高校专区
当视觉不是问题：在误导性数据可视化上评估视觉-语言模型
机构 * Birla Institute of Technology and Science, Pilani（巴尔·印度理工学院和科学学院，皮拉尼） ； Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学）
AI总结 本文评估视觉-语言模型在识别误导性数据可视化中的能力，发现模型在检测可视化设计错误上更可靠，但常误判非误导性可视化。
忠实性与安全性：在反事实医学证据下评估LLM行为
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Northeastern University（东北大学） ； MD Anderson Cancer Center（MD安德森癌症中心） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文研究了在反事实医学证据下LLM的行为，构建了MedCounterFact数据集，发现模型在面对危险或不合理证据时仍提供自信回答，表明模型可能过度强调忠实性而忽视安全性。
Comments Accepted to Findings of ACL 2026
稀疏特征共激活揭示大语言模型中的因果语义模块
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Brown University（布朗大学） ； University of Michigan（密歇根大学）
AI总结 通过稀疏自编码器特征的共激活，研究发现大语言模型中存在语义连贯且上下文一致的网络组件，揭示了模型的模块化结构及高效操控方法。
Comments ACL 2026
标注熵预测LoRA微调中的每例学习动态
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究发现标注熵与LoRA微调中每例损失曲线面积存在正相关，解码器模型相关性更强，且在控制后仍显著。
Comments 12 pages, 9 figures, 6 tables
ID-PaS+ : 基于身份的预测与搜索用于通用混合整数线性规划
机构 * University of Southern California（南加州大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出ID-PAS+框架，通过身份感知学习方法提升混合整数线性规划求解性能，实验证明其优于Gurobi和传统PAS方法。
VeRVE：通过统一嵌入实现视频的多功能检索
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Amazon（亚马逊） ； Keystone AI
AI总结 本文提出VeRVE框架，结合语义和时刻级检索能力，支持复杂多模态查询，通过对比对齐视觉和文本嵌入实现高效检索，优于其他多模态大语言模型方法。
超越单帧：跨体积MRI的多帧空间接地推理
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学） ； Georgetown University（乔治城大学）
AI总结 本文提出SGMRI-VQA基准，通过多帧空间接地推理提升医学VLMs性能，展示监督微调提升接地能力。
基于因子图的连续机器人形状估计：通过马格努斯展开
机构 * School of Aerospace Engineering（航空航天工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； School of Electrical and Computer Engineering（电气与计算机工程学院）
AI总结 本文提出一种结合参数方法和Cosserat杆推断的因子图方法，用于估计连续机器人的形状，通过马格努斯展开获得低维几何变量应变参数化，并在仿真中验证了其精度和效率。
COMPOSITE-STEM基准：通过70个专家编写的任务评估AI代理的科学推理能力
机构 * PortexAI ； University of Milano-Bicocca（米兰-比科卡大学） ； University of Calgary（卡尔加里大学） ； University of Chicago（芝加哥大学） ； Inria（法国国家信息与自动化技术研究院） ； Fraunhofer Institute for Individualized Medical Technology IMTE（弗劳恩霍夫个性化医疗技术研究所） ； University of Cambridge（剑桥大学） ； Independent（独立） ； McGill University（麦吉尔大学） ； Massachusetts Institute of Technology（麻省理工学院） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Queen Mary University of London（伦敦大学玛丽女王学院） ； Dot Ingredients ； National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Edinburgh（爱丁堡大学） ； Murdoch University（墨尔本大学） ； University of Porto（波尔图大学） ； Stanford University（斯坦福大学） ； Stony Brook University（史泰津布鲁克大学）
AI总结 本文提出COMPOSITE-STEM基准，通过70个专家编写任务评估AI代理的科学推理能力，结合精确匹配评分和LLM作为评委的协议，展示AI在科学领域的能力突破。
符号密度估计：一种分解方法
机构 * Department of Mathematics, University of Waterloo, Waterloo, Canada（滑铁卢大学数学系） ； Department of Computer Science, Georgia Tech, Atlanta, USA（佐治亚理工学院计算机科学系） ； University of California, Irvine, Irvine, USA（加州大学伊文斯顿分校）
AI总结 本文提出AI-Kolmogorov框架，通过问题分解、非参数密度估计和支持估计，结合符号回归解决符号密度估计问题，并在多个数据集上验证其有效性。
向理解、分析和优化代理AI执行：一种以CPU为中心的视角
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文从CPU角度分析代理AI工作负载的瓶颈，提出两种优化方法，降低CPU-GPU资源分配偏差，提升执行效率。
ReLU神经网络激活模式的拓扑特征
机构 * Applied Math and Computational Sciences University of Pennsylvania（应用数学与计算科学大学公园大学） ； Department of Mathematics Colorado State University（数学系科罗拉多州立大学） ； Departments of Mechanical Engineering & Computational Mathematics, Sciences and Engineering (CMSE) Michigan State University（机械工程与计算数学、科学与工程系密歇根州立大学） ； Department of Mathematics University of Washington（数学系华盛顿大学） ； Georgia Tech Research Institute（佐治亚理工研究学院）
AI总结 研究ReLU神经网络激活模式的拓扑特征，分析特征空间的多面体分解，探讨Fiedler分区与决策边界的关系以及回归任务中同调与训练损失和多面体单元数的行为模式。
Journal ref Proc. 1st Conf. on Topology, Algebra, and Geometry in Data Science (TAG-DS 2025), PMLR 321:287-301, 2026
SignX：在紧凑的姿态丰富潜在空间中实现连续手语识别
机构 * Rutgers University（罗格斯大学） ； Nanyang Technological University（南洋理工大学） ； Columbia University（哥伦比亚大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出SignX框架，通过统一潜在表示和ViT模型实现高效连续手语识别，显著降低计算消耗并在翻译任务中达到SOTA准确率。
Comments 33 pages, CSLR SOTA (2026). More demo at https://signerx.github.io/SignX/
重组上下文：RoPE扰动的自我蒸馏用于长上下文适应
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Microsoft（微软）
AI总结 本文提出RoPE扰动的自我蒸馏方法，通过扰动RoPE索引生成不同视角的训练序列，提升模型对位置变化的鲁棒性，实验显示在长上下文任务中表现更优。
增强基于大语言模型的系统以实现端到端电路分析问题求解
机构 * School of Electrical ； Computer Engineering, Georgia Institute of Technology, Atlanta, GA 30332 USA
AI总结 本文提出一种改进的端到端电路问题求解框架，通过整合YOLO检测器和OpenCV处理提升电路识别精度，并引入ngspice验证循环以减少推理错误，实验结果表明准确率显著提升。
Comments Liangliang Chen and Weiyu Sun contributed equally to this work
基于Cobweb的层次语义检索
机构 * College of Computing, Georgia Institute of Technology（佐治亚理工学院计算机学院）
AI总结 本文提出基于Cobweb框架的层次语义检索方法，通过构建原型树实现文档排序，提供多粒度相关性信号和透明解释，实验表明其在嵌入质量下降时仍具鲁棒性。
Comments 20 pages, 7 tables, 4 figures
MEBench：一种新的评估视觉-语言模型互斥偏差的基准
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 MEBench通过引入空间推理提升评估难度，评估视觉-语言模型对互斥偏差的处理能力，发现模型存在弱互斥偏差但能利用额外空间上下文解决歧义。
基于流的潜在结果和反事实建模
机构 * School of Industrial and Systems Engineering（工业与系统工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Elmore Family School of Electrical and Computer Engineering（埃洛姆家族电气与计算机工程学院） ； Purdue University（普渡大学）
AI总结 本文提出PO-Flow框架，通过连续归一化流模型联合建模潜在结果分布和事实条件下的反事实结果，实现个性化预测和因果推断。
Comments Accepted at 2026 IEEE International Symposium on Information Theory (ISIT 2026)
线性探针的准确性与模型规模成正比，并受益于多层集成
机构 * Georgia Institute of Technology, Atlanta, Georgia, USA（佐治亚理工学院） ； Independent Researcher（独立研究者） ； Stanford University, Stanford, California, USA（斯坦福大学）
AI总结 研究显示，多层集成的线性探针在多个任务中优于单层探针，提升AUROC性能，并发现模型规模与探针准确性呈正相关。
迈向自动剥落检测的成功实施：训练数据量、光照差异和空间位移的影响
机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology（电子与计算机工程学院，佐治亚理工学院） ； School of Civil and Environmental Engineering, Georgia Institute of Technology（土木与环境工程学院，佐治亚理工学院）
AI总结 本文研究了训练数据量、光照差异和空间位移对模型鲁棒性的影响，提出RavelingArena基准测试平台，通过数据增强提升模型在真实场景中的准确性与一致性。
Comments Accepted and presented in TRBAM 2026
包容性厨房设计用于老年人：生成式AI可视化以支持轻度认知障碍
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本研究利用生成式AI创建MCI友好的厨房设计，通过训练Stable Diffusion模型提升可视化效果，帮助老年人更易独立生活。
Comments 19 pages, 7 figures, 5 tables, IAFOR Agen2026 Conference Proceedings
fMRI-LM：迈向语言对齐的fMRI理解的通用基础模型
机构 * TReNDS Center (Georgia Institute of Technology, Georgia State University, Emory)（TReNDS中心（佐治亚理工学院、佐治亚州立大学、埃默里大学）） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Jiangsu University（江苏大学）
AI总结 本文提出fMRI-LM，通过三阶段框架将fMRI与语言结合，实现跨模态脑表示，通过神经分词、预训练LLM适应及多任务微调，提升fMRI的语义理解能力。
Comments Code are available: https://github.com/yuxiangwei0808/fMRI-LM
FiLM-Nav：通过VLM微调实现高效且通用的导航
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出FiLM-Nav，通过微调预训练VLM作为导航策略，直接利用视觉轨迹历史和导航目标进行探索决策，实现复杂环境中的高效导航与物体定位。
插值与支持向量机之间的新等价关系：核与结构化特征
机构 * 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系） ； Institute of Mathematics, EPFL（瑞士联邦理工学院数学学院） ； School of Industrial & Systems Engineering, Georgia Institute of Technology（佐治亚理工学院工业与系统工程系）
AI总结 本文探讨了插值与支持向量机之间的等价关系，通过灵活的分析框架证明了在任意再生核希尔伯特空间中，SVP现象在多种生成模型下成立，并推导了核SVM分类的新型泛化结果。
Comments 23 pages, 2 figures
识别和缓解学术推荐信中的性别线索：一个可解释性案例研究
机构 * Scheller College of Business（施谢尔商学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Weinberg Institute for Cognitive Science（认知科学研究所） ； University of Michigan - Ann Arbor（密歇根大学安娜堡分校） ； School of Electrical and Computer Engineering（电气与计算机工程学院） ； Purdue University（普渡大学） ； Department of Computer Science（计算机科学系） ； Northwestern University（西北大学） ； Iowa State University（爱荷华州立大学） ； College of Computing（计算学院）
AI总结 本研究探讨Transformer编码器模型和大语言模型在去除姓名和代词后，能否从匿名推荐信中推断出申请人的性别，发现存在显著的性别泄露，并通过移除隐含性别线索降低模型准确性，但性别预测仍优于随机猜测。
Comments 17 pages, 3 figures
在大规模工具空间中通过熵引导分支实现长周期计划执行
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Amazon（亚马逊）
AI总结 本文提出熵引导分支算法，解决大规模工具库中长周期任务执行的挑战，通过动态扩展高预测熵的决策分支，提升任务成功率和计算效率。
Comments This work was completed during an internship at Amazon
长远任务的幻觉？诊断代理系统何时及为何失效
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； 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 本文通过HORIZON基准测试分析LLM代理在长周期任务中的失效模式，提出轨迹驱动的评估方法，并通过人类标注验证其有效性，为构建更可靠的代理系统提供指导。
随机自适应快速梯度方法与最优速率
机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology, 225 North Ave, Atlanta, GA 30332, USA（希尔-米利-斯图尔特工业与系统工程学院，佐治亚理工学院，225北大道，亚特兰大，GA 30332，USA）
AI总结 本文提出随机自适应快速梯度方法，实现无参数优化的最优迭代和样本复杂度，无需线搜索或先验知识。
通过分段文本条件化增强文本到图像扩散变换器
机构 * Tongji University（同济大学） ； The Ohio State University（俄亥俄州立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Shandong Academy of Sciences（山东省科学院） ； Macquarie University（麦考瑞大学）
AI总结 本文提出DiT-ST框架，通过分段文本条件化提升扩散变换器对完整文本描述的理解能力，通过分层递进的方式注入不同语义基本类型，增强特定语义基本类型的表示学习。
Comments NeurIPS 2025
关于接收操作特性与精确率-召回曲线的几何学
机构 * Department of Biomedical Engineering, Georgia Institute of Technology and Emory University（佐治亚理工学院生物医学工程系和埃默里大学）
AI总结 本文研究二分类问题中ROC和PR曲线的几何特性，揭示常用评估指标与几何结构的关系，提供客观工具优化分类器性能。
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