高校专区
评估GPT-5作为多模态临床推理者的有效性：领域评论
机构 * Department of Radiation Oncology, Winship Cancer Institute, Emory University School of Medicine（放射肿瘤科，Winship癌症研究所，埃默里大学医学院） ； Department of Biomedical Engineering, Georgia Institute of Technology（生物医学工程系，佐治亚理工学院）
AI总结 本文评估GPT-5在多模态临床推理中的表现，发现其在文本推理和部分视觉问答任务中优于GPT-4o，但在神经放射学和乳腺摄影等专业领域仍显不足。
通过显式预测意图来选择斑点提高了自动驾驶停车的性能
机构 * Honda Research Institute (HRI)（本田研究机构） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出了一种通过显式预测意图来选择停车位的自动驾驶停车方法，提高了停车任务的预测准确性、社会接受度和任务完成度。
Comments 8 pages, 4 figures
一项提升大型医疗系统中可信数据的AI实施科学研究
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Shriners Hospitals for Children（夏皮罗儿童医院）
AI总结 本研究通过在大型医疗系统中实施AI技术，提升数据质量并整合可信AI原则，探索混合实施策略以促进医疗AI的发展。
Comments 10 pages, 7 figures. Preprint version. This manuscript has been accepted at IEEE BHI 2025. This is the author-prepared version and not the final published IEEE version. The final version will appear in IEEE Xplore
编辑：用于文本到图像扩散模型的有效且可解释的提示倒置
机构 * University of Massachusetts, Amherst（马萨诸塞大学阿姆赫斯特分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Rutgers University（罗格斯大学） ； University of Utah（犹他大学） ； Dolby Laboratories（杜比实验室）
AI总结 本文提出\sys技术，通过预训练模型初始化、潜在空间反向工程和嵌入到文本转换，提升文本到图像扩散模型的提示倒置效果，实现更高的图像相似性和可解释性。
在生成式人工智能时代推进生物医学工程中的问题式学习
机构 * Department of Electrical and Computer Engineering, Georgia Institute of Technology（电气与计算机工程系，佐治亚理工学院） ； Wallace H. Coulter Department of Biomedical Engineering, Electrical and Computer Engineering, Georgia Institute of Technology and Emory University（沃尔什·哈·库尔特生物医学工程系，电气与计算机工程系，佐治亚理工学院和埃默里大学）
AI总结 本研究提出一种针对生物医学AI教育的先进PBL框架，通过真实挑战提升学生能力，实现高效AI教育整合。
继承性目标漂移：情境压力可能削弱代理目标
机构 * UC San Diego（加州大学圣地亚哥分校） ； Columbia University（哥伦比亚大学） ； Georgia Tech（佐治亚理工学院） ； MATS ； SPAR
AI总结 本文研究了语言模型在面对情境压力时目标漂移的继承性问题，发现模型在不同环境下表现出不一致的鲁棒性，强调了对训练后技术改进的必要性。
Comments 22 pages, 7 figures. Accepted at ICLR 2026 Lifelong Agents Workshop
减少强化学习中的信念偏差以实现主动推理
机构 * The Chinese University of Hong Kong（香港中文大学） ； ByteDance（字节跳动） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出$\mathbf{T^3}$方法，通过跟踪信念偏差并截断训练轨迹，提升LLM在主动推理中的训练稳定性与性能表现。
Comments Published as a conference paper at ICLR 2026 (Oral)
通过推理时扩散缩放进行组合式视觉规划
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Michigan（密歇根大学）
AI总结 本文提出通过推理时扩散缩放进行组合式视觉规划，利用Tweedie估计强制边界一致，实现长时间范围的稳定规划。
子空间几何支配低秩适应中的灾难性遗忘
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 子空间几何揭示低秩适应中灾难性遗忘的规律，表明遗忘受任务子空间角度影响，秩对遗忘的影响取决于子空间相似性。
Comments 15 pages, 5 figures, 6 tables
通过中间分布塑形微调扩散模型
机构 * Google DeepMind（谷歌DeepMind） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 通过中间分布塑形提升扩散模型微调效果，改进文本到图像生成质量
Comments Accepted at ICLR 2026
改进屏蔽扩散中的分类器自由引导：低维理论见解与高维影响
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Sony AI（索尼人工智能）
AI总结 本文提出了一种改进的分类器自由引导方法，通过理论分析和实验验证，解决了早期采样阶段引导过强导致的生成质量下降问题，并通过简单代码调整提升了样本质量。
生成式人工智能：学生对意识、准备度与担忧的看法
机构 * Georgia Institute of Technology Atlanta, United States of America（佐治亚理工学院亚特兰大分校，美国）
AI总结 本研究探讨学生对生成式人工智能的意识、准备度和担忧，发现接触GenAI的学生成绩更高，但多数学生对伦理和就业影响表示担忧。
残差子空间注入用于非线性混洗下的在线ICA
机构 * Department of Computer Science, The George Washington University（计算机科学系，乔治华盛顿大学） ； 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） ； Georgia State University（佐治亚州立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学） ； School of Electrical and Computer Engineering, Georgia Institute of Technology（电气与计算机工程学院，佐治亚理工学院）
AI总结 残差子空间注入用于非线性混洗下的在线ICA，通过改进白化方法提升性能并实现更高的SI-SDR。
SportR：多模态大语言模型在体育中的推理基准
机构 * Department of Computer Science, Rice University（Rice大学计算机科学系） ； Ken Kennedy Institute, Rice University（Rice大学肯尼迪研究所） ； Department of Statistics, University of California, Irvine（伊利诺伊大学欧文分校统计系） ； College of Sciences, Georgia Institute of Technology（佐治亚理工学院科学学院） ； Department of Applied Mathematics and Statistics, Johns Hopkins University（约翰霍普金斯大学应用数学与统计学系） ； Department of Computer Science, University of California, Santa Barbara（加州大学圣芭芭拉分校计算机科学系）
AI总结 SportR是一个多体育大规模基准，旨在训练和评估多模态大语言模型在体育推理中的能力，通过精细的视觉感知和规则推理任务提升模型性能。
对多模态临床时间序列远程监测的LLM摘要进行基准测试
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Shepherd Center（Shepherd中心）
AI总结 本文提出基于事件的评估框架，评估多模态临床时间序列摘要的可靠性，发现视觉方法在事件对齐上表现最佳。
PaReGTA：基于LLM的EHR数据编码方法以捕捉时间信息
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Meta ； Mayo Clinic（梅奥诊所）
AI总结 PaReGTA是一种基于LLM的EHR数据编码方法，通过模板文本生成、轻量级对比微调和混合时间池化，有效捕捉时间信息，提升偏头痛分类性能。
Comments 26 pages, 5 figures, 7 tables
能力并非全部所需：测量AI倾向性
机构 * Valencian Research Institute of Artificial Intelligence, Universitat Politècnica de València, Valencia, Spain ； University of Copenhagen, Denmark work done while at University of Cambridge ； Existential Risk Observatory, Amsterdam, Netherlands ； Leverhulme Centre for the Future of Intelligence, University of Cambridge ； The Psychometrics Centre, University of Cambridge ； Department of Computing \& Games, University of Teesside ； Georgia Institute of Technology ； University of Cambridge
AI总结 本文提出首个测量AI倾向性的正式框架，通过双逻辑模型评估模型倾向性对任务性能的影响，并展示结合倾向性和能力可提升预测效果。
DoFlow：基于流的生成模型用于时间序列的干预和反事实预测
机构 * H. Milton Stewart School of Industrial and Systems Engineering（H. Milton Stewart工业与系统工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Northwestern–Argonne Institute for Scientific and Engineering Excellence（西北-阿贡科学与工程卓越研究所）
AI总结 DoFlow通过基于因果图的流模型实现时间序列的干预和反事实预测，并提供异常检测能力。
Comments Accepted to the 14th International Conference on Learning Representations (ICLR 2026)
大语言模型如何利用其深度？
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 本文研究了大语言模型如何利用深度进行预测，提出'猜测-然后细化'框架，揭示了层间计算动态及深度使用机制。
基于参考的技能发现
机构 * School of Interactive Computing（交互计算学院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 RGSD通过语义有意义的潜在空间实现技能发现，有效模仿和发现多样行为，在运动任务中优于模仿学习基线。
LD-EnSF：融合潜在动力学与集成评分滤波器用于稀疏观测的快速数据同化
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Yale University（耶鲁大学）
AI总结 LD-EnSF通过在潜在空间中直接演进动力学，结合改进的LDNets和历史感知LSTM编码器，实现高维稀疏观测下的高效数据同化。
稀疏神经网络的恢复保证
机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Department of Electrical Engineering（电气工程系） ； Stanford University（斯坦福大学）
AI总结 该研究为稀疏神经网络提供了恢复保证，通过迭代硬阈值算法以线性内存复杂度精确恢复稀疏权重，并在多个任务中表现出优于传统方法的性能。
Comments ICLR 2026
SIGMAS：基于二次交互的多智能体群集分组
机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 SIGMAS通过二次交互建模实现多智能体群集的自监督分组，准确恢复潜在群体结构并平衡个体与集体动态。
Comments Accepted at AAMAS 2026
ParamMem: 通过参数化反思记忆增强语言代理
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 ParamMem通过参数化记忆模块提升语言代理的反思多样性，实现更高效的推理和跨任务迁移能力。
Comments 20 pages
机器人挖掘与几何连结颗粒介质的操控
机构 * Department of Mechanical Engineering（机械工程系） ； University of Vermont（佛蒙特大学） ； School of Physics（物理系） ； Georgia Institute of Technology（佐治亚理工学院） ； George W. Woodruff School of Mechanical Engineering（乔治·W·伍德鲁夫机械工程学院） ； School of Biological Sciences（生物科学系）
AI总结 本文提出了一种机器人平台，用于操控几何连结颗粒介质，通过环境信号自主协调挖掘、运输和沉积，揭示了材料性质对机器人性能的影响。
超越离散域的近似SMT计数
机构 * Chennai Mathematical Institute, India IAI, TCG CREST, Kolkata, India（钦奈数学研究所，印度 IAI，TCG CREST，科利尔，印度） ； Georgia Institute of Technology, USA University of Toronto, Canada（佐治亚理工学院，美国 蒙特利尔大学，加拿大）
AI总结 pact是一种用于混合公式的SMT模型计数器，通过哈希技术实现高效解计数，显著提升了性能。
Comments A preliminary version of this paper appears at the proceedings of Design Automation Conference (DAC) 2025
EgoAVFlow：通过人类中心视频主动视觉实现机器人策略学习
机构 * School of Interactive Computing, Georgia Institute of Technology（交互计算学院，佐治亚理工学院） ； InnoCORE AI-Transformed Aerospace Research Center, KAIST（AI转型航空航天研究中心，韩国成均馆大学）
AI总结 EgoAVFlow通过共享3D流表示从人类中心视频中学习机器人策略，实现主动视觉和稳健操纵，无需机器人演示。
平衡混合中的kurtosis对比的1/R定律
机构 * Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS)（翻译神经影像与数据科学转化研究中心） ； Georgia State University（佐治亚州立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学） ； Department of Computer Science（计算机科学系） ； School of Electrical and Computer Engineering（电气与计算机工程学院）
AI总结 本文提出平衡混合中kurtosis对比的1/R定律，并展示通过纯化方法恢复对比的机制，验证了理论预测和实验结果。
通过符号反馈进行LLM微调：RLSF
机构 * Georgia Institute of Technology, USA（佐治亚理工学院）
AI总结 RLSF通过符号反馈微调LLM，利用符号推理工具提供精细反馈，提升领域特定任务的性能，使小模型超越大模型。
Journal ref ECAI 2025, Frontiers in Artificial Intelligence and Applications, Vol. 413, pp. 1687-1694, 2025
基于位置的持久对齐编队无需速度感知
机构 * Department of Cybernetics, Czech Technical University in Prague（捷克技术大学普拉茨分校自动化系） ； Aksaray University（阿克萨雷大学） ； Mechanical and Aerospace Engineering, Old Dominion University（旧 Dominion 大学机械与航空航天工程系） ； Istanbul Technical University（伊斯坦布尔技术大学） ； The Daniel Guggenheim School of Aerospace Engineering, Georgia Institute of Technology（佐治亚理工学院丹尼尔·古根海姆航空航天工程学院） ； Mechatronics Engineering Department, Isparta University of Applied Sciences（伊斯帕塔应用科学大学机电工程系） ； Department of Electrical and Computer Engineering, University of Mohaghegh Ardabili（莫哈格赫·阿尔达比大学电子与计算机工程系） ； Czech Technical University in Prague（捷克技术大学普拉茨分校）
AI总结 本文提出一种无需速度感知的基于位置的编队模型，通过近似相对速度差异和时间密度依赖的对齐增益，实现持久速度对齐，适用于现实世界机器人群体。
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