高校专区
双流式Transformer：将主预填路径与额外解码计算解耦
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Peking University（北京大学）
AI总结 该研究提出双流式Transformer，将主预填路径与额外解码计算解耦，通过共享权重与缓存降低推理成本，在多架构与数据配置下实现更低验证损失，且可灵活分配MoE专家预算。
Comments 18 pages
类人工作记忆干扰在大语言模型中
机构 * School of Psychological and Brain Sciences, Georgia Tech（佐治亚理工学院心理与脑科学学院） ； Department of Psychology, New York University（纽约大学心理学系） ； Department of Cognitive Science, Indiana University Bloomington（印第安纳大学布卢明顿分校认知科学系） ； Honda Research Institute（本田研究所） ； Center of Excellence for Computational Cognition, Georgia Tech（佐治亚理工学院计算认知卓越中心） ； Departments of Neuroscience and Psychology, The University of Texas at Austin（德克萨斯大学奥斯汀分校神经科学和心理学系）
AI总结 研究发现大语言模型在工作记忆任务中存在干扰限制，其表现与人类相似，且通过抑制无关信息实现有效记忆检索。
Comments Published as a conference paper at COLM 2026
人工智能与人类撰写回复的语言比较：在线心理健康查询
机构 * Siebel School of Computing and Data Science, The Grainger College of Engineering, University of Illinois Urbana-Champaign（Siebel计算与数据科学学院，格拉inger工程学院，伊利诺伊大学厄巴纳-香槟分校） ； Department of Psychology, College of Liberal Arts and Sciences, University of Illinois Urbana-Champaign（心理学系，文理学院，伊利诺伊大学厄巴纳-香槟分校） ； School of Interactive Computing, College of Computing, Georgia Institute of Technology（交互计算学院，计算机学院，佐治亚理工学院）
AI总结 研究通过比较AI和人类回复的语义和语言特征，探讨AI在心理健康支持中的有效性及局限性。
Journal ref npj Artificial Intelligence, 2026
大型语言模型在上下文学习中重组表征几何结构
机构 * School of Psychological and Brain Sciences, Georgia Tech（佐治亚理工学院心理与脑科学学院） ； Department of Psychology, New York University（纽约大学心理学系） ； Center of Excellence for Computational Cognition, Georgia Tech（佐治亚理工学院计算认知卓越中心） ； Honda Research Institute（本田研究院） ； Departments of Neuroscience and Psychology, The University of Texas at Austin（德克萨斯大学奥斯汀分校神经科学与心理学系）
AI总结 研究大型语言模型在上下文学习中的表征几何重组，发现其性能与任务表征结构相关，并通过原型算法动态调整表征以提高可分性。
Comments Published as a conference paper at COLM 2026
TEMPER：量化推理中的情感扰动测试
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文通过构建TEMPER基准，研究情感框架对量化推理准确性的影响，发现情感扰动降低准确率2-10个百分点，但通过中性化可恢复性能，揭示情感风格影响而非内容腐败。
Comments Published as a conference paper at COLM 2026. 30 pages, 4 figures, 29 tables. Dataset: https://huggingface.co/datasets/atahandokme/temper-5400 Code: https://github.com/atahandokme/temper-colm2026
混合整数规划的更紧凸松弛：利用逻辑网络流进行任务与运动规划
机构 * George W. Woodruff School of Mechanical Engineering, Georgia Institute of Technology, USA（乔治亚理工学院机械工程学院） ； Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology, USA（乔治亚理工学院工业与系统工程学院）
AI总结 本文提出逻辑网络流框架，将时序逻辑集成到混合整数规划中，通过改进的傅里叶-莫茨金消元实现更紧的凸松弛，在多类机器人任务中大幅提升计算速度并降低内存消耗，硬件验证了实时重规划能力。
Comments 38 pages, 17 figures, 10 tables
行星环境安全导航下考虑不确定性的风险感知动力学运动规划
机构 * Daniel Guggenheim School of Aerospace Engineering（丹尼尔·古根海姆航空航天工程学院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 针对自主空间探索中环境交互与感知系统的不确定性导致的安全规划问题，提出结合AO-RRT采样规划与序列凸规划的风险感知动力学运动规划方法，可将轨迹风险降低约97%。
Comments 3 pages, 4 figures
BooST：桥接语义与运动以实现高效的技能迁移
机构 * Seoul National University（首尔大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 BooST是桥接语义与运动的两阶段框架，通过跨模态VQ-VAE生成统一技能表示并蒸馏为轻量级策略，在仿真与真实机器人场景下实现了更优的少样本适配、跨领域技能迁移及鲁棒性。
Comments Project page: https://boost-robots.github.io/
基于连续敏感属性的公平表示学习的联合分布路径
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 该研究提出一种无需条件分布的联合分布路径，以 HSIC 为实例实现公平表示学习，其收敛速度优于条件路径方法，对应算法 FRHSIC 能在保持公平性-准确性权衡的同时缩短训练时间。
权衡 proximity 与安全：人群中跟随目标行人的约束分解方法
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of California, Riverside（加州大学河滨分校） ； Stanford University（斯坦福大学） ； NVIDIA Research（英伟达研究院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 该研究针对人群中行人跟随的 proximity 与安全平衡问题，提出多约束强化学习框架，量化行人运动不确定性以增强安全性，经实验和真实机器人部署验证了方法的有效性。
Comments IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026); Project Website: https://nav-ps-balance.github.io/
面向3D脑部MRI运动伪影去除的感知运动伪影的自监督表示学习
机构 * The University of Chicago（芝加哥大学） ； Emory University（埃默里大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）
AI总结 提出SSRL-MAR自监督框架，无需配对数据或运动标签，在模拟和活体数据集上实现3D脑部MRI运动伪影去除，性能接近理想监督模型，可提升神经解剖学一致性。
AgForce 使生成抗体设计具备抗原条件
机构 * Georgia State University（佐治亚州立大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出AgForce方法，通过图神经网络和改进的解码器设计，解决传统抗体设计方法中对抗原输入忽略的问题，提升了抗体序列生成的质量和恢复能力。
ConTact: 通过显式界面推理进行接触优先的抗体CDR设计
机构 * Georgia State University, Atlanta, USA（佐治亚州立大学） ； Georgia Institute of Technology, Atlanta, USA（佐治亚理工学院） ； DePauw University, Indiana, USA（德保罗大学） ； University of Engineering（工程大学）
AI总结 本文提出ConTact，一种通过显式界面推理进行抗体CDR设计的方法，通过显式分解CDR设计为三个阶段：学习表面互补性指纹、预测CDR-抗原接触以及注入接触门控抗原特征，从而提高结构质量和表位意识。
过度自信且忽视细节：通过归纳偏好学习修复提示不敏感
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Northeastern University（东北大学） ； Uniphore（Uniphore公司）
AI总结 本文提出归纳偏好学习方法，通过优化归纳策略提升模型对罕见提示的敏感度，显著提高在VLMBias和Inverse-IFEval基准测试中的性能。
Comments 26 pages, 15 tables, 3 figures
TimePre: 联合精度、效率与稳定性在概率时间序列预测中的应用
机构 * Tohoku University（东京大学） ； WPI ； Texas A&M University（德克萨斯大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； UIUC（伊利诺伊大学香槟分校） ； Georgia Tech（佐治亚理工学院） ； MIT（麻省理工学院） ； University of Southern California（南加州大学） ； San Diego State University（圣地亚哥州立大学）
AI总结 TimePre结合MLP模型的高效性与MCL方法的分布灵活性，通过SIN层解决精度、效率与稳定性之间的平衡问题，实现在概率时间序列预测中的高精度与高速度。
Comments 25 pages, 6 figures, 16 tables
多玩家纳什偏好优化
机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所智能系统研究中心） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Harvard University（哈佛大学） ； UNC–Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出多玩家纳什偏好优化框架，扩展了传统的两玩家纳什对齐方法，通过引入多玩家博弈机制，提升对复杂非传递性人类偏好的对齐能力，并在多个基准测试中表现更优。
Journal ref ICLR 2026 Oral
基于近端策略优化（PPO）的卫星轨道优化用于空间碎片规避
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Embry-Riddle Aeronautical University（安柏瑞德航空大学）
AI总结 本研究针对轨道拥堵下卫星碰撞规避难题，提出基于PPO的强化学习策略，经高保真模拟器训练，在GEO任务中碰撞规避成功率达97.5%，优于传统方法，构建了公开可用框架
Comments 18 pages, 16 figures. Published in IEEE Access, vol. 14, pp. 18138-18154, 2026
Journal ref L. Luna, J. Ortiz Couder, and R. A. Vargas-Acosta, "Satellite Trajectory Optimization via Proximal Policy Optimization for Space Debris Avoidance," IEEE Access, vol. 14, pp. 18138-18154, 2026
面向自主无人机SysML驱动设计的基于模型的系统工程框架
机构 * Autonomous Robotics Systems Limited（自主机器人系统有限公司） ； University of Hyderabad（海得拉巴大学） ； Ideabytes Software India Private Limited（Ideabytes软件印度私人有限公司） ； Georgia Institute of Technology（佐治亚理工学院） ； Akkodis AS&D GmbH（Akkodis AS&D有限公司） ； Universiti Malaya（马来亚大学）
AI总结 本文提出一种面向自主无人机SysML驱动设计的MBSE框架，以SysML为设计主干整合开发流程，将逻辑架构映射至ROS 2，通过典型任务场景示例，实现需求分配等功能，提升早期设计的可追溯性与一致性。
Comments Accepted for presentation at the 2026 International Conference on Autonomous Aerial Vehicles (ICAAV-2026), 20-21 Aug 2026, Bengaluru, India
提升多模态RLVR的泛化鲁棒性
机构 * National University of Singapore（新加坡国立大学） ； DAMO Academy Alibaba Group（阿里巴巴达摩院） ； Hupan Lab（湖畔实验室） ； Zhejiang University（浙江大学） ； University of California Berkeley（加州大学伯克利分校） ； Rochester Institute of Technology（罗切斯特理工学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Renmin University of China（中国人民大学） ； Hong Kong University of Science and Technology（香港科技大学）
AI总结 针对多模态RLVR泛化鲁棒性不足的问题，提出含动态三元奖励与一致性正则化器的PIRL方法，压力测试与动态评估中其性能下降幅度均小于GRPO。
Comments 32 pages, 5 figures
跨学生设计的基于特征的知识蒸馏的对照研究
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 该研究在CIFAR-100上对照分析不同特征知识蒸馏方法对不同学生模型的影响，发现FitNets弱于logit KD、注意力迁移效果因模型而异，固定辅助系数无法实现统一训练条件。
Comments 7 pages, 3 figures, 2 tables
学习物理交互：触觉与力感知机器人学习综述
机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Tokyo（东京大学） ； ETH Zurich（苏黎世联邦理工学院） ； Harvard University（哈佛大学） ； Imperial College London（伦敦帝国学院） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Technical University of Darmstadt（达姆施塔特工业大学）
AI总结 本综述针对力与触觉感知机器人学习研究的空白，提出TF-ART分类法，整合多模态感知与多阶段系统设计视角，兼具算法与实践意义。
Comments 53 pages, 7 figures
基于扩散桥模型的十步采样MRI超分辨率
机构 * The University of Chicago（芝加哥大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Emory University（埃默里大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Mayo Clinic（梅奥诊所）
AI总结 该研究针对MRI扫描时间与分辨率的权衡问题，提出仅需十步采样的超分辨率扩散桥模型SR-DBM，在7T脑和前列腺MRI数据集上的量化指标与视觉效果均优于九种对比方法。
无任何监督的在线策略自蒸馏
机构 * UC San Diego（加州大学圣迭戈分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Maryland, College Park（马里兰大学帕克分校） ； ByteDance（字节跳动）
AI总结 本研究提出无监督在线策略自蒸馏（U-OPSD），仅用模型自身生成结果实现在线策略自蒸馏，在多数学基准上优于基础模型，部分场景超越OPSD、GRPO等监督方法。
Comments Project page at https://williamium3000.github.io/u-opsd/ and code at https://github.com/williamium3000/u-opsd
社会推理从何而来？语言模型中的能力来源
机构 * Georgia Institute of Technology, College of Computing（佐治亚理工学院计算学院） ； MATS Program（MATS项目） ； EleutherAI ； KAIST AI（韩国科学技术院人工智能学院） ； Georgia Tech AI Safety Initiative（佐治亚理工学院人工智能安全倡议）
AI总结 通过训练数据归因方法，发现OLMo3-7B中社会推理和STEM推理依赖于不同的预训练语料区域，且推理层面的差异比知识层面更显著。
Comments 120 pages. Published as a conference paper at COLM 2026
通过时空稀疏自编码器解释视频表示
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文系统研究了稀疏自编码器在视频表示中的应用，提出时空对比目标和Matryoshka分组方法，提升时间一致性并改进动作分类和文本-视频检索性能。
Comments 9 pages, 3 figures. Camera-ready version, ACM Multimedia 2026 (MM '26)
Journal ref Proceedings of the 34th ACM International Conference on Multimedia (MM '26), 2026
Attn-QAT：4位注意力与量化感知训练
机构 * Stanford University（斯坦福大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 Attn-QAT通过稳定4位量化感知训练实现高效的注意力计算，提升模型推理速度并保持性能。
LineGraph2Road：基于线路图的结构图推理用于道路网络提取
机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 LineGraph2Road通过构建全局稀疏欧几里得图并应用图变换器，提升道路网络提取的连通性预测，解决长距离依赖和复杂拓扑问题，实现高精度道路提取。
地形约束塑造听觉模型中类脑的组件结构
机构 * Cognition and Brain Science, School of Psychology, Georgia Tech（认知与脑科学系，心理学学院，佐治亚理工学院） ； Computational Cognition, Georgia Tech（计算认知学，佐治亚理工学院） ； Neuroscience Institute and Department of Psychology, Carnegie Mellon University（神经科学研究所和心理学系，卡内基梅隆大学）
AI总结 该研究探究地形约束对听觉神经网络模型的影响，提出TopoAudio模型，发现其性能与标准模型相当且内部表示更紧凑、组件与人类ECoG记录对齐更紧密，为人工神经网络生成生物对齐表示提供了机制证据。
大型语言模型中类人指代消解
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本研究探究话语结构等认知科学确定的指代消解影响因素对GPT-2-XL等五个开源权重LLM的作用，发现部分LLM对部分因素具类人敏感性，明确了LLM近似人类指代消解的条件。
Comments 7 pages, 6 figures, 1 table. Presented at CogSci 2026 and the 2026 Annual Meeting of the Society for Text & Discourse. Code: https://github.com/wristy/anaphor
用于社会模拟的语言模型角色引导
机构 * Georgia Institute of Technology（佐治亚理工学院） ； ML Alignment & Theory Scholars (MATS)（ML对齐与理论学者组织（MATS）） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Oxford（牛津大学） ； Google DeepMind（谷歌DeepMind） ； OpenAI（开放人工智能公司）
AI总结 该研究提出针对语言模型智能体的角色引导筛选工作流，在OLMo-3-7B-Instruct上验证其角色画像对齐度更高且词汇多样性更好，发现需按角色选引导系数而非统一高强度设置。
Comments 35 pages. Published at the Social Sim'26 Workshop, COLM 2026. Code: https://github.com/eilab-gt/casting-call-vectors
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