高校专区
ARM：通过自适应时间-上下文学习提升多变量预测
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Amazon Web Services（亚马逊网络服务）
AI总结 ARM通过自适应时间-上下文学习方法提升多变量长期时间序列预测的性能和效率
Comments Camera-ready version. Accepted at ICLR 2024
Journal ref Proceedings of the Twelfth International Conference on Learning Representations (ICLR 2024)
ZeroS：用于高效Transformer的零和线性注意力
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Amazon Web Services（亚马逊网络服务）
AI总结 ZeroS通过去除零阶项并重新加权残差，改进了线性注意力机制，实现了更稳定的权重和对比操作，从而在保持O(N)复杂度的同时提升了序列建模性能。
Comments Camera-ready version. Accepted at NeurIPS 2025
Journal ref Proceedings of the Thirty-ninth Annual Conference on Neural Information Processing Systems (NeurIPS 2025)
ARGaze：用于在线第一人称注视估计的自回归变换器
机构 * Department of Computer Science, University of Texas at Dallas, Richardson, TX, USA.（德克萨斯大学达拉斯分校计算机科学系） ； College of Computing, Georgia Institute of Technology, Atlanta, GA, USA（佐治亚理工学院计算机学院） ； Department of Computer Science, University of Wisconsin-Madison, Madison, WI, USA（威斯康星大学麦迪逊分校计算机科学系） ； Allen School of Computer Science, University of Washington, USA（华盛顿大学阿伦计算机科学学院）
AI总结 ARGaze通过自回归变换器模型，利用时间连续性提升在线第一人称注视估计的鲁棒性与准确性。
线性变换器作为VAR模型：将自回归注意力机制与自回归预测对齐
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出SAMoVAR，一种将Transformer架构与自回归目标对齐的线性变换器变体，通过整合可解释的动态VAR权重，提升时间序列预测的性能和可解释性。
Comments Camera-ready version. Accepted at ICML 2025
Journal ref Proceedings of the Forty-second International Conference on Machine Learning (ICML 2025)
WAVE：带有自回归和移动平均组件的加权自回归变门机制用于时间序列预测
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 WAVE通过整合ARMA结构提升时间序列预测性能，结合自回归和移动平均组件，实现更高效的长程和局部时间模式捕捉。
Comments Camera-ready version. Accepted at ICML 2025
Journal ref Proceedings of the Forty-second International Conference on Machine Learning (ICML 2025)
语言模型的前瞻性评估
机构 * Georgia Institute of Technology, Atlanta, Georgia（佐治亚理工学院） ； The Hebrew University of Jerusalem, Jerusalem, Israel（耶路撒冷希伯来大学）
AI总结 本文提出通过任务描述和实验配置预测语言模型性能，构建PRECOG语料库并展示推理模型在高置信度阈值下的预测能力。
Comments 30 pages, 7 figures
STAND：面向交互式任务学习的自感知预条件诱导
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 STAND通过自感知学习机制，在交互式任务学习中实现高效且准确的预条件诱导，提升训练一致性和主动学习支持。
从稀疏传感器到连续场：STRIDE用于时空重建
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）
AI总结 STRIDE通过时空递归隐式解码器框架，实现了从稀疏传感器到连续场的高效重建，提升了在稀疏传感和噪声干扰下的鲁棒性。
知识模型提示增强了LLM在规划任务上的性能
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 TMK框架通过显式任务分解和因果推理提升LLM在规划任务中的性能，使其在复杂符号任务中达到97.3%的准确率。
可扩展的深度基核高斯过程
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） ； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
AI总结 本文提出了一种基于深度基核的可扩展GP回归器，通过显式低秩结构实现线性复杂度推断，并解决边际似然最大化导致的不确定性问题，提升了大规模回归任务的性能。
Comments Previous title: Scalable Gaussian Processes with Low-Rank Deep Kernel Decomposition
DISCOVER: 从智能家庭数据中识别日常生活的活动模式
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 DISCOVER通过自监督学习和可视化接口，从智能家庭数据中发现日常活动模式，以更细粒度和个性化的方式识别居民行为，为健康监测和认知退化研究提供新方法。
Comments v2: Re-submission. Under review at IMWUT
OpenRubrics: 向奖励建模和大语言模型对齐的可扩展合成 rubric 生成迈进
机构 * Purdue University（普渡大学） ； Emory University（埃默里大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University at Albany（阿尔巴尼大学）
AI总结 OpenRubrics 提出了一种基于对比的 rubric 生成方法，通过大规模（提示，rubric）对提升奖励建模和大语言模型对齐的性能。
Comments The first two authors contributed equally. Updated OpenRubrics dataset, RMs, and results
增强型物流枢纽包裹到达预测：一种集成深度学习方法
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出了一种集成深度学习方法，用于增强物流枢纽的包裹到达预测，通过结合历史数据和实时信息提升预测准确性，以优化物流运营效率。
学习快速的单项式顺序用于格雷勃纳基计算
机构 * Georgia Institute of Technology（佐治亚理工学院） ； The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） ； San Diego State University（圣地亚哥州立大学） ； Emory University（埃默里大学） ； University of Michigan–Dearborn（密歇根大学迪尔伯恩分校）
AI总结 本文提出利用深度强化学习学习快速单项式顺序以提高格雷勃纳基计算效率，通过领域指导的奖励信号和高效估计方法，在系统生物学和计算机视觉任务中实现计算成本的显著降低。
HALT：通过log-prob作为时间序列进行幻觉评估
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 HALT通过log-prob时间序列检测幻觉，比Lettuce更高效且兼容专有模型。
噪声降低损失：重新思考音乐大语言模型中的基于似然的评估
机构 * Georgia Institute of Technology（佐治亚理工学院） ； ByteDance Inc.（字节跳动公司） ； Courant Institute of Mathematical Sciences, New York University（纽约大学应用数学科学研究所） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（Mohamed bin Zayed人工智能大学）
AI总结 本文提出通过损失曲线形状而非绝对值来评估音乐生成质量，揭示模型对局部破坏的敏感性，为更有效的训练目标和基准提供新思路。
Comments Accepted by IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP) 2026
CAPS：在基于变换器的时间序列预测中统一注意力、递归和对齐
机构 * Georgia Institute of Technology, Atlanta, GA, USA（佐治亚理工学院）
AI总结 CAPS通过结合SO(2)旋转和三种加法门控路径，实现了在时间序列预测中统一注意力、递归和对齐，提升了长期和短期预测性能。
灌注成像与单材料重建在多能X射线计数CT中的应用
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） ； School of Electrical and Computer Engineering（电气与计算机工程学院） ； Department of Radiology and Imaging Sciences（放射学与影像科学系） ； Emory University School of Medicine（埃默里大学医学院） ； Winship Cancer Institute（Winship癌症研究所） ； Emory University（埃默里大学） ； Department of Biomedical Engineering（生物医学工程系）
AI总结 本文提出VI-PRISM算法，用于低剂量灌注CT中的单材料重建，实现比传统方法更精确且更高效的对比剂浓度成像。
Comments Code is available at https://github.com/voilalab/VI-PRISM
基于Copula的聚合与上下文感知的符合预测用于可靠的可再生能源预测
机构 * NSF Artificial Intelligence Institute for Advances in Optimization（NSF人工智能优化研究所） ； 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）
AI总结 本文提出基于Copula和上下文感知符合预测的聚合方法，用于在无法训练系统级模型时实现可靠可再生能源预测。
Euler均流用于欧拉步生成的轨迹一致性
机构 * College of Computing, Georgia Tech, Location, Country（计算学院，佐治亚理工学院）
AI总结 本文提出Euler均流框架，通过线性替代物实现长时间轨迹一致性，提升生成稳定性与效率，减少训练时间和内存消耗。
Comments 40 pages, 27 figures
DuoGen：迈向通用的交错多模态生成
机构 * Georgia Tech（佐治亚理工学院） ； NVIDIA research.nvidia.com/labs/dir/duogen（NVIDIA 研究所）
AI总结 DuoGen通过系统性地解决数据整理、架构设计和评估问题，实现了通用的交错多模态生成，提升了文本质量、图像保真度和图像-上下文对齐性能。
Comments Technical Report. Project Page: https://research.nvidia.com/labs/dir/duogen/
具有实体级隐私保证的差分隐私关系学习
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Purdue University（普渡大学）
AI总结 本文提出了一种具有实体级差分隐私保证的关系学习框架，通过自适应梯度裁剪和隐私放大分析，实现对关系数据的隐私保护与模型训练的平衡。
信任由设计：基于技能配置的透明、成本感知的LLM路由
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 BELLA框架通过基于技能的可解释方法，为LLM路由提供透明、成本感知的最优模型选择方案，帮助从业者在性能与成本间做出合理权衡。
Comments Appeared at MLSys YPS 2025
OS-Marathon: 在长周期重复任务上评估计算机使用代理的基准测试
机构 * University of Oxford（牛津大学） ； Microsoft（微软公司） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 OS-Marathon通过建立长周期重复任务的基准测试，评估计算机使用代理在处理复杂工作流中的性能和有效性。
Comments 22 Pages, Project Page: https://os-marathon.github.io/
具有Epanechnikov能量的密集关联记忆
机构 * IBM Research（IBM研究院） ； Georgia Tech（佐治亚理工学院） ； Harvard（哈佛大学） ； UC Davis（加州大学戴维斯分校）
AI总结 本文提出了一种基于Epanechnikov核的LSR能量函数，用于改进DenseAM网络的记忆检索能力，并展示了其在生成任务中的潜力。
Comments Accepted as Spotlight Poster to NeurIPS 2025 main conference
对部分观测数据的度量一致性正则化的理论分析
机构 * H. Milton Stewart School of Industrial & Systems Engineering at Georgia Institute of Technology（佐治亚理工学院H.Milton Stewart工业与系统工程学院） ； Department of Mechanical and Industrial Engineering at Northeastern University（东北大学机械与工业工程系）
AI总结 本文通过理论分析探讨了度量一致性正则化在部分观测数据中的作用机制，并提出了一种新的训练协议以提升模型泛化能力。
位置：人本AI需要最低可行的人类理解水平
机构 * Worcester Polytechnic Institute（沃斯特理工学院） ； Tohoku University（东北大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出认知完整性阈值（CIT）作为人本AI中保持监督和问责的关键标准，强调人类必须保留的最低理解水平以应对持续的人工智能委托。
Comments 14 pages, 1 figures
多变量时间序列数据填补 via 分布鲁姆正则化
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Washington（华盛顿大学）
AI总结 本文提出DRIO方法，通过分布鲁姆正则化在多变量时间序列填补中实现重建准确性和分布对齐的帕累托最优。
AIRE-Prune：用于状态空间模型中状态剪枝的渐近脉冲响应能量
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Laboratory for Physical Sciences（物理科学实验室）
AI总结 AIRE-Prune通过渐近脉冲响应能量评分实现状态空间模型的状态剪枝，有效降低计算成本并保持高精度。
Stable Signer: 层级化手语生成模型
机构 * Rutgers University（罗格斯大学） ； Nanyang Technological University（南洋理工大学） ； 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）
AI总结 本文提出Stable Signer模型，通过层级生成端到端任务提升手语视频生成质量，采用SLUL和SLP-MoE模块实现高效生成。
Comments 12 pages, 7 figures. More Demo at https://stablesigner.github.io
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