高校专区
ARMOR: 面向低资源电信问答的自适应检索器优化
机构 * Rensselaer Polytechnic Institute（罗切斯特理工学院） ； Cornell University（康奈尔大学） ； Samsung Research America（三星美国研究院）
AI总结 针对电信问答中证据分散且资源稀缺的问题，提出ARMOR方法，通过联合优化RAG似然和InfoNCE对比目标来适配查询编码器，在固定生成器下提升检索和答案生成性能。
改进的多维预测以实现交换遗憾
机构 * Cornell University（康奈尔大学）
AI总结 针对未知目标的多个下游代理，提出一种预测器，同时保证所有代理的次线性交换遗憾，在二维空间中实现多项式时间算法，遗憾界为$\tilde{O}(\sqrt{kT})$，并推广到低维和高维环境。
Comments Accepted for presentation at the ACM Conference on Economics and Computation (EC) 2026
具身与环境相遇：迈向上下文感知、安全的物理护理机器人
机构 * Cornell University（康奈尔大学）
AI总结 提出E²-CARE框架，通过3D动态场景图统一建模环境、机器人和人，在线重塑交互模板实现上下文感知的护理技能安全复用，经仿真和真实环境验证。
Comments RSS 2026
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
亲爱的，我把凯旋门缩小了！
机构 * Cornell University（康奈尔大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 针对单目度量几何估计中的“尺度坍缩”现象，通过构建新数据集MetricScenes并采用两阶段泊松补全方法提升深度图质量，微调MoGe-2模型显著缓解了尺度低估问题。
Comments Project page: https://metricscenes.github.io/
高维推断用于γ射线天空的不同可微编程
机构 * Faculty of Computing ； Data Sciences, Boston University, Boston, MA 02215, USA ； The NSF AI Institute for Artificial Intelligence ； Center for Theoretical Physics -- a Leinweber Institute, Massachusetts Institute of Technology, Cambridge, MA 02139, USA ； Department of Physics, Harvard University, Cambridge, MA 02138, USA ； Center for Theoretical Physics, Massachusetts Institute of Technology, Cambridge, MA 02139, USA ； Trottier Space Institute \& Department of Physics, McGill University, Montreal, QC H3A 2T8, Canada ； Department of Physics, Cornell University, Ithaca, NY 14853, USA
AI总结 本文利用可微概率编程技术解决银河系中心γ射线异常问题，通过GPU加速和向量化方法构建可微前向模型和似然函数，实现对多种空间形态的灵活推断。
Comments 20 pages, 16 figures. Code available at https://github.com/smsharma/fermi-prob-prog. V2: Updated with a more complete set of coverge tests
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
有理神经网络具有表达优势
机构 * Center for Applied Mathematics, Cornell University, United States（应用数学中心，康奈尔大学，美国） ； Department of Mathematics, Cornell University, United States（数学系，康奈尔大学，美国）
AI总结 本文证明可训练低次有理激活函数网络在表达性和参数效率上优于常见固定激活函数，理论上有指数级参数节省，实验验证其与标准架构兼容。
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。
动态对称点跟踪：解决模拟内存训练中的非理想参考问题
机构 * Department of Electrical and Computer Engineering, Cornell University, New York, NY（康奈尔大学电气与计算机工程系） ； IBM T. J. Watson Research Center, Yorktown Heights, NY（IBM 沃森研究中心） ； Rensselaer Polytechnic Institute, Troy, NY（伦塞拉尔理工学院）
AI总结 针对模拟内存计算中非理想器件导致的权重更新偏向对称点问题，提出动态对称点估计方法，在训练中跟踪对称点并保证收敛，结合数字信号处理技术增强性能。
大语言模型微调的双层数据策展：离线选择与在线自优化生成
机构 * Cornell University（康奈尔大学） ； Cisco Research（思科研究）
AI总结 提出双层框架结合离线数据选择与在线自优化生成，提升微调数据质量，理论证明优于直接混合，实验验证效果。
Comments updated the theories and experiments
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/
使用自回归图神经网络采样三角剖分和卡拉比-丘三维流形
机构 * Department of Physics, Cornell University（康奈尔大学物理系）
AI总结 提出dualGNN，一种自回归消息传递图神经网络，用于采样凸多面体的精细正则三角剖分，并应用于弦论中均匀采样卡拉比-丘三维流形，模型参数少、训练快、泛化能力强。
Comments 53 pages, 27 figures, 3 tables
迈向体贴的人机共存：医疗保健中机器人设计与人类感知的双空间框架
机构 * Cornell Tech（康奈尔科技） ； Cornell University（康奈尔大学） ； University of Maryland（马里兰大学）
AI总结 通过14周联合设计研究的后续访谈，识别人类感知空间的四个解释维度，提出人机共存作为设计空间与感知空间共同演化的循环，强调人类作为解释者和中介者的角色。
Comments This paper has been accepted for publication at the 35th IEEE International Conference on Robot and Human Interactive Communication (RO-MAN 2026)
在有限噪声下实现双线性系统辨识的 $\widetilde{O}(1/ε)$ 样本复杂度
机构 * Department of Electrical and Computer Engineering, University of Washington（华盛顿大学电气与计算机工程系） ； Cornell University AI for Science Institute, Cornell University（康奈尔大学AI for Science研究所）
AI总结 针对有界对称对数凹扰动下的离散时间双线性系统，提出有限样本集成员辨识方法，证明可行参数集直径以 $\widetilde{\mathcal O}(1/\epsilon)$ 的样本复杂度收缩，并通过仿真验证了不确定性量化的优势。
Comments 14 pages, 2 figures. Accepted by IEEE Control Systems Letters
超越LUMIR挑战：走向基础配准模型
机构 * The Russell H. Morgan Department of Radiology（Russell H. Morgan放射科） ； Radiological Science, Johns Hopkins Medical School（约翰霍普金斯医学院放射科学） ； Department of Computer Science, Aalto University（阿尔托大学计算机科学系） ； Cornell University（康奈尔大学） ； Canon Medical Systems (China) Co. Ltd.（佳能医疗系统（中国）有限公司） ； School of Biomedical Engineering, Shenzhen University Medical School（深圳大学医学院生物医学工程学院） ； Department of Imaging Physics, Delft University of Technology（代尔夫特理工大学成像物理系） ； Technical University of Munich（慕尼黑技术大学） ； Radboud University Medical Center（拉德伯德大学医学中心） ； Inria, Paris, France（法国巴黎Inria）
AI总结 提出LUMIR挑战，通过大规模无监督脑MRI配准任务，验证深度学习方法在生成解剖合理变形场和跨域鲁棒性上的优势，推动通用医学图像配准基础模型的发展。
Comments Accepted to Medical Image Analysis ((c) MedIA). Code available at https://github.com/JHU-MedImage-Reg/LUMIR_L2R
使用文本嵌入进行科学教育中大规模演绎语义内容分析的框架
机构 * Center for Interdisciplinary Education, University of Oslo（interdisciplinary Education 中心，奥斯陆大学） ； Laboratory of Atomic and Solid State Physics, Cornell University（原子与固体物理实验室，康奈尔大学） ； Department of Physics, California State University Fullerton（物理系，弗里蒙特加州州立大学） ； Center for Computing in Science Education, University of Oslo（科学教育计算中心，奥斯陆大学）
AI总结 提出基于文本嵌入的分类框架DeSCA，仅需少量示例即可实现大规模开放题编码，与人类编码者高度一致，并支持编码一致性审计。
Comments 47 pages plus supplementary information, 5 figures. Version 2 has been lightly edited and formatted to fit better with the field of science education research, including updating the title and adding a brief literature review of NLP methods applied to textual datasets in science education. Results are unchanged since original version
SHIELD: 基于学习动力学期望的控制障碍函数实现人形机器人安全
机构 * Mechanical and Civil Engineering, California Institute of Technology（加州理工学院机械与土木工程系） ； Aerospace Engineering and Engineering Mechanics, UT Austin（德克萨斯大学奥斯汀分校航空航天工程与工程力学系） ； Computer Science, Cornell University（康奈尔大学计算机科学系）
AI总结 提出SHIELD框架，通过训练随机动力学残差模型并利用随机离散时间CBF在概率上保证安全，为黑箱RL控制器添加最小侵入式安全层，在Unitree G1人形机器人上实现安全导航。
Comments Accepted to the 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2025). Copyright transferred to IEEE. Video at https://youtu.be/-Qv1wR4jfj4
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
MixSD: 混合上下文自蒸馏用于知识注入
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Jinesis Lab, University of Toronto & Vector Institute（Jinesis实验室，多伦多大学及向量研究所） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Princeton University（普林斯顿大学） ； Cornell University（康奈尔大学） ； The University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所AIP） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（德国图宾根最大计划智能系统研究所） ； EuroSafeAI
AI总结 本文提出MixSD方法，通过混合模型自身条件下的token来实现与模型生成分布对齐的知识注入，从而在保持预训练能力的同时提升事实记忆和推理能力。
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