高校专区
误导比纠正更容易：LLM 从众中的有害与有益修正
机构 * Amazon（亚马逊） ； Georgia Institute of Technology（佐治亚理工学院） ； Illinois Institute of Technology（伊利诺伊理工学院）
AI总结 通过控制实验，研究大语言模型在多智能体系统中面对同伴答案时的从众行为，发现同伴一致意见更容易误导原本正确的模型，而权威标签使模型更倾向于选择被认可的答案，且通用推理干预无法可靠地减少有害修正。
从单视角视频中基于3D无标记运动学的罗达和格雷厄姆步态分类量化
机构 * Department of Biomedical Informatics, Emory University（埃默里大学生物医学信息学系） ； Shriners Children’s（夏皮罗儿童医院） ； The Wallace H. Coulter Department of Biomedical Engineering, Emory University and Georgia Institute of Technology（埃默里大学和佐治亚理工学院的沃克·H·库勒生物医学工程系）
AI总结 本文提出了一种基于单视角视频的无标记步态分析方法，用于量化罗达和格雷厄姆步态分类中的膝踝z分数，从而在资源有限的临床环境中实现可扩展的客观步态评估。
Comments 29 pages, 8 figures, 9 tables (including 1 supplementary table); manuscript prepared in PLOS ONE format
CHIMERA-Bench：一种针对表位特异性抗体设计的基准数据集
机构 * Georgia State University（佐治亚州立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Engineering and Technology（工程与技术大学） ； Lahore University of Management Sciences（拉合尔管理科学大学）
AI总结 本文提出CHIMERA-Bench，一个统一的抗体设计基准，包含2922个抗原-抗体复合物数据，测试泛化能力，并评估多种生成方法的通用性。
基于大语言模型的游戏智能体综述
机构 * Georgia Institute of Technology USA（佐治亚理工学院美国分校） ； Cisco Research USA（思科研究美国分公司）
AI总结 综述基于大语言模型的游戏智能体，提出统一参考架构，从单智能体（记忆、推理、感知-行动接口）和多智能体（通信协议、组织模型）层面总结研究，并建立挑战导向的分类法连接六种游戏类型与智能体需求。
Comments ACM Computing Surveys, 2026
AMix-1: 迈向测试时可扩展的蛋白质基础模型
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Generative Symbolic Intelligence Lab (GenSI), Tsinghua University（生成符号智能实验室（GenSI），清华大学） ； Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学） ； Tsinghua University（清华大学） ； Fudan University（复旦大学） ； Tianjin University（天津大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； City University of Hong Kong（香港城市大学）
AI总结 提出基于贝叶斯流网络的蛋白质基础模型AMix-1，通过预训练缩放律、涌现能力分析、上下文学习机制和测试时缩放算法，实现1.7B参数模型，并设计出活性提高50倍的AmeR变体。
通过核稳定流匹配从稀疏观测中建模随机条件动力学
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Sandia National Laboratories（桑地亚国家实验室）
AI总结 提出条件变量流匹配（CVFM）框架，通过联合采样状态和条件变量流，利用条件不匹配核和Wasserstein距离重加权目标，从稀疏非配对数据中学习条件分布的时间演化，在材料结构建模中表现更优。
Comments Accepted to Transactions on Machine Learning Research (2026); OpenReview: https://openreview.net/forum?id=3A6oAS2TWo
Journal ref Transactions on Machine Learning Research, 2026
基于高斯进化专家的浮力辅助机器人快速协同设计以应对挑战性运动
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Los Angeles（加州大学洛杉矶分校） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出高斯进化专家（GES）框架，通过解耦设计空间划分与策略学习，在浮力辅助轻量腿单元（BALLU）上实现5-25%性能提升，并缩短37%设计优化时间。
Comments Submitted to RA-L
三维水杂波环境中的波动机器人运动
机构 * Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机器研究所，佐治亚理工学院） ； School of Physics, Georgia Institute of Technology（Georgia理工学院物理系） ； George W. Woodruff School of Mechanical Engineering, Georgia Institute of Technology（佐治亚理工学院乔治·W·伍德鲁夫机械工程学院） ； School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院） ； Department of Mechanical and Industrial Engineering, Northeastern University（东北大学机械与工业工程系） ； Ransom Everglades School（拉森·伊弗格莱德学校）
AI总结 提出AquaMILR机器人，通过可编程体顺应性和深度调节，在三维水杂波环境中实现快速鲁棒的前进运动，并利用惯性滚动作为自发恢复机制。
代理Benders分解
机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology, Atlanta, USA（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，美国亚特兰大） ； Department of Operations and Decision Systems, Université Laval, Quebec, Canada（运营与决策系统系，拉瓦尔大学，加拿大魁北克）
AI总结 针对Benders分解中子问题重复求解导致收敛慢的问题，提出代理Benders分解（Proxy-BD），用自监督预测-投影-补全机制生成可行对偶解，在保持理论有效性的同时大幅降低计算开销。
SlideAgent：用于多页视觉文档理解的分层代理框架
机构 * Georgia Institute of Technology（佐治亚理工学院） ； J.P. Morgan AI Research（摩根大通AI研究）
AI总结 提出SlideAgent，一种用于多模态多页文档（如幻灯片）理解的分层代理框架，通过全局、页面和元素三级推理构建结构化表示，在专有和开源模型上分别提升7.9%和9.8%的准确率。
Comments ACL 2026 Main Conference. https://slideagent.github.io/
将基于模型的控制与多智能体强化学习相结合以实现多智能体协作团队策略
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Sandia National Laboratories（桑地亚国家实验室）
AI总结 提出一种结合多智能体强化学习与模型预测控制的框架（MA-AC-MPC），通过扩展演员-评论家模型预测控制实现安全、动态可行的协作策略，并在追逃场景和异构环境中验证其优于多层感知机模型。
Comments 12 pages, 8 figures, 7 tables
通过探针目标归因定位大型语言模型中的提示歧义
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出PRIG方法，利用线性探针和梯度归因，通过中间表示而非输出层定位提示中的歧义位置，在合成和人工基准上取得高AUROC。
Comments 23 pages, 5 figures, 5 tables
EVE: 一种生成策略的生成-验证系统
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Toyota Research Institute（丰田研究院） ； Symbotic Inc.（Symbotic公司）
AI总结 本文提出EVE系统，通过生成-验证框架在测试时提升预训练生成策略的性能，利用零样本视觉语言模型验证者进行动作优化，无需额外训练。
ABBEL: 为高效交互学习自然语言信念状态
机构 * University of California, Berkeley（加州大学伯克利分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出ABBEL框架，通过显式自然语言信念状态直接监督每个摘要的信息内容，以解决传统方法在生成摘要时信息丢失或更新错误的问题，从而在保持高效内存使用的同时提升交互性能。
学习预测性视觉-运动协调
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Georgia Tech（佐治亚理工学院） ； Meta AI
AI总结 本文提出了一种基于预测的视觉-运动协调建模任务，通过结合第一人称视觉和运动学观测预测头部姿态、目光方向和上半身运动，展示了多模态整合在理解视觉-运动协调中的重要性。
Comments CVPR 2026 Findings
二元高斯卷积合成：一种基于LLM的数据增强框架，用于慢性肾病早期透析预测
机构 * Department of Industrial & Management Systems Engineering, West Virginia University（威斯康星大学工业与管理系统工程系） ； Department of Electrical and Computer Engineering, Concordia University（康科迪亚大学电气与计算机工程系） ； Department of Computer Science, University of California, Davis（加州大学戴维斯分校计算机科学系） ； School of Mathematical & Data Sciences, West Virginia University（威斯康星大学数学与数据科学学院） ； School of Systems Science and Industrial Engineering, The State University of New York at Binghamton（纽约州立大学布法罗分校系统科学与工业工程学院） ； H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院H.米尔顿·斯图尔特工业与系统工程学院）
AI总结 本文提出Binary Gaussian Copula Synthesis (BGCS)，一种专为二元临床数据设计的两阶段数据增强方法，通过生成合成少数类样本并过滤不合理的样本，提高了早期透析预测的性能。
通过降阶线性最优控制引导视频生成模型的激活
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出LA-LQR框架，将文本到视频推理建模为动态系统，通过降阶最优控制实现最小干预的激活引导，减少不安全内容生成同时保持视觉质量。
OpenRFM：剖析关系型上下文学习
机构 * Michigan State University（密歇根州立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Purdue University（普渡大学） ； George Mason University（乔治·马歇尔大学）
AI总结 本文通过分析关系型Transformer的模型和数据两方面问题，提出双阶段上下文学习架构和同质性感知预训练混合策略，构建OpenRFM模型，在关系型基础模型上平均任务性能提升约30%。
Comments 25 pages, including appendix
MM-BizRAG：面向通用企业问答的多模态检索增强生成再思考
机构 * JPMorgan Chase & Co.（摩根大通公司） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出MM-BizRAG框架，通过文档结构感知分割和布局感知解析，结合统一LLM驱动的工件转换与推理时多模态组装，无需微调即可提升企业文档问答性能，在异构企业数据集和两个公开基准上超越基线最多32个百分点。
Comments Accepted at ACL 2026 (Industry Track)
EpiFormer: 通过几何深度学习学习抗原-抗体相互作用进行表位预测
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 提出EpiFormer编码器-解码器框架，通过GNN层间交叉注意力实现抗原-抗体双向信息流，结合稀疏感知目标，在表位预测任务上F1分数提升超40%。
OckBench：衡量LLM推理效率
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； NVIDIA（英伟达）
AI总结 提出OckBench基准，联合评估推理和编码任务中的准确性与token效率，揭示当前模型token利用率低下问题。
通过自蒸馏使专家推理可学习
机构 * Georgia Institute of Technology, Atlanta, Georgia（佐治亚理工学院，亚特兰大，佐治亚州）
AI总结 提出分布对齐模仿学习（DAIL），通过两步自蒸馏方法弥合专家解决方案与模型分布之间的差距，利用少量高质量专家数据显著提升大语言模型的推理能力。
Comments ICML 2026
面向搜索增强型大语言模型推理的自适应信息控制
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出基于信息效用的自适应控制框架DeepControl，通过控制检索的广度与分辨率，提升搜索增强推理的性能与训练稳定性。
Comments Work in progress
基于简化模型预训练与模型同伦启发迁移的足式机器人动态策略学习
机构 * Department of Mechanical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（机械工程系，韩国科学技术院（KAIST）） ； School of Interactive Computing, Georgia Institute of Technology（交互计算学院，佐治亚理工学院）
AI总结 提出一种延续学习框架，结合简化模型预训练和模型同伦启发迁移，高效生成和优化足式机器人的复杂动态行为，并在真实四足机器人上验证了翻转和墙面辅助等动态任务。
Comments 8 pages
Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 7, pp. 8068-8075, July 2026
面向受限环境的鲁棒全身体动态运动的反应任务与运动规划
机构 * George W. Woodruff School of Mechanical Engineering, Georgia Tech, USA（佐治亚理工学院机械工程学院） ； Department of Applied Mathematics, University of Waterloo, Canada（滑铁卢大学应用数学系） ； Department of Aerospace Engineering and Engineering Mechanics, UT Austin, USA（得克萨斯大学奥斯汀分校航空航天工程与工程力学系） ； Institute for Computational Engineering and Sciences, UT Austin, USA（得克萨斯大学奥斯汀分校计算工程与科学研究所）
AI总结 本文提出了一种基于时序逻辑的游戏框架，用于在受限和动态变化的环境中进行全身体动态运动的任务规划与控制，通过符号系统的方法确保运动行为的正确性。
Comments 49 pages, 23 figures, 1 table
基于感知注意力的预测控制
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出了一种新的信息处理架构，用于安全的深度学习视觉导航系统，通过模型预测控制（MPC）、卷积神经网络（CNNs）和不确定性量化方法，实现基于感知注意力的预测控制算法，提高了系统对不安全状况的快速检测能力。
多目标机器人任务的稳定并发控制器组合
机构 * Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机器研究所，佐治亚理工学院）
AI总结 本文提出了一种稳定且并发的控制器组合方法，用于多目标机器人任务，通过分解任务为子任务并独立设计子任务控制器，再利用RMPflow框架结合生成整体控制策略，同时通过CLF分析确保系统稳定性。
Comments The 58th IEEE Conference on Decision and Control (CDC), 2019
具有应用的障碍证书自适应强化学习：Brushbot导航
机构 * School of Electrical Engineering, Royal Institute of Technology（皇家理工学院电气工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； RIKEN Center for Advanced Intelligence Project（日本理化学研究所高级智能研究中心） ； School of Mechanical Engineering（机械工程学院）
AI总结 本文提出了一种安全学习框架，结合自适应模型学习算法和障碍证书，用于具有可能非平稳智能体动态的系统。通过稀疏优化技术提取模型的动态结构，并利用学习的模型结合控制障碍证书来约束策略（反馈控制器），以保持安全性，即避免特定的不利状态空间区域。在某些条件下，保证了在安全被非平稳性破坏后，以李雅普诺夫稳定性的方式恢复安全。此外，将动作-价值函数近似重新公式化，使任何基于内核的非线性函数估计方法都能应用于我们的自适应学习框架。最后，保证了障碍证书策略优化的解是全局最优的，确保在温和条件下进行贪心策略改进。所得到的框架通过四旋翼无人机的模拟进行验证，该无人机此前在安全学习文献中被假设为平稳性，然后在动态未知、高度复杂且非平稳的Brushbot机器人上进行测试。
Comments ©2019 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works
Journal ref Published in IEEE Transactions on Robotics, 2019
通过混合整数凸优化实现鲁棒多足运动的同步接触、步态和运动规划
机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology, Atlanta, GA 30332 USA（电气与计算机工程系，佐治亚理工学院，亚特兰大，GA 30332 USA） ； Twentieth Century Fox, Springfield, USA（二十世纪福克斯，斯普林菲尔德，USA） ； Starfleet Academy, San Francisco, CA 96678 USA（星际舰队学院，旧金山，CA 96678 USA） ； Tyrell Inc., 123 Replicant Street, Los Angeles, CA 90210 USA（泰勒尔公司，123 复制人街，洛杉矶，CA 90210 USA）
AI总结 本文提出了一种混合整数凸优化方法，用于同时规划多足机器人的接触位置、步态转换和运动，以提高运动的通用性并保持低计算时间。
Comments 8 pages, IEEE Robotics and Automation Letters
RMPflow：一种用于自动运动策略生成的计算图
机构 * NVIDIA, Seattle Robotics Lab（NVIDIA西雅图机器人实验室） ； Georgia Institute of Technology, Robot Learning Lab（佐治亚理工学院机器人学习实验室） ； University of Washington, Robotics and State Estimation Lab（华盛顿大学机器人与状态估计实验室）
AI总结 本文提出了一种基于Riemannian Motion Policies几何一致变换的新型策略合成算法RMPflow，通过结合局部策略生成全局策略并利用稀疏结构提高计算效率，同时研究了其几何性质并验证了在高自由度 manipulation 系统中通过障碍物规划的简化效果。
Comments WAFR 2018
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