高校专区
在非线性动力学系统中学习未知的相互依赖关系以实现去中心化的根本原因分析
机构 * School of Industrial and Systems Engineering, Georgia Institute of Technology（工业与系统工程学院，佐治亚理工学院） ； School of Industrial Engineering and Management, Oklahoma State University（工业工程与管理学院，俄克拉荷马州立大学）
AI总结 本文提出了一种联邦学习方法，用于在非线性动力学系统中学习未知的跨客户端相互依赖关系，以实现去中心化的根本原因分析，无需修改专有模型。
Comments Manuscript under review
LiLo-VLA：通过链接的对象为中心策略实现组合长周期操控
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 LiLo-VLA通过链接的对象为中心策略实现长周期操控，通过模块化框架实现零样本泛化，提升机器人任务成功率。
基于知识的音乐分割、音乐源分离及电影音频源分离方法
机构 * Georgia Institute of Technology, USA（佐治亚理工学院） ； University of Palermo, Italy（帕尔米罗大学） ； Dolby Laboratories, China（杜比实验室）
AI总结 本文提出一种基于知识的音频分割方法，通过音乐谱等知识源自主学习，实现音乐和电影音频的高效源分离。
基于互补性的统一接触建模与规划方法用于软机器人
机构 * Woodruff School of Mechanical Engineering and the Institute for Robotics and Intelligent Machines (IRIM), Georgia Institute of Technology（伍德鲁夫机械工程学院和机器人与智能机器研究所（IRIM）、佐治亚理工学院） ； Coulter Department of Biomedical Engineering (Georgia Tech and Emory University) and the Institute for Robotics and Intelligent Machines (IRIM), Georgia Institute of Technology（库勒生物医学工程系（佐治亚理工学院和埃默里大学）和机器人与智能机器研究所（IRIM）、佐治亚理工学院）
AI总结 本文提出了一种统一的基于互补性的框架，用于软机器人接触建模与规划，通过解决冗余接触、尺度差异和病态问题，实现了物理一致的接触建模和动态轨迹优化。
Comments 9 pages, 4 figures
Slm-mux: 通过协调小型语言模型进行推理
机构 * Harvard University（哈佛大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学）
AI总结 SLM-MUX通过协调多个小型语言模型提升推理准确性，实现比单个模型更高的性能。
MPPI-Generic：一种用于随机轨迹优化的CUDA库
机构 * Autonomous Control and Decision Systems Lab, Georgia Institute of Technology（自主控制与决策系统实验室，佐治亚理工学院）
AI总结 MPPI-Generic是一种用于随机轨迹优化的CUDA库，提供多种模型预测控制算法，并支持自定义动态模型和成本函数，展示了其在GPU上的高效计算能力。
Comments Renamed ros2 comparisons to nav2 after feedback. Also added more tests on Jetson Orin Nano in the appendix
BabyLM四周年暨多语言研究：2026年BabyLM研讨会征文通知
机构 * IBM Research（IBM研究院） ； MIT（麻省理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； Cornell University（康奈尔大学） ； University of Groningen（格罗宁根大学） ； NYU（纽约大学） ； Boston University（波士顿大学） ； University of Cambridge（剑桥大学） ； Georgia Tech（佐治亚理工学院） ； UC San Diego（南加州大学） ； Georgetown University（乔治城大学）
AI总结 BabyLM研讨会征文通知，聚焦多语言预训练与认知建模，包含训练效率、小规模数据集、模型评估等主题
Comments 8 pages, 1 table. arXiv admin note: substantial text overlap with arXiv:2502.10645
相位截距失真及其在数据增强中的应用
机构 * Georgia Institute of Technology, Atlanta, USA（佐治亚理工学院）
AI总结 本文研究了相位截距失真在音频机器学习中的应用，通过实验验证其不可感知特性，并展示了其在数据增强中的有效性。
Comments Accepted to the IEEE Workshop on Applications of Signal Processing to Audio and Acoustics (WASPAA) 2025. Camera-ready version
FinAnchor：用于金融预测的对齐多模型表示
机构 * New Jersey Institute of Technology（新泽西理工学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 FinAnchor通过整合多个LLM的嵌入并对齐到锚定空间，提升金融预测的鲁棒性与性能。
Comments 11 pages, 4 figures, 5 tables
基于遗憾的搜索控制用于AlphaZero中的高效学习
机构 * Department of Computer Science, National Yang Ming Chiao Tung University, Taiwan（National Yang Ming Chiao Tung University） ； Institute of Information Science, Academia Sinica, Taiwan（Academia Sinica） ； College of Computing, Georgia Institute of Technology（Georgia Institute of Technology）
AI总结 RGSC通过学习识别高遗憾状态，提升AlphaZero的搜索效率和鲁棒性，显著提高围棋等游戏的性能。
Comments Accepted by the Fourteenth International Conference on Learning Representations (ICLR 2026)
内部言语作为行为引导：为人类-人工智能协调的可操控模仿
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学）
AI总结 MIMIC通过语言作为内部表示，利用视觉语言模型和扩散策略实现人类-人工智能协调中的行为引导与多样化的模仿控制。
Comments Spotlight paper at NeurIPS 2025
漂移模型的长-短流映射视角
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 本文提出了一种基于长-短流映射分解的漂移模型新视角，通过理论分析和实验验证，实现了对密度演变的对齐，并指出了未来研究的开放问题。
Comments 25 pages, 7 figures
上下文预训练时间序列基础模型适应于未见任务
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出ICTP框架，通过增强时间序列基础模型的上下文学习能力，使其无需微调即可提升在未见任务上的性能。
基于多任务深度学习的不确定性感知交付延迟持续时间预测
机构 * NSF Artificial Intelligence Institute for Advances in Optimization（美国国家科学基金会人工智能优化研究所） ； H. Milton Stewart School of Industrial and Systems Engineering（H.米尔顿·斯图尔特工业与系统工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Kinaxis（Kinaxis公司）
AI总结 本文提出一种多任务深度学习模型，通过端到端训练提升延迟运输检测和概率预测能力，有效应对高不平衡和异质性物流数据挑战。
OpenPort 协议：AI 代理工具访问的安全治理规范
机构 * Accentrust Georgia Institute of Technology（阿肯色州立大学） ； Accentrust University of Illinois Urbana-Champaign（阿肯色州立大学） ； Duke University（杜克大学） ； New York Institute of Technology-Vancouver（纽约理工学院-温哥华分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 OpenPort 协议通过安全治理规范实现AI代理工具访问的可控性和安全性，提供风险门控生命周期、授权模型和审计机制。
LORE：从序数数据中联合学习内在维度和相对相似性结构
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学）
AI总结 LORE通过联合学习序数数据的内在维度和相似性结构，实现了高效且可解释的感知建模。
Comments 10 Pages, 34 with appendix: Accepted at ICLR 2026
基于梯度的严重程度标注用于OCT中的生物标志物分类
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Center for Signal and Information Processing CSIP（信号与信息处理中心） ； School of Electrical and Computer Engineering（电气与计算机工程学院）
AI总结 本文提出基于梯度的严重程度标注方法，用于提升OCT图像中生物标志物分类的准确性。
Comments Accepted at International Conference on Image Processing (ICIP) 2022
青少年能否欺骗AI？评估低成本的外貌攻击对年龄估计系统的影响
机构 * Reality Inc ； UC Berkeley（伯克利大学） ； Duke University（杜克大学） ； Georgia Tech（佐治亚理工学院） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； UC San Diego（南加州大学）
AI总结 研究评估了低成本外貌攻击对年龄估计系统的影响，发现合成胡须等修改可使AI将未成年人误判为成年人，视觉-语言模型的鲁棒性略低于专门模型。
Comments 13 pages, 6 figures
拉普拉斯多尺度流匹配用于生成建模
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出拉普拉斯多尺度流匹配框架，通过并行处理多尺度表示提升图像生成质量与效率，实现高分辨率生成的同时降低计算开销。
Comments Accepted to appear in ICLR 2026
通过秩目标融合对抗多模态表示崩溃
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出Rank-enhancing Token Fuser框架，通过提升有效秩对抗多模态表示崩溃，验证了深度与RGB融合的平衡性，并在动作预测任务中取得显著性能提升。
Comments Accepted in 2026 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV)
基于集成学习和SHAP的可解释信用违约预测
机构 * New York University（纽约大学） ； Independent Researcher（独立研究者） ； University of Michigan（密歇根大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出基于集成学习和SHAP的信用违约预测方法，通过评估多种模型性能，发现集成学习在处理复杂非线性关系和数据不平衡方面表现优异，SHAP分析揭示外部信用评分变量对模型决策的主导作用，提升模型可解释性与实用性。
迈向通用图结构编码器
机构 * Yale University（耶鲁大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 GFSE是一种通用预训练图编码器，通过多目标自监督学习实现跨领域图结构的可转移编码，提升下游任务性能。
DREAM: 基于代理度量的深度研究评估
机构 * AWS Agentic AI（AWS敏捷人工智能） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 DREAM提出一种基于代理度量的深度研究评估框架，通过能力平衡原则解决现有基准在事实和时间衰减检测上的不足，实现可扩展的无参考评估。
战术资源控制与后续机动生成的时序动作表示学习
机构 * Seoul National University（首尔国立大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 TART通过时序动作表示学习框架，有效整合资源使用与机动生成，提升有限资源下的战术决策能力。
Comments ICRA 2026, 8 pages
为你叙述：基于多纠缠潜在空间的提示引导音频视觉叙述面部生成
机构 * Machine Intelligence Group, Department of CS&IS, BITS Pilani, Hyderabad Campus, India（机器智能组，计算机科学与信息学系，比斯汉学院海得拉巴校区，印度） ； Georgia Institute of Technology, USA（佐治亚理工学院，美国）
AI总结 本文提出了一种基于多纠缠潜在空间的音频视觉叙述面部生成方法，通过合成静态图像、语音档案和目标文本来生成逼真的说话面孔。
Comments To appear in the Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2026. Presented at Poster Session 1
用于心电图分类的深度神经网络架构：全面评估
机构 * Independent Researcher（独立研究者） ； Department of Materials Engineering, Xi'an Polytechnic University（材料工程系，西安理工大学） ； Tandon School of Engineering, New York University（工程学院，纽约大学） ； College of Computing, Georgia Institute of Technology（计算学院，佐治亚理工学院）
AI总结 本文评估了多种深度神经网络架构用于心电图分类，发现CNN-LSTM在灵敏度和特异度之间取得最佳平衡，而动态集成策略进一步提升了整体性能。
预测批量调度：通过损失感知的样本优先级加速语言模型训练
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 预测批量调度通过损失感知的样本优先级加速语言模型训练，利用轻量级预测器提升收敛速度，实现高效课程学习。
文献衍生聚合物知识的检索增强生成：生物降解聚合物专家系统的例子
机构 * School of Computational Science and Engineering（计算科学与工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Matmerize, Inc.（Matmerize公司）
AI总结 本文提出基于检索增强生成的聚合物知识系统，通过构建结构化知识图谱和语义向量方法，提升生物降解聚合物领域的文献检索与推理能力。
利用物理信息神经网络进行光谱光声成像的光学反演与光谱解混
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Helmholtz Zentrum Munich（慕尼黑海德堡研究中心） ； Technische Universität München（慕尼黑技术大学） ； Emory University School of Medicine（埃默里大学医学院） ； The Wallace H. Coulter Department of Biomedical Engineering（沃克生物医学工程系）
AI总结 本研究提出SPOI-AE模型，利用物理信息神经网络解决光谱光声成像中的光学反演与光谱解混问题，通过实验验证其在生物组织参数估计中的有效性。
图论均值场子采样用于协作异质多智能体强化学习
机构 * California Institute of Technology（加州理工学院） ； Harvard University（哈佛大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 GMFS通过子采样异质智能体交互，实现可扩展的协作多智能体强化学习，具有poly(κ)样本复杂度和O(1/√κ)最优性差距。
Comments 43 pages, 5 figures, 1 table
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