Learning from almost nothing: How neural networks survive heavy input corruption
从几乎一无所有中学习：神经网络如何在严重输入损坏中生存
机构 * Cornell University（康奈尔大学）
AI总结 研究神经网络在输入严重损坏（>90%）时仍保持高精度的鲁棒性，通过平均场方法推导出网络实现最近类均值原型规则，解释学习成功的机制。
Comments 26 pages, 10 figures
高校专区
Cornell University（康奈尔大学）
Machine Learning Methods for Studying Latent Neural Activity Dynamics
研究潜在神经活动动力学的机器学习方法
机构 * School of Software Engineering, Sun Yat-sen University（中山大学软件工程学院） ； Department of Computer Science, Cornell University（康奈尔大学计算机科学系） ； Department of Neurobiology and Behavior, Cornell University（康奈尔大学神经生物学与行为学系） ； Department of Ecology and Evolutionary Biology, Cornell University（康奈尔大学生态学与进化生物学系） ； School of Computer Science and Artificial Intelligence, Foshan University（佛山大学计算机科学与人工智能学院）
AI总结 综述从状态空间模型到深度生成模型的潜在变量模型，涵盖单区域动力学、多区域通信和行为对齐建模，并讨论大规模神经基础模型及未来挑战。
Comments Accepted by IJCAI 2026 survey track
Exploration of Foundation Model-Based Robots in Patient and Elderly Care
基于基础模型的机器人在患者和老年人护理中的探索
机构 * Cornell University（康奈尔大学）
AI总结 本文综述了基于基础模型的护理机器人在设计特征、用户体验和护理效果方面的现状，指出当前系统多用于语音交互，多模态和物理自主性有限，并呼吁向护理特定评估标准和负责任自主性发展。
Express Language Modeling
Express 语言建模
机构 * Cornell Tech（康奈尔科技） ； University of Cambridge（剑桥大学） ； Microsoft Research（微软研究院）
AI总结 提出 Express 工具，将非因果注意力近似转换为因果近似，结合 Thinformer 实现最优因果注意力保证，并加速语言建模中的四个资源瓶颈。
NüshuVoice: Reviving the Voice of Endangered Nüshu with Pitch-Aware Text-to-Speech
NüshuVoice：利用音高感知文本到语音技术复兴濒危女书的声音
机构 * Ocean University of China（中国海洋大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Cornell University（康奈尔大学） ； Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Michigan–Ann Arbor（密歇根大学安娜堡分校） ； University of Science and Technology of China（中国科学技术大学） ； Harbin Institute of Technology（哈尔滨工业大学）
AI总结 针对女书语音数据稀缺问题，提出NüshuVoice基准和F0条件VITS框架Nüshu-PitchVITS，利用五级音高标注作为韵律先验，在频谱保真度、音高重建和可懂度上优于强基线。
Comments 12 pages, 3 figures
STELLAR: Spatio-Temporal Environmental Learning with Latent Alignment and Refinement for Long-Tailed Species Distribution Modeling
STELLAR: 面向长尾物种分布建模的时空环境学习与潜在对齐精炼
机构 * Sun Yat-sen University（中山大学） ； Cornell University（康奈尔大学） ； Foshan University（佛山大学） ； Cornell Lab of Ornithology（康奈尔鸟类学实验室）
AI总结 提出STELLAR框架，通过图-时间编码器、上下文锚定潜在对齐和不平衡感知解码模块，联合优化动态栖息地上下文和群落结构，有效解决物种分布建模中的时空耦合与长尾不平衡问题。
Comments Accept by IJCAI 2026
Sparrow: Sparse Rollout for Stable and Efficient Long-context RL of Large Language Models
Sparrow: 用于大语言模型稳定高效长上下文强化学习的稀疏 rollout
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Cornell University（康奈尔大学） ； Intel（英特尔） ； Amazon AGI（亚马逊AGI）
AI总结 针对RLVR中长上下文rollout计算昂贵的问题，提出Sparrow方法，通过动态稀疏度调度保持token级策略失配的下尾统计量稳定，在Qwen3系列模型上实现2.0-2.4倍加速，并推广到更大模型和编程领域。
"So There's a Catch-22 Here": How Early Adopters Who Build Multi-Agent LLM Systems Conceptualize Transparency
"所以这里有个第22条军规"：构建多智能体LLM系统的早期采用者如何概念化透明度
机构 * Purdue University（普渡大学） ； Cornell University（康奈尔大学） ； Microsoft Research（微软研究院）
AI总结 通过访谈13位早期采用者，研究多智能体LLM系统构建者如何理解透明度，提出包含可重复性、调试、边界设定、可视化和审计的多维框架，强调透明度作为情境化的社会技术实践。
HARP: Efficient Data Selection for Finetuning Large Language Models
HARP：高效数据选择用于微调大型语言模型
机构 * Cornell University（康奈尔大学） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 提出层次主动区域剪枝（HARP），一种高效的基于训练的数据选择方法，通过层次结构和经验贝叶斯推断降低选择成本，同时保持下游对齐，在多个基准上优于最强基线最多8.9分，且训练样本减少约7倍。
Automatic, Debiased, and Invariant Counterfactual Generation under General Interventions
通用干预下的自动、去偏和不变反事实生成
机构 * Cornell Tech（康奈尔科技） ； Cornell University（康奈尔大学） ； Department of Biostatistics, Department of Population Health（生物统计学系、人口健康系） ； New York University Grossman School of Medicine（纽约大学格罗斯曼医学院）
AI总结 提出ADIGen框架，结合Riesz回归、因果不变性和正交统计学习，实现通用干预下反事实生成的自动、去偏和不变性，并提供过剩风险界。
Exploring Reinforcement Learning for Fluid Transitions Between Clinical Mental Healthcare and Everyday Wellness Support
探索强化学习在临床心理健康与日常健康支持之间的流畅过渡
机构 * Cornell University（康奈尔大学）
AI总结 本研究探索强化学习（RL）构建数字健康系统，动态选择临床与健康干预措施，以优化整体健康目标（持续日记），发现RL优化序列的益处常在干预结束后显现，且高参与度用户随时间深化参与，而恒定干预组易倦怠退出。
Journal ref Healthcare Beyond Reaction: Harnessing AI and Sensing for Proactive Care, Workshop at ACM Interactive Health 2026 (IH '26), July 05--08, 2026, Porto, Portugal
