高校专区
无需人类监督的奖励建模扩展
机构 * Harvard University（哈佛大学） ； Cornell University（康奈尔大学） ； Microsoft Research（微软研究院） ； Kempner Institute（凯普纳研究所）
AI总结 本文提出无需人类标注的奖励建模方法，通过大规模网络语料学习文档前后缀偏好，提升RewardBench性能，实现跨模型家族和规模的稳定改进。
一个带有人类参与的置信度意识故障恢复框架用于模块化机器人策略
机构 * Cornell University（康奈尔大学） ； Princeton University（普林斯顿大学）
AI总结 本文提出一个模块化机器人策略的人机协作故障恢复框架，通过整合模块级不确定性估计与人类干预成本模型，优化故障恢复效率与用户负荷。
Comments The second and third authors contributed equally. The last two authors advised equally
位置跟踪在广告个性化中的隐私与效用权衡
机构 * Cornell University（康奈尔大学）
AI总结 研究探讨了位置跟踪数据在广告个性化中的价值及其与行为数据的互补性，发现早期冷启动阶段地理位置数据能显著提升目标性能，但随着用户行为数据积累，其作用逐渐被行为数据替代。
Comments 57 pages, 11 figures. Digital advertising, causal inference, and machine learning
反应性写作：与AI共写如何改变我们对想法的参与方式
机构 * Paul G. Allen School of Computer Science, University of Washington（保罗·G·艾伦计算机科学学院，华盛顿大学） ； Center for Information Technology Policy, Princeton University（信息科技政策中心，普林斯顿大学） ； Cornell Tech（康奈尔科技） ； Bauhaus University（包豪斯大学）
AI总结 本文研究了与AI共写如何改变写作过程，发现反应性写作是一种以评估优先、建议引导的写作方式，作者在过程中未察觉AI影响，但容易受AI偏见影响。
Comments 21 pages, 8 figures, CHI 2026 : ACM CHI Conference on Human Factors in Computing Systems
GAST：基于梯度对齐的大型语言模型稀疏调优与数据层选择
机构 * Ant Group（蚂蚁集团） ； Cornell University（康奈尔大学） ； University of Liverpool（利物浦大学） ； Soochow University（苏州大学） ； Cleveland Clinic Lerner Research Institution（克利夫兰诊所勒纳研究机构）
AI总结 GAST通过同时进行数据和层维度的选择性微调，解决现有方法忽略数据对不同层贡献差异的问题，提升大型语言模型的微调效果。
SCENEBench：一个基于辅助和工业用例的音频理解基准测试
机构 * Stanford University（斯坦福大学） ； Cornell Tech（康奈尔科技）
AI总结 SCENEBench通过评估音频理解的四个现实场景，揭示了现有LALMs在不同任务中的性能差异，为改进模型能力提供指导。
Comments Accepted to EACL 2026 (Main Conference). 10 pages, 10 figures. Camera-ready version
Meissa：多模态医疗代理智能
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Cornell University（康奈尔大学）
AI总结 Meissa是一种轻量级多模态医疗代理智能模型，通过离线学习策略选择与执行，实现高效医疗决策。
不同故障对机器人感知可靠性的影响
机构 * Department of Computer Science, Cornell University（卡内基梅隆大学计算机科学系） ； Toyota Research Institute (TRI)（丰田研究机构） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University（卡内基梅隆大学机械与航空航天工程学院）
AI总结 本研究探讨不同故障类型对机器人感知可靠性的影响，发现错误对可靠性损害较小，而后续成功可恢复可靠性。
Comments Accepted to ICRA 2026. 8 pages, 6 figures
用于神经链接预测器的时序平滑正则化器
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学）
AI总结 本文提出了一种基于时间平滑正则化器的神经链接预测方法，在三个数据集上实现了更准确的结果。
关于自回归3D目标检测的可行性与机会
机构 * The Ohio State University（俄亥俄州立大学） ； Cornell University（康奈尔大学） ； Boston University（波士顿大学） ； Stanford University（斯坦福大学）
AI总结 AutoReg3D通过自回归序列生成方法实现3D目标检测，无需锚点或NMS，展示了在LiDAR检测中的可行性与灵活性。
Comments CVPR 2026 Findings Project Page: https://tzmhuang.github.io/autoreg3d/
为微通勤区划问题设计的列生成方法
机构 * Cornell University（康奈尔大学） ； Vanderbilt University（范德比大学） ； Pennsylvania State University（宾夕法尼亚州立大学）
AI总结 本文提出了一种列生成方法，用于解决微通勤区划问题，通过全局预算优化提升解决方案质量和计算效率。
不确定性门控生成建模
机构 * Electrical Engineering and Computer Science University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系） ； School of Electrical and Computer Engineering Cornell University（康奈尔大学电气与计算机工程学院）
AI总结 本文提出UGGM方法，通过不确定性门控机制提升金融时间序列预测的鲁棒性和准确性，实验显示在NYISO数据集上MSE显著降低。
Comments Accepeted by ICLR 2026 Workshop Advances in Financial AI
Journal ref ICLR 2026
TransMASK: 通过学习变换实现状态表示的掩码
机构 * Mechanical Engineering Department, Virginia Tech（弗吉尼亚理工大学机械工程系） ； Computer Science Department, Cornell University（康奈尔大学计算机科学系）
AI总结 TransMASK通过学习变换实现状态表示的掩码，提升机器人在不同环境中的泛化能力。
RFM-HRI : 一项医疗机器人故障、用户反应和恢复偏好的多模态数据集用于物品检索任务
机构 * Cornell University, Cornell Tech（康奈尔大学，康奈尔科技）
AI总结 RFM-HRI数据集通过多模态数据研究医疗机器人故障下的用户反应与恢复偏好，揭示故障对情感和控制的影响，并为安全关键场景的故障恢复提供基础。
为何人类指导在协作式节奏编码中至关重要
机构 * Cornell University（康奈尔大学） ； Princeton University（普林斯顿大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Cambridge（剑桥大学） ； New York University（纽约大学）
AI总结 本研究通过实验表明，人类在协作式节奏编码中提供有效高层指令，而AI指令常导致性能下降，混合系统在人类主导指令时表现最佳，强调人类指导的重要性。
具有受限对抗者的高效混合学习
机构 * Cornell University（康奈尔大学）
AI总结 本文提出一种高效混合学习算法，通过受限对抗者设定，在统计最优性和计算效率间取得平衡，适用于高维动作集但低维结构的零和博弈均衡计算。
DiffusionHarmonizer: 通过在线扩散增强器连接神经重建与逼真模拟
机构 * NVIDIA ； University of Toronto（多伦多大学） ； Cornell University（康奈尔大学） ； Technion（技术学院）
AI总结 DiffusionHarmonizer通过在线扩散增强器提升神经重建与逼真模拟的结合，解决动态物体整合与伪影问题，提高模拟保真度。
Comments For more details and updates, please visit our project website: https://research.nvidia.com/labs/sil/projects/diffusion-harmonizer
打破和修复多智能体系统中针对控制流劫持的防御措施
机构 * Cornell University（康奈尔大学） ； Microsoft（微软公司）
AI总结 本文提出ControlValve防御机制，通过生成允许的控制流图和强制执行上下文规则，解决多智能体系统中控制流劫持攻击的安全性与功能性目标冲突问题。
SearchGym: 一个用于跨平台基准测试和混合搜索编排的模块化基础设施
机构 * Cornell University（康奈尔大学）
AI总结 SearchGym通过模块化设计实现跨平台基准测试和混合搜索编排，揭示信息检索中通用性与可优化性的张力。
Comments 5 pages, 5 figures
费米-狄拉克热测量：量子假设检验和半定规划的框架
机构 * Institute of Natural Sciences, Shanghai Jiao Tong University, Shanghai 200240, China（自然科学院，上海交通大学，上海） ； School of Mathematical Sciences, Shanghai Jiao Tong University, Shanghai, 200240, China（数学科学学院，上海交通大学，上海） ； Ministry of Education Key Laboratory in Scientific and Engineering Computing, Shanghai Jiao Tong University, Shanghai 200240, China（教育部科学与工程计算重点实验室，上海交通大学，上海） ； Global College, Shanghai Jiao Tong University, Shanghai 200240, China（全球学院，上海交通大学，上海） ； School of Electrical and Computer Engineering, Cornell University, Ithaca, New York 14850, USA（电气与计算机工程学院，康奈尔大学，纽约）
AI总结 该研究提出费米-狄拉克热测量作为量子假设检验和半定规划的新框架，通过热力学方法优化量子测量，构建了费米-狄拉克机模型。
Comments 35 pages, 3 figures
LLM-MLFFN: 通过大语言模型的多级自动驾驶行为特征融合
机构 * Department of Civil, Architectural, and Environmental Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校土木、建筑与环境工程系） ； Systems Engineering Program, Cornell University（康奈尔大学系统工程项目） ； Department of Electrical and Computer Engineering, University of Michigan（密歇根大学电气与计算机工程系） ； Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系） ； School of Architecture, The University of Texas at Austin（德克萨斯大学奥斯汀分校建筑学院）
AI总结 LLM-MLFFN通过大语言模型的多级特征融合提升自动驾驶行为分类的准确性和鲁棒性。
MIRAGE：基于知识图谱的跨群体MRI合成用于阿尔茨海默病预测
机构 * Emory University, Atlanta, USA（埃默里大学） ； Cornell University, New York, USA（康奈尔大学）
AI总结 MIRAGE通过知识图谱引导的跨群体MRI合成，提升无真实MRI群体中阿尔茨海默病的诊断准确率。
轨迹外推理：大语言模型能否在推理轨迹上协作？
机构 * Department of Computer Science, Cornell University（计算机科学系，康奈尔大学）
AI总结 本文研究了大语言模型在共享推理轨迹上的协作能力，发现即使在基准测试中表现优秀的模型在受到干扰时也容易崩溃，且无法有效利用合作者的引导步骤。
CREPE：通过复制交换控制扩散模型
机构 * University of Cambridge（剑桥大学） ； Technical University of Denmark（丹麦技术大学） ； University of Oxford（牛津大学） ； Cornell University（康奈尔大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Xaira Therapeutics（Xaira制药公司）
AI总结 CREPE通过复制交换算法在推理过程中控制扩散模型，实现样本生成的高多样性与在线优化，适用于多种任务并优于传统SMC方法。
Comments Accepted to ICLR 2026
通过合成数据学习提升多跳推理能力
机构 * Cornell University（康奈尔大学） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学）
AI总结 本研究通过规则生成的合成数据提升LLM多跳推理能力，发现合成数据能有效训练模型组成知识，从而在现实问答任务中表现更优。
Comments Accepted to ICLR 2026
GenDB：查询处理的下一代——合成而非工程
机构 * Cornell University（康奈尔大学）
AI总结 GenDB利用大语言模型合成查询执行代码，以替代传统复杂的查询处理引擎，实现更高效和定制化的查询处理系统。
BiMotion: B-spline 动作 for 文本引导的动态 3D 人物生成
机构 * University of Edinburgh（爱丁堡大学） ； Cornell University（康奈尔大学） ； University of Michigan（密歇根大学） ； Voxel51
AI总结 BiMotion 通过 B-spline 曲线生成高质量文本引导的动态 3D 人物动作，提升动作生成的表现力和质量。
Comments Accepted to CVPR 2026
去噪聚类：单细胞数据的潜在插件扩散
机构 * Cornell Tech（康奈尔技术学院） ； Ohio State University（俄亥俄州立大学） ； University of Chicago（芝加哥大学）
AI总结 通过去噪的潜在插件扩散方法提升单细胞数据聚类精度和生物相干性
几何核包：用于流形、网格和图上几何学习的热核和Matérn核
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； KTH Royal Institute of Technology（皇家理工学院） ； Italian Institute of Artificial Intelligence for Industry（意大利人工智能工业研究所） ； Cornell University（康奈尔大学） ； ETH Zürich and University of Edinburgh（苏黎世联邦理工学院和爱丁堡大学）
AI总结 GeometricKernels 是一个用于几何学习的Python包，实现了热核和Matérn核，支持在流形、网格和图上进行不确定性量化和自动微分。
Journal ref Journal of Machine Learning Research, 2025
从有限样本估计神经表示的维度
机构 * Harvard University（哈佛大学） ； New York University（纽约大学） ； Flatiron Institute（Flatiron研究所） ； Cornell Tech（康奈尔科技）
AI总结 本文提出了一种偏倚校正估计器，用于从有限样本中准确估计神经表示的维度，并展示了其在生物神经记录和语言模型中的应用。
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