia University（哥伦比亚大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Southwest Petroleum University（西南石油大学） ； Donghua University（东华大学）
AI总结 BlinkBud通过单耳塞和手机实现后方危险检测，采用3D跟踪算法和强化学习优化功耗与精度。
Comments This is the author-accepted version of the paper published in Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies (IMWUT), Vol. 9, No. 4, Article 191, 2025. Final published version: https://doi.org/10.1145/3770707
通过了解他人来认识自己：从群体上下文学习神经元身份
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Columbia University（哥伦比亚大学） ； McGill University（麦吉尔大学） ； Mila（Mila研究所） ； Allen Institute for Neural Dynamics（神经动态阿伦研究所）
AI总结 NuCLR通过自监督学习从群体上下文中的神经活动区分神经元身份，实现了细胞类型和大脑区域解码的最新成果。
Comments Accepted at Neurips 2025
TRiCo：三元博弈协同训练用于鲁棒半监督学习
机构 * University of Warwick（沃里克大学） ； Emory University（埃默里大学） ； University of Minnesota – Twin Cities（明尼苏达大学双城分校） ； ANU（澳大利亚国立大学） ； Brown University（布朗大学） ； Columbia University（哥伦比亚大学） ； UCSD（加州大学圣地亚哥分校） ； Zhejiang University（浙江大学）
AI总结 TRiCo通过三元博弈协同训练框架提升半监督学习的鲁棒性和性能，实现更稳健的伪标签选择和决策边界优化。
Comments Accepted by NeurIPS 2025
面向渲染的强化学习用于矢量图形生成
机构 * ServiceNow Research（ServiceNow研究机构） ； Mila ； ÉTS Montréal（蒙特利尔ÉTS） ； Polytechnique Montréal（蒙特利尔Polytechnique） ； Columbia University（哥伦比亚大学） ； Stony Brook University（石溪大学） ； Apple（苹果公司） ； Google Research（谷歌研究） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） ； McGill University（麦吉尔大学）
AI总结 本文提出RLRF方法，通过利用渲染反馈提升自回归VLMs中SVG生成的准确性和效率。
表达性日语字符文本到语音的比较评估：VITS与Style-BERT-VITS2 JP Extra
机构 * Columbia University, RoleGaku（哥伦比亚大学、RoleGaku） ； Columbia University（哥伦比亚大学）
AI总结 本文比较了VITS和Style-BERT-VITS2 JP Extra在生成表达性日语字符语音中的表现，发现SBV2JE在自然度和可懂度方面表现更优，适用于语言学习和角色对话生成。
Comments Accepted to IEEE UEMCON 2025
基于被动专家经验的个性化是否足够？一项在AI辅助考试中的案例研究
机构 * Columbia University（哥伦比亚大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Adobe（Adobe公司）
AI总结 本文研究了基于被动专家经验的个性化在AI辅助考试中的效果，发现其能降低任务负荷但存在局限，需结合主动个性化以提升用户体验。
Comments Accepted into Tailoring AI: Exploring Active and Passive LLM Personalization (PALS) workshop at EMNLP 2025
跨流派中文歌词作者归属的LLM提示与微调比较研究
机构 * Columbia University（哥伦比亚大学）
AI总结 本文通过对比LLM提示与微调方法，研究中文歌词跨流派作者归属问题，提出新的数据集和领域模型，并探讨流派对性能的影响。
Comments 8 pages, 6 figures
从公理出发的差分隐私
机构 * Stanford University（斯坦福大学） ； Columbia University（哥伦比亚大学）
AI总结 本研究证明了在满足特定公理的情况下，任何隐私度量等同于差分隐私，且移除任何公理会导致不恰当的隐私度量。
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