高校专区
WAter: 基于工作负载压缩的面向工作负载的调优系统
机构 * Purdue University（普渡大学） ； Cornell University（康奈尔大学） ； Sichuan University（四川大学）
AI总结 WAter通过将调优过程划分为多个时间片，并在每个时间片中评估工作负载的小子集，显著降低了调优成本，同时提升了性能。
MovieRecapsQA: 一种多模态开放式视频问答基准
机构 * Cornell University（康奈尔大学）
AI总结 本文提出MovieRecapsQA基准，通过电影回顾视频生成8200个开放式问题及事实，构建无参考评估指标，评估多模态能力，发现视觉感知是主要瓶颈。
Comments CVPR 2026
通过多目标优化平衡多模态传感器学习
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； IBM Research（IBM研究院） ； Cornell University（康奈尔大学）
AI总结 本文提出MIMO方法，通过多目标优化平衡多模态传感器学习，提升系统可靠性并减少计算开销。
生成式AI在金属有机框架设计与合成中的崛起
机构 * Deep Principle, Inc.（Deep Principle公司） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Washington University（华盛顿大学） ； Institute of Materials Science & Engineering, Washington University（华盛顿大学材料科学与工程研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； Cornell University（康奈尔大学） ； University of Toronto（多伦多大学） ； Vector Institute for Artificial Intelligence（向量人工智能研究所） ； Acceleration Consortium, University of Toronto（多伦多大学加速联盟） ； University of Washington（华盛顿大学） ； University of North Texas（北德克萨斯大学） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Canadian Institute for Advanced Research（加拿大高等研究院） ； NVIDIA（英伟达）
AI总结 生成式AI推动金属有机框架设计方法革新，通过自主提出并合成新型多孔结构，结合高通量计算筛选和自动化实验，形成加速发现闭环流程，提升清洁空气和能源应用材料性能。
Comments 10 pages, 5 figures
Journal ref Matter (2026)
ViviDoc：通过人机协作生成交互式文档
机构 * National University of Singapore（新加坡国立大学） ； University of Virginia（弗吉尼亚大学） ； Cornell University（康奈尔大学）
AI总结 ViviDoc通过多智能体流程和三级人类控制，系统性解决交互式文档生成问题，构建了ViviBench基准并实现高内容丰富度和交互质量。
理解大型语言模型驱动的指南在使虚拟现实对视障和低视力用户可访问性中的应用
机构 * Cornell University（康奈尔大学）
AI总结 研究探讨了利用大型语言模型驱动的指南提升视障和低视力用户虚拟现实可访问性的问题，通过实验发现用户在不同情境下对指南的不同反应，提出未来设计建议。
Comments 16 pages, 5 figures, 3 tables, Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI '26), April 13-17, 2026, Barcelona, Spain. ACM
AppellateGen：上诉法律判决生成的基准测试
机构 * Nanyang Technological University（南洋理工大学） ； Ocean University of China（中国海洋大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； Cornell University（康奈尔大学）
AI总结 本文提出AppellateGen基准测试，包含7351个案例对，用于生成上诉阶段的法律判决，通过模拟司法流程验证模型在上诉推理中的逻辑一致性与挑战。
Comments 15 pages, 4 figures, 3 tables
视频分割的实时交互训练
机构 * Cornell University（康奈尔大学）
AI总结 本文提出LIT框架，通过实时学习用户反馈提升视频分割性能，LIT-LoRA在挑战性任务中减少18-34%的修正，且训练开销低。
Comments CVPR 2026
水填充是普遍的最小最大最优
机构 * Cornell University（康奈尔大学）
AI总结 本文证明水填充算法在多种目标下是普遍的最小最大最优策略，适用于资源分配问题，无论目标函数、参与者数量或资源可用性如何。
Wanderland: 为开放世界具身AI提供几何学基础的模拟
机构 * New York University（纽约大学） ； Cornell University（康奈尔大学）
AI总结 本文提出Wanderland框架，通过多传感器采集和高精度几何重建，解决开放世界具身AI中模拟与现实差距大的问题，并展示其在导航政策学习中的应用。
Comments CVPR 2026
基于生物地球化学的神经网络（BINN）用于提高模型预测的准确性及对土壤有机碳的科学理解
机构 * Soil and Crop Sciences Section, School of Integrative Plant Science, Cornell University（康奈尔大学综合植物科学学院土壤与作物科学系） ； Department of Computer Science, Cornell University（康奈尔大学计算机科学系） ； Department of Ecology and Evolutionary Biology, Cornell University（康奈尔大学生态与进化生物学系） ； Department of Informatics and Intelligent Systems, Institute of Energy and the Environment, The Pennsylvania State University（宾夕法尼亚州立大学能源与环境研究所信息学与智能系统系） ； Department of Systems Engineering, Cornell University（康奈尔大学系统工程系）
AI总结 本文提出BINN，结合过程性土壤碳循环模型与神经网络，通过大规模数据提高对土壤有机碳存储机制的理解，并展示其在预测土壤碳循环过程中的高效性与准确性。
Comments 65 pages, 15 figures
通过移除和再训练调试概念瓶颈模型
机构 * Cornell University（康奈尔大学）
AI总结 本文提出一种可解释调试框架，通过移除和再训练步骤解决CBM与专家推理间的系统性偏差问题，CBDebug通过转换概念反馈为样本标签，减少对不良概念的依赖。
Comments Accepted to ICLR 2026
SEGAR：生成增强现实的定向增强
机构 * Cornell University（康奈尔大学） ； Cornell Tech（康奈尔科技） ； Toyota Research Institute（电装研究院）
AI总结 SEGAR结合扩散世界模型与定向修正阶段，实现生成增强现实中的区域特定编辑与安全区域对齐，为未来帧的生成、缓存和定向修正提供基础。
让雪落下！通过物理引导的分数蒸馏动画3D高斯场景的动态天气效果
机构 * The Hebrew University of Jerusalem（希伯来大学耶路撒冷分校） ； Cornell University（康奈尔大学）
AI总结 本文提出物理引导的分数蒸馏框架，通过结合物理模拟和视频基于的分数蒸馏采样，实现3D场景的动态天气效果生成，提升真实感与动态一致性。
Comments Accepted to CVPR 2026. Project webpage: https://galfiebelman.github.io/let-it-snow/
用少量检测光子进行机器视觉
机构 * School of Applied and Engineering Physics, Cornell University, Ithaca, NY 14853, USA（应用与工程物理系，康奈尔大学，纽约州伊萨卡市，14853，美国） ； Informatics Laboratories, NTT Research, Inc., Sunnyvale, CA 94085, USA（信息实验室，NTT研究公司，美国硅谷，94085，美国）
AI总结 本文提出光子感知神经形态传感(PANS)，在极低光条件下实现高效机器视觉，通过端到端优化在极低光环境下实现高准确率图像分类。
Comments 98 pages, 34 figures
当AI输出变差但没人注意到：AI错误的法律影响
机构 * Cornell Tech（康奈尔科技） ； Cornell University（康奈尔大学） ； d-AI-ta Consulting（d-AI-ta咨询公司） ； Dynamic Online Networks Laboratory（动态在线网络实验室） ； George Washington University（乔治华盛顿大学）
AI总结 本文探讨了生成式AI在法律领域中的错误风险，指出AI可能伪造法律案例和判例，导致专业制裁和声誉损害，并提出通过验证协议来应对技术责任问题。
加速的神经传输并行退火
机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics ； National University of Singapore（新加坡国立大学） ； University of British Columbia（不列颠哥伦比亚大学）
AI总结 本文提出利用神经采样器加速并行退火，通过减少相邻分布间的重叠需求，提升多模态采样效率并降低计算成本。
Comments Camera-ready version for ICLR 2026
单受试多视角MRI超分辨率通过隐式神经表示
机构 * Department of Radiology, Weill Cornell Medicine, New York, USA（韦尔·科恩医学系放射科，纽约，美国） ； School of Electrical and Computer Engineering, Cornell University（康奈尔大学电气与计算机工程学院） ； Cornell Tech, New York, USA（康奈尔科技，纽约，美国） ； Weill Cornell Graduate School of Medical Sciences, New York, USA（韦尔·科恩医学科学研究生院，纽约，美国）
AI总结 本文提出SIMS-MRI框架，通过隐式神经表示和多分辨率哈希编码实现单患者多视角MRI的等效超分辨率，无需预处理。
mmFHE: 基于端到端全同态加密的毫米波传感
机构 * Cornell Tech（康奈尔技术学院）
AI总结 mmFHE通过全同态加密实现端到端毫米波雷达传感，利用轻量级边缘设备加密原始距离剖面，并在不可信云平台执行信号处理和机器学习推理。其核心是七个可组合的数据无关同态加密内核，提供输入隐私和数据无关性保障，实验证明在公开数据集上具有高精度和低延迟。
Comments Under review
更大的可及性可能放大生成AI中的歧视
机构 * Trustworthy AI Lab, University of Hamburg（可信AI实验室，汉堡大学） ； NALA Group, JGU Mainz（NALA集团，吉森大学） ； Cornell University（康奈尔大学） ； Together AI ； Allen Institute for AI（人工智能研究院） ； CU Boulder（博尔德大学）
AI总结 研究发现语音交互虽提升可及性，但会因语音携带身份线索而加剧性别偏见，提出通过音调调节可缓解歧视问题。
Comments Preprint
目标力：教视频模型实现物理条件化的目标
机构 * Brown University（布朗大学） ； Cornell University（康奈尔大学）
AI总结 本文提出Goal Force框架，通过显式力矢量和中间动力学定义目标，使视频模型能零样本泛化到复杂现实场景，实现基于物理的视频生成与规划。
Comments Camera ready version (CVPR 2026). Code and interactive demos at https://goal-force.github.io/
任务特定效率分析：当小型语言模型超越大型语言模型
机构 * San Francisco State University - Department of Computer Science（旧金山州立大学-计算机科学系） ； Carnegie Mellon University - Department of Computer Science（卡内基梅隆大学-计算机科学系） ； Columbia University - Department of Computer Science（哥伦比亚大学-计算机科学系） ； Cornell University - Department of Computer Science（康奈尔大学-计算机科学系） ； Pennsylvania State University - Department of Biochemistry and Molecular Biology（宾夕法尼亚州立大学-生物化学与分子生物学系）
AI总结 本文通过对比16个模型在五个NLP任务上的效率，提出PER指标，发现小型模型在效率上表现更优，为高效推理场景提供依据。
Comments Accepted for publication at ESANN 2025. This is a task-specific efficiency analysis comparing small language models
基于KL散度最小化的高斯混合模型差分隐私分布发布
机构 * State Key Laboratory of Internet of Things for Smart City and the Department of Electrical and Computer Engineering, University of Macau（物联网智能城市国家重点实验室和澳门大学电子与计算机工程系） ； Department of Electrical and Computer Engineering, Cornell Tech, Cornell University（电气与计算机工程系，康奈尔科技，康奈尔大学） ； Computing Sciences Research, Lawrence Berkeley National Laboratory（计算科学研究所，劳伦斯伯克利国家实验室）
AI总结 本文提出通过KL散度度量高斯混合模型发布精度，结合差分隐私机制，在保证隐私安全的同时保持模型效用。
Comments This work has been submitted to the IEEE for possible publication
HUG-VAS：一种基于层次NURBS的生成模型用于主动脉几何合成与可控编辑
机构 * Department of Aerospace and Mechanical Engineering, University of Notre Dame（notre dame 大学航空航天与机械工程系） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University（cornell 大学机械与航空航天工程学院） ； Department of Applied and Computational Mathematics and Statistics, University of Notre Dame（notre dame 大学应用与计算数学与统计学系）
AI总结 HUG-VAS通过结合NURBS参数化与层次扩散模型，实现主动脉几何的精细合成与可控编辑，支持零样本生成与临床应用。
Comments 64 pages, 9 figures, 6 supplementary figures
DeepStock: 基于策略正则化的深度强化学习用于库存管理
机构 * Booth School of Business, University of Chicago（芝加哥大学商学院） ； Taobao & Tmall Group（淘宝与天猫集团） ； School of Economics, Sichuan University（四川大学经济学院） ； Graduate School of Business, Columbia University（哥伦比亚大学商学院） ； School of Operations Research and Information Engineering, Cornell University（康奈尔大学运筹学与信息工程学院）
AI总结 本文提出通过策略正则化改进深度强化学习在库存管理中的应用，加速超参数调优并提升性能，通过阿里巴巴电商平台的部署和合成实验验证了其有效性。
探索使用QLoRA和DoRA对十亿参数视觉模型进行参数高效微调：在98:1测试到训练数据比例下有限数据图像分类的泛化性洞察
机构 * Cornell University, College of Agriculture and Life Sciences（康奈尔大学农业与生命科学学院）
AI总结 本文比较了三种方法在有限数据图像分类中的泛化能力，发现参数高效微调显著优于其他方法，最佳配置在较短时间内达到高准确率。
在众多替代品中寻找共同点
机构 * Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） ； School of Operations Research and Information Engineering, Cornell University（康奈尔大学运筹学与信息工程学院） ； Department of Statistics, Harvard University（哈佛大学统计学系）
AI总结 本文研究在多样偏好下选择能找到共同点的声明问题，提出基于比例否决核心的社会选择模型，并设计高效采样算法以高概率返回近似核心声明，同时证明了查询次数的下界。
当城市教导汽车：从基础设施实现无标签的3D感知
机构 * The Ohio State University（俄亥俄州立大学） ； Google（谷歌） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； Boston University（波士顿大学）
AI总结 本文提出一种无标签的3D感知方法，利用道路设施作为无监督教师，通过固定视角和重复观测学习局部3D检测器，并广播预测作为伪标签监督，无需基础设施即可训练独立的车辆检测器。
Comments Project Page: https://jinsuyoo.info/civet/
在不确定性中思考：通过潜在熵感知解码减轻MLRMs中的幻觉
机构 * Monash University（墨尔本大学） ； Georgia Tech（佐治亚理工学院） ； Cornell University（康奈尔大学） ； Northeastern University（东北大学） ； Khalifa University（卡利法大学） ； University of Minnesota（明尼苏达大学）
AI总结 本文提出通过潜在熵感知解码策略减轻多模态大推理模型中的幻觉问题，利用语义上下文增强推理能力。
通过多智能体协调优化LLM对课堂话语的标注
机构 * Cornell University（康奈尔大学）
AI总结 本文提出一种分层、成本敏感的多阶段标注框架，通过自检和争议解决阶段提升LLM标注的可靠性，以应对教育数据科学中规模与效度之间的矛盾。
Comments Accepted for presentation at the Education Data Science Conference (EDS 2026), Stanford, USA, May 26-28, 2026. Extended abstract
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