高校专区
IPO-Mine：用于长多模态IPO文档的章节结构化分析的工具包和数据集
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Sai University（赛大学） ； Duke University（杜克大学）
AI总结 本文提出IPO-Mine工具包和数据集，通过标准化解析IPO文件为章节结构化文本和图像，构建大规模多模态数据集，并建立图表评估任务，揭示多模态模型在长文档分析中的对齐挑战。
Comments 12 pages
强化学习的最优数据获取：大偏差视角
机构 * School of Management, Fudan University（复旦大学管理学院） ； H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院H. Milton Stewart工业与系统工程学院）
AI总结 针对强化学习中数据获取效率问题，提出基于大偏差理论的统一框架，通过策略选择错误概率的指数衰减率作为效率指标，推导变分特征并设计自适应数据获取策略，证明其近鲁棒最优性。
解聚能走多远？面向高效 MoE LLM 服务的 Attention-FFN 解聚设计空间探索
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Intel（英特尔） ； Google（谷歌） ； Google DeepMind（谷歌DeepMind） ； Infravana
AI总结 本文系统探索了从分块预填充、预填充-解码解聚到算子级 Attention-FFN 解聚 (AFD) 的不同解聚层次在 MoE 模型推理中的收益与局限，通过融合设备内核测量与高保真网络仿真的框架，在严格 TTFT/TPOT SLO 下 AFD 可在 DeepSeek-V3.2 上维持约 4k tokens/s 的系统吞吐量，并给出了联合优化吞吐与交互性的具体设计原则。
通过结构化运动描述实现无编码器的人体运动理解
机构 * Aalto University（阿alto大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出结构化运动描述（SMD），将关节位置序列转换为结构化自然语言描述，使大语言模型无需专用编码器即可直接进行运动推理，在运动问答和字幕生成任务上超越现有方法。
相关并不保证：引用RAG的证据力度校准
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Dartmouth College（达特茅斯学院） ； Cornell University（康奈尔大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Glasgow（格拉斯哥大学）
AI总结 针对引用RAG中证据力度不足的问题，提出FORCEBENCH基准测试，通过对比证据校准声明与力度增强变体，评估模型在五个操作轴上的单调性，发现标准支持提示不足以校准证据力度。
探索性经验塑造预测表征的几何结构
机构 * School of Mathematics Georgia Institute of Technology（数学系佐治亚理工学院） ； College of Computing Georgia Institute of Technology（计算学院佐治亚理工学院）
AI总结 通过构建树状迷宫中的在线学习智能体，研究探索与利用行为策略如何影响基于预测编码的内部表征几何结构，发现探索行为促进更具空间组织性的表征，且与小鼠实验数据一致。
ReSAE: 用于多层Transformer干预的残差化稀疏自编码器
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 针对多层稀疏自编码器（SAE）在Transformer中因层间耦合导致的冗余和交互问题，提出残差化稀疏自编码器（ReSAE），通过拟合层间仿射映射并训练SAE于残差上，减少解码器冗余并提升多层替换下的交叉熵恢复。
遗传算法与梯度下降在针对小医学数据集低数据量场景的神经网络架构训练中的比较
机构 * Center for Medical Physics and Biomedical Engineering, Medical University of Vienna（医学物理与生物医学工程中心，维也纳医科大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 针对DEBI-NN架构，比较遗传算法与梯度下降在分类任务中的性能，发现遗传算法在决策边界和分类准确率上显著优于梯度下降。
基于记忆 vs. 仅上下文条件化在有状态个性化中产生不同的行为模式
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 通过比较上下文条件化和基于记忆的条件化在教师面向教育推荐系统中的行为，发现上下文推荐对当前问题响应更强，而基于记忆的推荐表现出历史依赖行为，包括相同输入下的学习者特异性分化。
Comments Accepted to ITS 2026
利用LLM引导的模型补丁实现大规模重新优化的大众化
机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（赫尔曼·米利特·斯图尔特工业与系统工程学院，佐治亚理工学院） ； Department of Operations and Decision Systems, Université Laval（运营与决策系统系，拉瓦尔大学）
AI总结 提出一个基于大语言模型的代理重新优化框架，通过自然语言交互和优化工具箱，使非专家用户能够动态更新和重新优化部署的优化模型，并在两个大规模实际案例中验证了其有效性和可扩展性。
带宽预算下的联邦语言模型：蒸馏率与共形覆盖
机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H. Milton Stewart工业与系统工程学院，佐治亚理工学院）
AI总结 本文研究带宽受限节点间分布式语言模型的统计保证，提出联邦探针-对数蒸馏（FPLD）和联邦共形RAG（FC-RAG）两种协议，分别给出训练时的KL一致性率和推理时的无分布边际覆盖界，首次将带宽作为一阶统计参数。
信任区域持续学习作为隐式元学习器
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出信任区域持续学习，通过结合生成重放和Fisher度量信任区域约束，实现隐式元学习效果，在任务增量扩散图像生成和持续扩散策略控制中取得最佳性能。
Comments 21 pages, 21 tables
CALM-IT: 通过双角色对话动态追踪生成逼真的长形式动机访谈对话
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Northwell Health（北well健康） ； Columbia University（哥伦比亚大学）
AI总结 提出CALM-IT框架，通过显式建模客户与咨询师状态的演变来生成和评估长形式动机访谈对话，在8,232个合成对话语料上优于基线方法，尤其在MITI 4.2全局评分和客户接受率上表现最佳。
Comments 53 pages, in submission to EMNLP
Camellia: 亚洲语言中LLMs文化偏见的基准测试
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Samsung R&D Institute Philippines（三星菲律宾研发院） ； Sungkyunkwan University（成均馆大学） ； Tohoku University（东北大学） ； National University of Singapore（新加坡国立大学） ； University of Copenhagen（哥本哈根大学） ； University of Michigan（密歇根大学） ； Indian Institute of Technology Delhi（印度理工学院德里） ； Institute of Science Tokyo（东京科学研究院）
AI总结 提出Camellia基准，通过三个任务评估九种亚洲语言中多语言大模型对亚洲与西方文化实体的偏见，发现模型存在文化适应困难、情感关联差异及实体提取性能差距。
模仿与微调模型预测控制实现鲁棒且对称的四足运动
机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出模仿与微调模型预测控制（IFM）框架，结合模型预测控制与模仿学习及强化学习，提升四足机器人在复杂地形上的运动性能、对称性和能效。
Journal ref IEEE Robotics and Automation Letters ( Volume: 8, Issue: 11, November 2023
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