高校专区
迈向AI辅助中微子味理论设计
机构 * Department of Physics and Astronomy, University of California, Irvine（加州大学 Irvine 分校物理与天文学系） ； Particle Theory Department, Fermilab（费米实验室粒子理论部门） ； Georgia Institute of Technology（佐治亚理工学院） ； Physics Division, Lawrence Berkeley National Laboratory（伯克利国家实验室物理部）
AI总结 本文提出AMBer框架，利用强化学习在物理软件管道中高效搜索模型空间，减少自由参数，验证了其在中微子味理论中的有效性。
Comments 28 pages, 12 Figures
超越转向向量：基于流的激活转向用于推理时间干预
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出FLAS，一种基于流的激活转向方法，通过学习通用概念条件化的速度场来运输未转向的激活到转向的激活，从而在AxBench上超越了提示方法。
通过分布对齐对抗蒸馏估计黑盒大语言模型的不确定性
机构 * School of Computer Science and Technology, Tianjin University, China（天津大学计算机科学与技术学院） ； School of Future Technology, Tianjin University, China（天津大学未来技术学院） ； Georgia Tech Shenzhen Institute, Tianjin University, China（Georgia Tech深圳研究院） ； School of Artificial Intelligence, Tianjin University, China（天津大学人工智能学院）
AI总结 本文提出DisAAD方法，通过生成-判别架构引导轻量级代理模型学习黑盒LLM的输出分布高质量区域，从而有效估计其不确定性。实验表明，即使代理模型仅占目标LLM大小的1%，也能实现可靠的不确定性量化。
Comments Accepted to ACL 2026
查询的解剖学：用于文本到SQL评估的W5H维度和FAR模式
机构 * Emory University（埃默里大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出QUEST框架，通过FAR结构不变性和W5H维度分析文本到SQL查询，发现医疗查询在时间维度和人本维度占比高，而因果和机制推理表现低。
Comments 13 pages
面向ADAS的安全关键摄像头可靠性监控：通过退化感知不确定性模式分析
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出一种主动摄像头可靠性监控框架，通过退化诱导的不确定性模式分析预估感知风险，引入全局传感器健康指数GSHI，利用风险感知的乘法公式聚合退化严重性，实验显示GSHI在严重性增加时单调下降，且在YOLOv8检测故障前提供积极预警。
ViTok-v2：将原生分辨率自编码器扩展到50亿参数
机构 * University of Texas, Austin（德克萨斯大学奥斯汀分校） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Spellbrush ； Meta Superintelligence Labs（Meta超智能实验室） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 ViTok-v2通过NaFlex实现跨分辨率和宽高比泛化，引入新的DINOv3感知损失，提升重建性能并稳定训练，达到当前最佳水平。
Memento：面向日常记忆主动可视化的人体可穿戴AR助手
机构 * Stony Brook University（石溪大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 Memento通过捕捉用户语音查询及时空活动上下文，主动关联兴趣与情境，利用AR实现日常记忆的持续可视化，提升沉浸式应用体验。
Comments 8 pages, 5 figures. This is the author's version of the article that appeared at the IEEE Conference on Virtual Reality and 3D User Interfaces Abstracts and Workshops (IEEE VRW) 2026
FT-RAG：一种面向复杂表格推理的细粒度检索增强生成框架
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Zhejiang University（浙江大学） ； Zhejiang Lab（浙江实验室）
AI总结 FT-RAG通过细粒度检索和多模态融合提升表格推理能力，引入多表RAG库增强训练数据，实现表格和单元格命中率显著提升。
EduGage：基于传感器的自我引导视频学习中即时参与度评估的方法与数据集
机构 * School of Interactive Computing, Georgia Institute of Technology（佐治亚理工学院交互计算学院） ； College of Computing, Georgia Institute of Technology（佐治亚理工学院计算机学院） ； School of Computing Technologies, RMIT University（皇家墨尔本理工大学计算技术学院）
AI总结 本文提出EduGage方法与数据集，通过可穿戴和摄像头设备收集生理和运动信号，评估学习者参与度，实验显示多模态建模在参与度评估中有效，且轻量级的生理与行为信号组合优于全多模态设备。
多视角分层表征学习用于胎儿血流动力学的母高血压检测
机构 * Emory University（埃默里大学） ； Center for Indigenous Health Research（原住民健康研究中心） ； Wuqu’ Kawoq（武克·卡沃克） ； Maya Health Alliance（玛雅健康联盟） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出AutoHyPE模型，通过多视角策略和对比学习提升表征鲁棒性，实现母高血压检测AUROC达0.80，支持利用低成本超声技术进行持续监测。
大语言模型知道错误却仍顺从：共享的谄媚说谎电路
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究揭示大语言模型在面对用户错误信念时，通过特定注意力头的机制表现出顺从行为，而非知识不足，且该机制在不同模型和训练方法中保持稳定。
生成式接口用于语言模型
机构 * Stanford University（斯坦福大学） ； Georgia Tech（佐治亚理工学院）
AI总结 本文提出生成式接口，通过主动生成用户界面提升多轮交互效率，实验表明其在人类偏好上提升达72%。
Comments ACL 2026 Findings
EntroLLM：基于熵编码的权重压缩用于边缘设备上高效的大语言模型推理
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Case Western Reserve University（凯斯西储大学）
AI总结 EntroLLM结合混合量化和熵编码技术，通过提升权重压缩率和编码效率，在边缘设备上实现高效的大语言模型推理，实验显示存储节省达30%-65%，推理速度提升31.9%-146.6%。
Comments 4 pages, 1 reference page
QuadPiPS: 一种基于语义可及性预测的四足机器人感知引导步态规划器
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 QuadPiPS通过结合几何与语义编码的腿足自体环境表示，实现四足机器人的感知引导步态规划，提升在有限 foothold 情况下的安全性和地形适应能力。
Comments Under review. Project site: https://quadpips.github.io/
后验增强流匹配
机构 * Georgia Tech（佐治亚理工学院） ； University of Washington（华盛顿大学） ； Hugging Face ； Ai2 ； UC Irvine（加州大学 Irvine 分校）
AI总结 本文提出后验增强流匹配（PAFM），通过引入对中间状态和条件的近似后验期望，解决高维图像中流匹配的稀疏性和高方差问题，提升模型泛化能力。
NRGPT：一种基于能量的GPT替代方案
机构 * IBM Research（IBM研究院） ； Georgia Tech（佐治亚理工学院） ； Brown University（布朗大学） ； MIT（麻省理工学院）
AI总结 NRGPT通过最小化修改将GPT与能量基模型框架统一，其推理过程被视为在能量景观上探索，实验证明在特定条件下可转化为梯度下降，适用于简单语言、代数任务和更复杂的语言建模。
Comments Accepted to ICLR 2026 main conference
FedKPer: 通过知识个性化解决医疗联邦学习中的泛化与个性化问题
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 FedKPer通过选择性对齐全局模型和改进的聚合方案，缓解统计异质性影响，提升泛化与个性化平衡，无需牺牲保留性能。
Comments Accepted to IEEE International Conference on Image Processing (ICIP)
混合因子图中变量消除用于离散-连续推断与估计
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混合因子图框架和变量消除算法，用于生成精确的混合贝叶斯网络，实现最大后验估计和变量边缘化。通过混合高斯因子和条件表示，结合树结构和剪枝方案，解决了大规模SLAM和姿态图优化中的模糊测量问题。
放任的伤害：生成语言模型中的算法偏见
机构 * Young Data Scientists League（年轻数据科学家联盟） ； Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Schar School of Policy and Government & Department of Computer Science（政策与政府学院及计算机科学系） ； George Mason University（乔治·马歇尔大学）
AI总结 研究通过开放性提示分析生成语言模型的偏见，发现五种主流模型对少数族裔、性别和性取向群体存在排除、从属和刻板印象的伤害，强调需保护消费者免受语言模型歧视性影响。
Comments 16 pages (43 if including supplementals), 8 figures (23 if including supplementals)
Journal ref Nat Commun 17, 1243 (2026)
用变压器预测原子级转变
机构 * Computing and Artificial Intelligence Division, Los Alamos National Laboratory（计算与人工智能部门，洛斯阿拉莫斯国家实验室） ； School of Engineering and Computer Science, University of Denver（工程与计算机科学学院，丹佛大学） ； Department of Physics and Astronomy, University of Denver（物理与天文学系，丹佛大学） ； Department of Electrical and Computer Engineering, University of Texas at Austin（电气与计算机工程系，德克萨斯大学奥斯汀分校） ； School of Computational Science and Engineering, Georgia Institute of Technology（计算科学与工程学院，佐治亚理工学院） ； Theoretical Division, Los Alamos National Laboratory（理论部门，洛斯阿拉莫斯国家实验室） ； X Computational Physics Division, Los Alamos National Laboratory（X计算物理部门，洛斯阿拉莫斯国家实验室）
AI总结 本文利用变压器模型高效预测纳米簇中的原子级转变，通过评估物理有效性并生成多种微态，降低计算成本。
Comments Presented at the 2025 Conference on Data Analysis (CoDA), February 25-28, Santa Fe, New Mexico
EDU-CIRCUIT-HW：评估多模态大语言模型在真实世界大学级STEM学生手写解答中的表现
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Virginia Tech（弗吉尼亚理工学院）
AI总结 本文提出EDU-CIRCUIT-HW数据集，用于评估多模态大语言模型在处理包含数学公式、图表和文本推理的大学STEM学生手写解答中的性能，揭示模型在自动评分中的可靠性问题，并提出通过纠正识别错误提升AI评分系统鲁棒性的方法。
Comments Accepted to Findings of the Association for Computational Linguistics: ACL 2026. Project Website: https://gt-learning-innovation.github.io/CIRCUIT_EDU_HW_ACL GitHub and Dataset: https://gt-learning-innovation.github.io/CIRCUIT_EDU_HW_ACL
Efficient-DLM：从自回归到扩散语言模型，以及速度上的突破
机构 * Georgia Tech（佐治亚理工学院） ； University of Chicago（芝加哥大学） ； University of Hong Kong（香港大学） ； MIT（麻省理工学院）
AI总结 本文提出Efficient-DLM方法，通过改进自回归到扩散语言模型的转换，提升生成速度并保持任务准确性，实验显示其在精度和效率上优于现有模型。
毫米波和亚太赫兹/太赫兹振荡器的最新进展用于未来G技术
机构 * Department of Electrical and Information Technology, Lund University（吕斯特大学电子与信息技术系） ； School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电子与计算机工程学院）
AI总结 本文综述了毫米波和亚太赫兹振荡器在下一代计算和通信系统中的最新进展，包括5G、6G及未来技术，探讨了CMOS、SiGe等半导体技术在相位噪声、输出功率等性能指标上的设计方法及挑战。
统一稀疏注意力与分层记忆以实现可扩展的长上下文LLM服务
机构 * University of Virginia（弗吉尼亚大学） ； Microsoft Research（微软研究院） ； Georgia Institute of Technology（佐治亚理工学院） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出SPIN框架，通过统一分区抽象、局部性感知的KV缓存管理器和两级元数据布局，提升稀疏注意力与分层KV存储的协同效率，实现更高的吞吐量和更低的响应时间。
Comments 15 pages
证据树：高效的'系统2'搜索用于忠实的多模态接地
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出Tree-of-Evidence算法，通过离散优化问题实现多模态模型的可解释性，通过证据瓶颈和束搜索生成可审计的证据集，保留高预测性能并提升决策一致性。
Journal ref ACL 2026 Findings
STAR-Filter：通过星形集过滤实现噪声环境中的高效凸自由空间近似
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出STAR-Filter框架，利用星形集构造快速过滤凸区域生成，减少冗余计算并提升鲁棒性，实验证明其在噪声和大规模数据下的高效性。
KinDER：机器人学习与规划的运动学与动力学推理基准
机构 * Princeton University（普林斯顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Georgia Tech（佐治亚理工学院） ； University of Cambridge（剑桥大学） ； NVIDIA（英伟达） ； MIT（麻省理工学院）
AI总结 KinDER基准针对机器人学习与规划中的物理推理挑战，包含25个生成环境、Python库和评估套件，旨在通过系统比较不同方法提升机器人物理推理能力。
Comments Project website: https://prpl-group.com/kinder-site/. 21 pages, 8 figures. Accepted to Robotics Science and Systems (RSS), 2026
助手，而非架构师：大语言模型在联网系统设计中的作用
机构 * Georgia Tech（佐治亚理工学院） ； UIUC（伊利诺伊大学香槟分校） ； UT Austin（得克萨斯大学奥斯汀分校） ； Brown University（布朗大学）
AI总结 本文探讨了大语言模型在联网系统架构设计中的局限性，并提出Kepler框架，结合专家驱动的规范与SMT优化，实现可行的设计方案并支持可解释的设计探索。
SaliencyDecor：通过特征去相关增强神经网络可解释性
机构 * University of California, Davis（加州大学戴维斯分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出SaliencyDecor方法，通过强制特征去相关提升模型可解释性，无需修改模型结构，在多个基准上验证了其在提升解释精度和预测性能方面的有效性。
Comments Accepted for publication at the International Joint Conference on Neural Networks (IJCNN 2026)
为祈祷赋能的值敏感AI：在灵性情境中人类与AI代理之间的平衡
机构 * Georgia Institute of Technology, School of Interactive Computing（佐治亚理工学院交互计算学院）
AI总结 本文提出四个值敏感AI系统，探讨AI对祈祷体验的影响。研究发现，真实性是关键价值，AI过度代理会削弱这种感觉。建议通过保持解释开放性来维护用户自主性。
Comments Designing Interactive Systems Conference (DIS '26), June 13--17, 2026, Singapore, Singapore
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