高校专区
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%。
Jacobian Scopes: LLM中的令牌级因果归因
机构 * Cornell University（康奈尔大学） ； Imperial College London（伦敦帝国理工学院） ； Goodfire AI
AI总结 提出Jacobian Scopes，一种基于梯度的令牌级因果归因方法，用于解释LLM预测，揭示政治偏见、翻译策略和上下文学习机制。
Comments 25 pages, 16 figures
从归因集合中进行统计学习
机构 * Google Research（谷歌研究） ； Cornell University（康奈尔大学） ； Tel Aviv University（特拉维夫大学） ； UT Austin（德克萨斯大学奥斯汀分校）
AI总结 针对隐私约束下广告点击与转化无法直接关联的问题，提出基于归因集合的无偏损失估计方法，实现经验风险最小化的泛化保证，并优于行业启发式方法。
Comments COLT 2026. 45 pages
代码的回归语言模型
机构 * Cornell University（康奈尔大学） ； Google DeepMind（谷歌DeepMind） ； Google Cloud（谷歌云）
AI总结 提出回归语言模型（RLM），利用冻结的大语言模型编码器直接从文本预测代码执行结果（如内存占用、延迟、神经网络精度等），在多个任务上达到高相关度。
Comments Published in International Conference on Machine Learning (ICML) 2026
面向多样化类人团队协作与通信的算法化提示生成与大型语言模型
机构 * Thomas Lord Department of Computer Science, University of Southern California（美国南加州大学汤姆·劳德计算机科学系） ； School of Computing and Information, University of Pittsburgh（美国匹兹堡大学计算与信息学院） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学西伯利机械与航空航天工程学院）
AI总结 结合质量多样性优化与LLM代理，自动搜索生成多样化团队行为的提示，捕获人类协作与通信策略，并通过用户研究验证其类人性。
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。
Pantheon360: 通过3D感知的360°视频扩散驯服数字孪生生成
机构 * University of Southern California（南加州大学） ； National Yang Ming Chiao Tung University（国家阳明交通大学） ； Cornell University（康奈尔大学） ； Bosch Research（博世研究）
AI总结 提出Pantheon360框架，利用显式3D缓存从稀疏360°输入生成高保真视频，实现全局几何一致性和可控相机路径，解决传统透视视频生成器视野受限导致的跨视图不一致和时间漂移问题。
Comments Accepted to CVPR 2026. Project page: https://koi953215.github.io/pantheon360_page/
SAM 3 和 DINOv3 的轻量级蒸馏用于边缘可部署的个体级牲畜监测与纵向视觉分析
机构 * College of Agriculture and Life Sciences, Cornell University（农业与生命科学学院，康奈尔大学）
AI总结 通过蒸馏SAM 3的感知编码器至TinyViT学生网络，并采用DINOv3的ViT-S嵌入器，实现边缘可部署的个体级牲畜监测，在Edinburgh猪数据集上以7.77倍参数减少和3.01倍显存降低达到接近教师模型的性能，支持长期视觉分析。
机器中的人类认知：世界模型的统一视角
机构 * Northeastern University（东北大学） ； EmbodyX Inc.（EmbodyX公司） ； Tulane University（路易斯安那州立大学） ； Cornell University（康奈尔大学） ； University of Georgia（佐治亚大学）
AI总结 提出统一框架整合记忆、感知等认知功能，指出动机和元认知研究不足，并引入认知世界模型新类别。
SkillsBench: 基准测试智能体技能在不同任务中的有效性
机构 * BenchFlow ； OSU ； Amazon ； UC Berkeley ； UC Santa Cruz ； UC Davis ； Dartmouth ； RLWRLD ； Independent ； Princeton University ； Oxford University ； Stanford University ； USC ； CMU ； Foxconn ； Zenity ； UNSW ； UT Austin ； MSU ； Duke University ； ByteDance ； UT Dallas ； UC San Diego ； Columbia University ； University of Rochester ； Cornell Tech ； Georgia Tech ； Cornell University ； NEU ； UCLA ； Snap Inc. ； Fanshawe College ； University of Science and Technology of China ； HKUST(GZ) ； Anyscale
AI总结 提出SkillsBench基准，包含8领域87个任务，通过配对评估证明技能提升平均通过率16.6个百分点，小模型配备技能可匹敌大模型。
GauS：通过高斯重参数化的可微分调度优化
机构 * Cornell University（康奈尔大学） ； University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 提出GauS框架，利用高斯分布对算子调度进行随机松弛，以可微分方式优化调度，捕获时间序数性质并大幅减少参数空间，首次实现流水线调度的可微分化，达到帕累托最优。
模仿有效的方法：基于仿真过滤的人类视频模块化策略学习
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Allen Institute for AI（Allen人工智能研究所） ； University of Washington（华盛顿大学） ； Cornell University（康奈尔大学）
AI总结 提出Perceive-Simulate-Imitate框架，通过仿真过滤人类视频中的抓取-轨迹对，学习任务导向的抓取与后抓取运动策略，无需机器人数据即可实现鲁棒操作。
Comments Transactions on Machine Learning Research (TMLR)
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。
深度双重去偏的ICE G-计算公式纵向效应估计
机构 * Cornell University（康奈尔大学） ； Weill Cornell Medicine（韦尔医学院）
AI总结 提出D3-Net框架，通过顺序双重稳健伪结果和纵向目标最小损失估计，解决ICE G-计算中的误差传播问题，实现纵向治疗效应的稳健估计。
用于机器学习的多模波传播的任意控制
机构 * School of Applied and Engineering Physics, Cornell University（应用与工程物理系，康奈尔大学） ； NTT Physics and Informatics Laboratories, NTT Research, Inc.（NTT物理与信息实验室，NTT研究公司） ； E. L. Ginzton Laboratory, Stanford University（E. L. Ginzton实验室，斯坦福大学） ； Kavli Institute at Cornell for Nanoscale Science, Cornell University（康奈尔大学纳米科学研究所） ； Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系） ； Department of Electrical Engineering and Computer Science, University of California（加州大学电气工程与计算机科学系） ； Department of Applied Physics, Yale University（耶鲁大学应用物理系）
AI总结 提出一种可快速重编程折射率的二维可编程波导，通过并行电光调制实现多模波传播的任意控制，并用于单次神经网络推理，理论表明面积增长为N^1.5而非N^2。
Journal ref Nat. Phys. 22, 164-171 (2026)
MOSIC: 模型无关的多约束最优子群识别以提升可靠性
机构 * Cornell University（康奈尔大学） ； Weill Cornell Medicine（韦尔·科恩医学中心） ； Operations Research and Information Engineering（运筹学与信息工程）
AI总结 提出统一优化框架，将约束直接融入子群识别优化过程，通过梯度下降-上升算法求解，实现模型无关且满足多约束的最优子群识别。
MPMWorlds: 用于推断和外推物理动力学的物质点法模拟
机构 * Cornell University（康奈尔大学）
AI总结 通过构建2D物质点法（MPM）模拟数据集，研究从视频推断物理动力学并外推时间演化的能力，比较代码生成与视频扩散方法的优劣。
Comments 16 pages, 13 figures. Project page: https://zzigak.github.io/mpmworlds/
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。
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
CoCoSI: 面向空间智能的协作认知地图构建
机构 * Shanghai Jiao Tong University（上海交通大学） ； Cornell University（康奈尔大学）
AI总结 提出一种即插即用的多智能体框架，通过协作构建结构化认知地图作为空间记忆，无需修改架构或额外训练即可增强预训练多模态大模型的空间理解能力。
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
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