高校专区
AstroSplat：基于物理的高斯散射用于小天体的渲染与重建
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出AstroSplat，一种基于物理的高斯散射框架，利用行星反射模型提升小天体表面的自主重建和光谱特性分析，通过NASA Dawn任务的真实图像验证了其在渲染性能和表面重建精度上的优势。
Comments 10 pages, 6 figures, conference
基于大语言模型的时间序列事件建模中的时间标记策略
机构 * Capital One ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文研究了大语言模型中时间序列事件建模的时间标记策略，通过对比不同编码方法发现，标记器需与数据统计特性匹配才能提升预测性能。
EconWebArena：在现实网络环境中评估自主代理在经济任务上的基准测试
机构 * Capital One ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出EconWebArena基准，通过360个精心挑选的任务测试自主代理在经济任务中的能力，强调权威数据源和基于网络的经济推理，评估多种多模态LLM的表现，揭示性能差距和挑战。
连续潜在上下文使Transformer实现高效的在线学习
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； Columbia University（哥伦比亚大学）
AI总结 本文研究连续潜在上下文是否能提升Transformer的在线学习能力，通过构造常深Transformer实现加权多数算法和Q学习，并在合成数据上优于大模型。
Comments 37 pages, 15 figures, 3 tables
基于探索的优化用于测试时大语言模型推理
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出EDO框架，通过扩展奖励偏差探索目标到迭代后训练，提升大语言模型推理中的探索与利用平衡，实验表明ED-iDPO和ED-GRPO在推理能力和多样性上优于基线模型。
Comments Accepted by TMLR 2026
DRIVE-C：面向自动驾驶的受控干扰数据集
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 DRIVE-C数据集通过受控的视觉干扰评估自动驾驶系统感知鲁棒性，包含10个干净视频片段和600个受干扰片段，支持鲁棒性基准测试、降质感知建模和传感器健康监测。
SWIFT: 用于高效交互长视频生成的提示自适应内存
机构 * University of Science and Technology of China（中国科学技术大学） ； Fudan University（复旦大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 SWIFT提出一种无需训练的多提示长视频生成框架，通过轻量级语义注入缓存和自适应动态窗口实现高效语义切换，保持时间一致性，达到22.6 FPS的高效生成速度。
Comments Code is available at https://github.com/ShanwenTan/SWIFT
通过均值场采样学习合作多智能体强化学习中的近似纳什均衡
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学）
AI总结 本文研究了在通信受限条件下，通过均值场采样方法学习合作多智能体强化学习中的近似纳什均衡，证明了该方法能收敛到近似纳什均衡，并在多机器人控制中进行了验证。
Comments 57 pages, 10 figures, 4 tables
SAGE：可解释且临床可转化的计算病理学生物标志物发现代理框架
机构 * Emory University（埃默里大学） ； Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA（NVIDIA公司） ； University of Arkansas at Little Rock（阿拉伯州立大学）
AI总结 SAGE通过生物证据引导生物标志物发现，结合多代理系统生成和评估假设，实现结构化、可追溯的病理学研究方法。
生成对抗式后训练缓解实时人机音乐交互中的奖励黑客
机构 * Mila, Quebec Artificial Intelligence Institute, Université de Montréal（蒙特利尔大学人工智能研究所，魁北克机器学习研究院） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） ； Massachusetts Institute of Technology（麻省理工学院） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Washington（华盛顿大学） ； McGill University（麦吉尔大学） ； Independent Researcher（独立研究者）
AI总结 本文提出一种对抗训练方法，通过政策生成轨迹缓解生成序列模型后训练中的奖励黑客问题，提升音乐伴奏的多样性与和谐性。
Comments v3: fix the Figure numbering bugs
结构对齐提升图测试时间适应
机构 * Georgia Tech（佐治亚理工学院） ； UIUC（伊利诺伊大学香槟分校）
AI总结 本文提出结构对齐方法，通过在推理时调整图结构来提升图测试时间适应性能，无需重新训练，有效应对分布偏移问题。
Comments Accepted to AISTATS 2026
PolyMATH：一个具有挑战性的多模态数学推理基准
机构 * Arizona State University（亚利桑那州立大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 PolyMATH基准通过5000张高质量图像评估多模态大语言模型的推理能力，揭示其在空间关系和抽象推理上的不足，指出模型无法真正理解视觉信息，存在逻辑错误风险。
Comments Accepted in Neural Information Processing Systems (NeurIPS 2025) Workshop: Foundations of Reasoning in Language Models
AgentReview: 探索基于LLM代理的同行评审动态
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Science and Technology of China（中国科学技术大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； William & Mary（威廉与玛丽学院）
AI总结 本文提出AgentReview框架，通过LLM模拟同行评审过程，揭示评审者偏见导致论文决策37.1%的变异，结合社会学理论提升评审机制设计。
Comments Accepted at EMNLP 2024 Main Track (Oral). https://agentreview.github.io/
平滑边缘：基于因子图的高斯过程运动先验的连续时间估计
机构 * University of Toronto（多伦多大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出基于因子图的高斯过程连续时间估计方法，通过简化解释和三个GTSAM示例，提升非参数方法在机器人中的应用。
Transformer的学习理论：通过Softmax分区统一实现局部到全局近似
机构 * School of Mathematics, Georgia Institute of Technology（佐治亚理工学院数学系）
AI总结 本文研究了Transformer网络在紧致欧几里得域和紧致黎曼流形上的回归任务学习理论，提出了一种新的构造近似框架，通过Softmax分区统一将局部近似聚合为全局近似，证明了密集Transformer能以O(ε^{-d/α})参数实现α-Holder连续函数的均匀ε-近似。
通过4D点云同时监测形状和表面颜色：一种无需配准的方法
机构 * Department of Statistical Sciences, University of Padua（帕多瓦大学统计科学系） ； School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院工业与系统工程学院）
AI总结 本文提出一种无需配准的框架，利用4D点云同时监测形状和颜色，通过拉普拉斯-贝特拉米算子的谱特性捕捉几何特征和形状与颜色的关系，有效检测形状变形和颜色异常。
Comments 38 pages, 11 figures
RewardHarness: 自我进化代理的后训练
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； Kolors Team, Kuaishou Technology（快手团队） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Waterloo（滑铁卢大学） ； Etude AI ； Tsinghua University（清华大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 RewardHarness通过自我进化代理框架，利用少量人类偏好示例迭代优化工具库，实现高效图像编辑评估，准确率达47.4%，超越GPT-5 5.3个百分点。
Comments Project page: https://rewardharness.com
FLARE：通过代数测试向量实现Systolic数组中的一次性PE级故障定位
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出FLARE方法，通过代数测试向量实现Systolic数组中PE级故障定位，利用互质整数生成测试输入，有效区分故障行，适用于INT16运算，定位概率超过98%。
FlashEvolve：通过异步阶段协调加速智能体自我进化
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出FlashEvolve框架，通过异步工作流和队列降低智能体自我进化的时间成本，提升吞吐量和token效率，在GEPA任务中实现3.5倍和4.9倍的提升。
MathConstraint：为LLMs自动生成验证的组合推理实例
机构 * Georgia Institute of Technology, USA（佐治亚理工学院） ； KNOWIDEA Technologies（KNOWIDEA技术公司）
AI总结 MathConstraint是一个用于评估LLMs组合推理能力的严格适应性基准，通过结合约束满足问题和严格求解器验证，生成持续具有挑战性的实例，展示基准生成器对LLM推理能力进步的鲁棒性。
PHMForge：通过MCP原生、算法基础的工具评估LLM代理在工业预测维护中的表现
机构 * Columbia University（哥伦比亚大学） ； Georgia Institute of Technology（佐治亚理工学院） ； IBM, New York（IBM，纽约）
AI总结 PHMForge通过MCP原生工具评估LLM代理在工业预测维护中的可靠性，揭示了静态检索在预测计算中的局限性，展示了不同框架和模型的表现差异。
Comments 23 pages, 3 figures
批量贝叶斯主动学习与部分批量标签采样
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出ParBaLS方法，用于改进EPIG算法在大规模批量中的性能，通过实验验证其在固定预算下优于其他方法，适用于基于大预训练模型的贝叶斯逻辑回归。
无投影函数约束优化用于风险规避和稀疏性控制
机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（赫尔曼·米利顿·斯图尔特工业与系统工程学院，佐治亚理工学院） ； College of Management of Technology, EPFL（技术管理学院，苏黎世联邦理工学院）
AI总结 本文提出无投影方法解决函数约束优化问题，针对凸和非凸目标，提出LCG和IPP-LCG方法，展示了迭代复杂度并验证了在投资组合选择和IMRT中的稀疏性与风险平衡。
主动多预测驱动推断
机构 * The MITRE Corporation（MITRE公司） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出主动多预测驱动推断（AM-PPI），通过在部署时根据成本选择合适的预测子集，优化标签获取和预测权重，实现更高效的医疗AI监控。
NeuroGAN-3D: 通过高保真3D生成超分辨率增强内在功能脑网络
机构 * Georgia State University（佐治亚州立大学） ； Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS)（神经影像与数据科学转化研究三机构中心（TReNDS）） ； Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学）
AI总结 本文提出NeuroGAN-3D，利用生成对抗网络提升rs-fMRI空间图的分辨率，以更精确地局部化功能单元和检测神经生物学变化。
Comments Accepted in ICCABS 2026: The 14th International Conference on Computational Advances in Bio and Medical Sciences
现在是什么时候？数据几何如何使流匹配的时间条件化成为可选的
机构 * Georgia Tech（佐治亚理工学院） ； IBM Research（IBM研究院）
AI总结 研究通过分析高维数据几何特性，证明时间盲流匹配模型在实践中表现优异，核心方法揭示了时间可直接从噪声观测中识别，主要贡献是证明时间盲训练的误差可忽略。
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