高校专区
流体控制的离线强化学习：基于数据的多观测策略提取
机构 * University of Notre Dame（圣母大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； Cornell University（康奈尔大学）
AI总结 提出一种离线强化学习框架，通过传感器位置条件架构和点注意力层实现多传感器布局下的策略提取，在K-S方程和Navier-Stokes方程控制问题中验证了灵活性和有效性。
注意残差差距：现实偏差下的概率降尺度
机构 * Cornell University（康奈尔大学）
AI总结 针对现实应用中均值-残差降尺度方法产生的偏差和欠分散问题，提出ReMatch方法，通过PCA空间中的最优传输对齐训练与测试残差分布，减少欠分散并改善校准。
通过响应图刻画驾驶员与自动驾驶车辆的交互
机构 * University of New Mexico（新墨西哥大学） ； Cornell Tech（康奈尔科技）
AI总结 本文基于博弈论中的响应图概念，利用驾驶模拟器数据线性表示驾驶员行为，发现驾驶员加速行为可被响应图捕获，且对自动驾驶车辆的让行、不让行和响应行为有显著差异。
EntMTP：基于熵引导的多令牌预测加速LLM推理
机构 * Cornell University（康奈尔大学）
AI总结 提出EntMTP，一种无需训练的动态树注意力拓扑调度器，根据局部生成熵调整推测深度，在保持生成质量的同时最大化接受令牌吞吐量，相比Hydra和Medusa分别实现1.15倍和1.36倍加速。
Comments 7 pages, 5 figures
重新思考预测中的训练与推理：将赢家通吃带回高斯混合模型
机构 * Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； Boston University（波士顿大学）
AI总结 针对轨迹预测中赢家通吃训练导致模式后验不可靠的问题，提出测试时后验加权合并和一步EM更新两种轻量级后处理方法，无需重训练即可提升模式排序和预测精度。
Comments Accepted by ECCV 2026
击中移动目标：持续分布漂移下AI文本检测的测试时适应
机构 * Cornell Tech（康奈尔科技） ； MIT（麻省理工学院）
AI总结 提出一种基于半监督学习的测试时适应方法，利用推理时未标记样本的同质性，应对AI文本检测中持续出现的分布漂移，显著优于现有监督检测器。
临床医生的否决权：自主AI处方中的信任、责任与不确定性导航
机构 * University of Virginia（弗吉尼亚大学） ； Cornell University（康奈尔大学） ； University of Maryland, Baltimore（马里兰大学巴尔的摩分校） ； National Institute of Standards and Technology（美国国家标准与技术研究院）
AI总结 本文提出自主AI处方系统应具备校准置信度、区分认知与偶然不确定性、以及决策时推理透明性三个最低架构要求，并通过136名美国临床医生调查验证，以促进临床采纳并合理分配责任。
Dustin: 用于高效长上下文推测解码的草稿增强稀疏验证
机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） ； Cornell University（康奈尔大学）
AI总结 提出Dustin框架，利用草稿模型的前瞻信号和目标模型的历史注意力，在推测解码中实现高效稀疏验证，显著加速长上下文生成。
Comments Accepted to ICML 2026. 9 pages main text, includes references and appendix
OpenThoughts-Agent: 智能体模型的数据配方
机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； JSC（于利希超级计算中心） ； LAION ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Bespoke Labs ； Laude Institute ； UCLA（加州大学洛杉矶分校） ； Harvard University & Harvard Medical School（哈佛大学与哈佛医学院） ； TU Munich & Munich Center for Machine Learning（慕尼黑工业大学与慕尼黑机器学习中心） ； New York University（纽约大学） ； Medical University of South Carolina（南卡罗来纳医科大学） ； The LLM Data Company ； BenchFlow ； Independent Researcher（独立研究员） ； Northeastern University（东北大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Washington（华盛顿大学） ； TU Darmstadt（达姆施塔特工业大学） ； University of Southern California（南加州大学） ； UC San Diego（加州大学圣地亚哥分校） ； Amazon（亚马逊） ； Microsoft（微软） ； Korea University（高丽大学） ； Cornell Tech（康奈尔科技） ； University of Michigan（密歇根大学）
AI总结 提出全开放数据筛选流水线，通过100多次消融实验研究任务来源与多样性，构建10万样本训练集，在7个智能体基准上平均44.8%准确率，较最强开源模型提升3.9个百分点。
锥形语言模型
机构 * Mila ； Cornell University（康奈尔大学） ； Université de Montréal（蒙特利尔大学） ； CIFAR AI Chair（CIFAR人工智能教席）
AI总结 针对现有语言模型各层参数均匀分配的问题，提出锥形语言模型（TLM），在固定预算下单调递减层容量，实验表明MLP宽度按余弦调度锥形化可提升困惑度和下游性能。
KITE：解耦运动学和交互以实现零样本跨实体操作
机构 * Cornell University（康奈尔大学）
AI总结 提出KITE框架，通过解耦任务推理与实体特定运动控制，利用接触模式学习交互意图的潜在表示，实现零样本跨实体操作迁移。
量化理论上的AI对齐保证：贝叶斯说服中的接收者效用界
机构 * Cornell University（康奈尔大学）
AI总结 通过贝叶斯说服模型，研究AI发送者优化错位目标时，人类接收者仍能获得多少有用信息，证明接收者效用比不超过3/2，并给出紧性下界。
Comments 12 pages, EC 2026 Poster and EC 2026 Incentive-Based AI Alignment Workshop Poster
补丁流匹配：基于稀疏传感器的训练域尺度外生成壁面压力重建
机构 * Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学机械与航空航天工程系） ； Department of Aerospace and Mechanical Engineering, University of Notre Dame（诺丁汉大学航空航天与机械工程系）
AI总结 提出补丁流匹配（Patched FM）生成框架，通过补丁局部先验和稀疏传感器测量，实现超出训练域尺度的壁面压力场重建，并利用内尺度坐标实现雷诺数迁移。
专家与通才的人工集体在不同任务中表现出色
机构 * Cornell University（康奈尔大学） ； University of Vermont（佛罗里达大学） ； Santa Fe Institute（圣达菲研究所） ； Northeastern University（东北大学）
AI总结 通过优化代理的系统实验，研究代理解释能力、理性边界和任务质量如何影响集体绩效，发现通才集体在生成、选择和协调任务上更优，而专家集体在谈判任务上更优。
Comments 10 pages, 4 figures
统一运动-动作建模用于异构机器人学习
机构 * Cornell University（康奈尔大学）
AI总结 提出UMA模型，利用3D物体运动轨迹作为共享接口，通过掩码生成目标统一视觉运动控制和动力学建模，实现跨异构数据源的多任务预训练，并在部署时支持多种推理模式。
Comments https://uma-manipulation.github.io/
可预测性作为隐私的细粒度度量
机构 * Cornell University（康奈尔大学）
AI总结 提出可预测性框架，通过攻击者预测敏感信息的能力增益来衡量隐私泄露，与差分隐私互补，并基于广义矩方法分析渐近可预测性，用于ERM输出扰动。
公平在线资源分配
机构 * Columbia University, IEOR Department（哥伦比亚大学工业工程与运营研究系） ； Cornell Tech（康奈尔科技学院） ； Universidad de Chile（智利大学）
AI总结 研究在线资源分配中的公平性问题，提出基于对偶镜像下降的算法，在批次内强制执行公平约束，实现亚线性遗憾，并通过难民数据验证了福利与公平的权衡。
Comments 30 pages, 4 figures. To appear in the proceedings of EC 2026
战略特征选择
机构 * 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） ； Cornell Tech（康奈尔科技） ； Stanford University（斯坦福大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Harvard University（哈佛大学） ； Inria, Paris（巴黎Inria）
AI总结 研究通过特征选择和岭正则化应对战略操纵的分类问题，发现仅基于可操纵性排除特征通常次优，提出联合优化特征集与正则化水平的算法，并在医疗支付基准上验证。
超越预测：面向LLM推理的尾延迟感知调度
机构 * Cornell University, Computer Science Department（康奈尔大学计算机科学系） ； Cornell University, Electrical and Computer Engineering Department（康奈尔大学电气与计算机工程系） ； Cornell University, Operations Research and Information Engineering Department（康奈尔大学运筹学与信息工程系） ； Microsoft Azure System Research（微软Azure系统研究） ； NVIDIA Corporation（英伟达公司）
AI总结 针对LLM推理中长度预测调度在分布偏移和尾延迟控制上的脆弱性，提出无预测的分布感知调度框架，通过轻量统计信号实现软优先级提升，结合缓存感知抢占，在多种工作负载下将P99 TTLT降低35-50%，TTFT降低34-47%。
Journal ref Forty-Third International Conference on Machine Learning (2026)
保留还是删除？用于教育对话去标识的完全本地AI级联框架
机构 * Cornell University（康奈尔大学）
AI总结 针对教育对话中课程术语与个人身份信息混淆的问题，提出一种完全本地的级联框架，通过召回优先的联合提议器和上下文感知审查器实现约束性隐私分类，在数学辅导对话上达到0.958的宏F1，优于商业API和纯LLM基线。
面向GPU上广义线性模型的混合精度通信避免SGD
机构 * Department of Computer Science, Wake Forest University（沃杰福大学计算机科学系） ； Department of Computer Science, Cornell University（康奈尔大学计算机科学系）
AI总结 提出混合精度通信避免SGD（CA-SGD），通过分析有限精度误差将精度选择分解为九个独立部分，在NVIDIA GPU上实现5.1-6.8倍加速，且损失与FP32 SGD匹配。
超越故障恢复：一种面向机器人系统的参与感知人在回路框架
机构 * Cornell University（康奈尔大学）
AI总结 提出一种参与感知模型预测控制（E-MPC）方法，通过规划交互频率和类型来维持用户参与度并控制工作负荷，在机器人辅助进食系统中验证了其提升用户体验且不降低任务成功率的效果。
Comments Project website at https://emprise.cs.cornell.edu/empc
Journal ref Robotics: Science and Systems 2026
SING: 用于LLM代理中可扩展主动工具发现的合成意图图
机构 * Cornell University（康奈尔大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Ohio State University（俄亥俄州立大学） ； Hong Kong Baptist University（香港浸会大学）
AI总结 提出SING框架，通过构建意图-工具图并动态检索工具，在长周期任务中提升工具发现准确率，Global Recall@5提高59.8%，下游成功率提高28.9%。
基于序列模型的符号谜题循环推理
机构 * Algoverse AI Research ； Cornell University（康奈尔大学）
AI总结 提出 RecurrReason 基准，包含四个递归逻辑谜题，通过控制难度参数 N 评估序列模型，发现架构比规模更重要，预训练仅对局部结构转移函数的谜题有效。
RECTOR：面向情感与认知表征学习的掩码区域-通道-时间建模
机构 * Cornell University（康奈尔大学）
AI总结 提出RECTOR自监督框架，通过自适应功能分区和掩码拓扑学习，统一建模EEG/sEEG的区域-通道-时间动态，在情感识别和任务参与分类上达到新最优，且对缺失通道和跨导联泛化鲁棒。
基于膝关节X光片的隐式神经形状函数的无地标下肢对齐评估
机构 * Division of Informatics, Imaging and Data Sciences, The University of Manchester（曼彻斯特大学信息学、影像与数据科学部） ； Research Unit of Health Sciences and Technology, University of Oulu（奥卢大学健康科学与技术研究部） ； Medical Research Center Oulu, University of Oulu and Oulu University Hospital（奥卢大学与奥卢大学医院医学研究中心） ； Department of Trauma and Orthopaedics, Stockport NHS Foundation Trust, Stepping Hill Hospital（斯泰平希尔医院斯托克波特NHS基金会创伤与骨科） ； School of Health and Society, University of Salford（索尔福德大学健康与社会学院） ； School of Biological Sciences, The University of Manchester（曼彻斯特大学生物科学学院） ； Weill Cornell Medicine, Cornell University（康奈尔大学威尔康奈尔医学院）
AI总结 提出隐式神经形状函数（INSF）方法，无需显式地标，通过编码解剖形状到潜在空间并直接回归临床对齐测量，实现自动化下肢对齐评估，性能与现有方法相当且易于扩展。
Comments Accepted to MICCAI 2026
选择性标签下的算法前沿识别与推断
机构 * Department of Economics, Cornell University（经济系，康奈尔大学）
AI总结 本文针对仅观测到部分个体结果的情况，提出了公平-准确性前沿的识别方法及统计推断工具，包括无限制选择下的锐识别区域、无混淆假设下的点识别与去偏机器学习估计量。
Comments 68 pages, 2 figures
MVEB：大规模视频嵌入基准
机构 * Harvard University（哈佛大学） ； SaluteDevices ； MIRAI ； Zendesk ； Shanghai University of Finance and Economics（上海财经大学） ； Google LLC ； Salesforce ； Cornell University（康奈尔大学） ； Astera Institute（Astera研究院） ； Independent Contributor（独立贡献者） ； Indian Institute of Technology, Kharagpur（印度理工学院，克拉格浦分校） ； Barclays（巴克莱银行） ； Aarhus University（奥胡斯大学） ； Stanford University（斯坦福大学）
AI总结 提出MVEB基准，包含23个任务评估33种视频嵌入模型，发现无单一模型占优，音频贡献取决于标注来源，并集成到MTEB生态。
Crypto x AI, AI x Crypto: 综述
机构 * Initiative for CryptoCurrencies and Contracts (IC3)（加密货币与合同倡议（IC3）） ； Ava Labs（Ava实验室） ； Carnegie Mellon University（卡内基梅隆大学） ； Cornell Tech（康奈尔科技） ； Flashbots ； Offchain Labs（离链实验室） ； Ritual Labs（仪式实验室） ； Technion（技术学院） ； University of Bern（伯恩大学） ； Princeton University（普林斯顿大学） ； ETH Zurich（苏黎世联邦理工学院） ； Teleport（Teleport；Flashbots(X)） ； Flashbots(X)（特拉维夫大学） ； Tel Aviv University
AI总结 本综述系统梳理了AI与区块链（crypto）的交叉研究，总结了现有工作、关键发现、开放问题及行业误解，指出两者仍处于早期融合阶段。
JailbreakOPT: 工具辅助的迭代越狱提示优化
机构 * University of California, Davis（加州大学戴维斯分校） ； The Renmin University of China（中国人民大学） ； Independent Researcher（独立研究员） ； Nankai University（南开大学） ； Cornell University（康奈尔大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 提出JailbreakOPT框架，通过工具库和上下文Thompson采样优化单轮越狱提示，在多个LLM上提高攻击成功率并减少攻击次数。
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