高校专区
面向组合优化中算法对齐的蒸馏保证
机构 * SEAS, Harvard University（哈佛大学SEAS学院）
AI总结 本文研究了在算法对齐框架下，通过蒸馏将大规模模型的知识转移到更高效的模型以用于部署的问题，重点分析了当目标模型是图神经网络且其架构与动态规划算法对齐时，蒸馏成功的条件。
Comments 22 pages
语言模型中的极端自我偏好
机构 * Cangrade, Inc.（Cangrade公司） ； Department of Physics, Harvard University（哈佛大学物理系） ； Department of Psychology, Harvard University（哈佛大学心理学系）
AI总结 研究发现大型语言模型在字词关联任务中表现出对自身名称、公司和CEO的强烈偏好，这表明模型的自我认同可能影响其行为，引发对模型自我偏好影响的深入探讨。
Comments 73 pages total. Main article 22 pages, 6 main-text tables. Supplementary Materials (51 pages, 28 tables). Data, transcripts, and code for replication and data extraction have been uploaded to OSF: https://osf.io/98ye3/
快速的患者特异性神经网络用于术中X射线到体积的配准
机构 * Harvard-MIT Health Sciences and Technology, Massachusetts Institute of Technology（哈佛-麻省理工健康科学与技术, 麻省理工学院） ； Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（计算机科学与人工智能实验室, 麻省理工学院） ； Department of Radiology, Harvard Medical School（哈佛医学院放射科） ； Saint Luke’s Marion Bloch Neuroscience Institute（圣路易斯马里恩布洛克神经科学研究所） ； Department of Critical Care Medicine, Shriners Children’s Hospital（谢尔曼儿童医院重症医学科） ； Department of Interventional Neuroradiology, Boston Children’s Hospital（波士顿儿童医院介入神经放射科） ； Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital（阿提努拉A·马丁诺斯生物医学成像中心, 麻省总医院）
AI总结 本文提出了一种自监督框架xvr，结合患者特异性神经网络和梯度优化，实现了快速且准确的2D到3D配准，通过物理模拟生成训练数据，无需手动标注，提升了临床和研究社区的广泛应用能力。
Going PLACES: 参与式本地化红队测试用于全球南方的文本到图像安全
机构 * Google DeepMind（谷歌DeepMind） ； Yonsei University（延世大学） ； Imperial College（帝国理工学院） ； University of Wisconsin–Stevens Point（威斯康星州立大学斯普林特分校） ； Google Research（谷歌研究） ； Harvard University（哈佛大学）
AI总结 本文提出PLACES数据集，通过在非洲和亚洲的本地社区进行参与式红队测试，收集了26000多个文本到图像模型失败案例，揭示了全球南方在文化和社会规范方面的独特对抗模式和安全框架的结构性缺失。
Comments Published at ACM Conference on FAccT 2026
LiFT：用于从2D生成器生成3D图像的提升跨切片特征轨迹
机构 * School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） ； Center for Advanced Medical Computing and Analysis, Massachusetts General Hospital and Harvard Medical School（马萨诸塞总医院和哈佛医学院高级医学计算与分析中心） ； Kempner Institute, Harvard University（哈佛大学凯普纳研究所）
AI总结 本文提出LiFT框架，通过将3D体积合成分解为单切片图像生成和跨切片轨迹学习，解决高分辨率3D医学图像生成中体积模型计算成本高和2D切片生成器在第三维度上无法保持解剖一致性的问题。
离散倾斜匹配
机构 * Harvard University（哈佛大学） ； University of Oxford（牛津大学） ； Kempner Institute（凯姆纳研究所）
AI总结 本文提出了一种无需概率模型的离散倾斜匹配方法，用于改进扩散大语言模型的微调，通过局部解掩码后验的状态级匹配来提高训练稳定性并防止模式崩溃。
超越尺寸和增长：利用AI进行肺结节检测与诊断的肺癌筛查再思考
机构 * Université de Paris Cité, AP-HP, Hôpital Universitaire Necker Enfants Malades, Service d’Imagerie Adulte（巴黎大学Cité，AP-HP，Necker儿童医院成人影像科） ； Memorial Sloan Kettering Cancer Center, Department of Radiology（纪念斯隆凯特琳癌症中心，放射科） ； Sorbonne Université, CNRS UMR 7371, INSERM U 1146, Laboratoire d’Imagerie Biomédicale (LIB)（索邦大学，CNRS UMR 7371，INSERM U 1146，生物医学成像实验室） ； Median Technologies, eyonis（Median Technologies，eyonis） ； Mount Auburn Hospital/Beth Israel Lahey Health, Cambridge MA, USA（Mount Auburn医院/Beth Israel Lahey健康，马萨诸塞州剑桥市，美国） ； Harvard Medical School, Boston MA, USA（哈佛医学院，马萨诸塞州波士顿，美国）
AI总结 本文提出了一种基于AI的集成系统，通过低剂量CT扫描在结节层面直接进行结节检测和恶性评估，超越传统基于尺寸和增长的筛查标准，提高了肺癌筛查的准确性和效率。
Comments 25 pages, 8 figures, with supplementary information containing 11 figures
超越多数投票：利用高阶信息进行LLM聚合
机构 * Massachusetts Institute of Technology（麻省理工学院） ； School of Engineering and Applied Sciences（工程与应用科学学院） ； Harvard University（哈佛大学） ； Data Science, The University of Chicago（数据科学，芝加哥大学）
AI总结 本文提出Optimal Weight和Inverse Surprising Popularity两种算法，通过结合一阶和二阶信息，有效缓解多数投票的局限性，提升多智能体LLM聚合的可靠性。
Comments Accepted into ICML 2026
YAC：通过生成式AI连接自然语言与交互式视觉探索，用于生物医学数据发现
机构 * Harvard Medical School（哈佛医学院）
AI总结 本文提出YAC系统，结合自然语言输入和交互式可视化，通过生成式AI提升生物医学数据发现接口的能力，通过用户研究和系统分析改进系统设计和功能。
轨迹数据归因的可信度如何？误差来源、缓解方法和实用指南
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学）
AI总结 本文系统分析了轨迹数据归因方法的误差来源，并提出缓解方法和实用指南，通过将总误差分为配置级、算法级和系统级，改进了归因的准确性，并为数据选择提供了可行的实践指导。
学习正常表示以血清生物标志物
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Department of Systems Biology, Harvard Medical School（哈佛医学院系统生物学系） ； Department of Medicine, Brigham and Women’s Hospital（布里洛妇产科医院医学系） ； Department of Mathematics, Johns Hopkins University（约翰霍普金斯大学数学系） ； Computational Health Informatics Program (CHIP), Boston Children’s Hospital（波士顿儿童医院计算健康信息学计划） ； The Ivan and Francesca Berkowitz Family Living Laboratory Collaboration at Harvard Medical School and Clalit Research Institute（哈佛医学院伊万和弗rancesca伯克伍德家庭生活实验室合作项目及克劳斯研究机构） ； Clalit Research Institute, Innovation Division, Clalit Health Services（克劳斯研究机构创新部门，克劳斯健康服务） ； Faculty of Computer and Information Science, Ben Gurion University（本· Gurion大学计算机与信息科学系）
AI总结 该研究提出NORMA框架，通过结合患者历史和人口水平数据生成更精确的参考区间，以改善血清生物标志物的个性化解读，避免过度个性化导致的误诊风险。
基于语音引导的多模态学习用于实时MRI中的声道分割
机构 * Harvard Medical School / Massachusetts General Hospital（哈佛医学院/麻省总医院） ； Institute for Information Processing, Leibniz University Hannover（汉诺威莱布尼茨信息处理研究所） ； GITA Lab, Facultad de Ingeniería. Universidad de Antioquia UdeA（安提奥基亚大学工程学院GITA实验室）
AI总结 本文提出了一种三阶段框架，利用语音和语音学监督进行训练，仅需实时MRI图像进行推理，通过将语音学表示转换为空间边界框先验进行发音器官定位，通过双级跨模态对比预训练对视觉和音频编码器对齐，并通过跨注意力解码器融合学习的表示，有效将多模态知识转移到单模态推理管道中，实验表明该方法在75-Speaker~Annot-16和USC-TIMIT数据集上优于现有单模态和多模态方法。
Comments under review
SIREM: 语音引导的MRI重建与学习采样
机构 * Pattern Recognition Lab, Friedrich-Alexander-Universität Erlangen-Nürnberg（埃森哲-埃尔朗根-纽伦堡大学模式识别实验室） ； Institute of Radiology, University Hospital Erlangen, Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根大学医院放射学研究所） ； Institut für Informationsverarbeitung, Leibniz Universität Hannover（汉诺威莱比锡大学信息处理研究所） ； Department of Radiology, Harvard Medical School and Massachusetts General Hospital（哈佛医学院放射科和麻省总医院）
AI总结 本文提出了一种语音引导的MRI重建框架SIREM，通过同步语音作为跨模态先验，利用语音与声音学之间的相关性预测图像内容，从而在更高的吞吐量下实现更合理的解剖结构重建。
EveryQuery: 通过电子健康记录上的任务条件预训练实现零样本临床预测
机构 * Harvard-MIT HST（哈佛-麻省理工学院HST） ； Columbia University（哥伦比亚大学） ； Harvard Medical School（哈佛医学院）
AI总结 本文提出EveryQuery，一种通过任务条件预训练实现零样本临床预测的电子健康记录基础模型，通过直接估计未来窗口内结果发生的可能性，而非生成未来事件，从而在多个预测任务中优于自回归基线模型。
评估语言模型对游戏的评估
机构 * University of Cambridge（剑桥大学） ； MIT（麻省理工学院） ； Princeton University（普林斯顿大学） ； NYU（纽约大学） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 本文研究了语言模型对游戏评估的能力，通过比较现代语言模型和人类及符号计算代理的评估结果，发现推理模型在游戏评估上更接近人类，但随着模型接近博弈最优，其与人类数据的匹配度会减弱，且在评估趣味性时表现出更大的波动。
TeleRAG: 通过前瞻性检索实现高效的检索增强生成推理
机构 * Paul G. Allen School of Computer Science and Engineering, University of Washington, Seattle, WA, USA（华盛顿大学保罗·G·艾伦计算机科学与工程学院，西雅图，华盛顿州，美国） ； Harvard John A. Paulson School of Engineering and Applied Sciences, Harvard University, Cambridge, MA, USA（哈佛大学约翰·A·保罗森工程与应用科学学院，剑桥，马萨诸塞州，美国） ； Shanghai Jiao Tong University, Shanghai, China（上海交通大学，上海，中国）
AI总结 本文提出TeleRAG，一种通过前瞻性检索机制减少延迟并提高吞吐量的高效检索增强生成推理系统，该系统在有限的GPU内存下实现了更高的性能和可扩展性。
自蒸馏在带噪协方差模型中的谱收缩估计器中是最优的
机构 * Department of Statistics, Harvard University（哈佛大学统计学系） ； Department of Mathematics & Statistics, Boston University（波士顿大学数学与统计学系）
AI总结 本文研究了自蒸馏在带噪协方差模型中的表现，证明了在谱收缩估计器中，s步自蒸馏在性能上最优，并展示了其在统计和机器学习中的优势。
Comments 103 pages, 8 figures
考虑运动不确定性的移动物体重建最佳下视角规划
机构 * Harvard University（哈佛大学） ； University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）
AI总结 本文提出了一种考虑运动不确定性的最佳下视角规划框架，用于重建未知的刚体目标，该框架利用噪声的平面位置测量和移动机器人深度观测，通过固定滞后高斯过程平滑器估计和预测目标状态，从而生成候选视角并提高重建完整性。
Comments This paper is accepted for publication for Robotics: Science and Systems (RSS) 2026
Concordia：面向联邦大语言模型的自改进合成表格
机构 * University of Manchester（曼彻斯特大学） ； National University of Singapore（新加坡国立大学） ； New York University（纽约大学） ； University of Minnesota（明尼苏达大学） ； Halmstad University（哈姆斯塔德大学） ； Harvard University（哈佛大学） ； University of Florida（佛罗里达大学）
AI总结 本文研究了在无法共享原始数据的情况下，如何通过自改进的合成表格来提升联邦学习中大语言模型的适应能力，提出了一种三层优化框架Concordia，通过参数高效LoRA训练和轻量级效用评分器提升联邦验证效用和跨客户端稳定性。
Comments 12 pages
语言模型能否识别乳腺癌放射治疗的副作用？
机构 * University of Virginia（弗吉尼亚大学） ； Mass General Brigham Dana-Farber Cancer Institute Harvard Medical School（麻省总医院达纳-法伯癌症研究所哈佛医学院）
AI总结 本研究探讨了语言模型在识别乳腺癌放射治疗副作用中的能力，通过评估多种语言模型在不同提示下的表现，揭示了其在精度、召回率及罕见长期副作用识别上的局限性，并提出了改进方向。
旧习惯难改：对话历史如何几何学地困住大语言模型
机构 * Technion - Israel Institute of Technology（技术ion-以色列理工学院） ； University of Oxford（牛津大学） ； University of Zagreb, FER（Zagreb大学，FER） ； Kempner Institute, Harvard University（Kempner研究所，哈佛大学） ； University of Edinburgh（爱丁堡大学）
AI总结 研究探讨对话历史如何通过几何陷阱影响大语言模型的后续表现，提出History-Echoes框架从概率和几何两个角度分析对话历史偏差，并揭示行为持续性在潜在空间中的几何陷阱。
Comments Accepted to ICML 2026
多层交叉注意力是多模态上下文学习中可证明最优的
机构 * Harvard University（哈佛大学）
AI总结 本文研究了多模态上下文学习中多层交叉注意力机制的理论最优性，证明了在多模态数据下，交叉注意力机制在梯度流优化下可达到贝叶斯最优，同时指出单层线性自注意力无法在任务分布下统一恢复贝叶斯最优预测。
FinAuditing: 一个基于财务分类结构的多文档基准，用于评估LLMs
机构 * Columbia University（哥伦比亚大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Rensselaer Polytechnic Institute（拉特格斯理工学院） ； University of Montreal（蒙特利尔大学） ； McGill University（麦吉尔大学） ； MBZUAI（麦吉尔大学人工智能研究所） ； Cardiff University（卡迪夫大学） ； The University of Manchester（曼彻斯特大学） ； Harvard University（哈佛大学）
AI总结 本文提出FinAuditing，一个基于财务分类结构的多文档基准，用于评估大型语言模型在财务审计任务中的能力，通过三个任务：财务语义匹配、财务关系提取和财务数学推理，揭示了现有LLMs在概念检索、分类感知关系建模和跨文档一致性推理方面的显著差距。
Comments Accepted by SIGIR 2026 Resource Track. Pre-camera-ready version
FinTagging: 评估LLM提取和结构化财务信息
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Columbia University（哥伦比亚大学） ； California State University（加州州立大学） ； University of Montreal（蒙特利尔大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Rensselaer Polytechnic Institute（莱斯利理工学院） ； The University of Manchester（曼彻斯特大学） ； Harvard University（哈佛大学）
AI总结 本文提出FinTagging基准，用于评估LLM在提取和结构化财务信息方面的能力，通过分解为FinNI和FinCL两个子任务，揭示了LLM在细粒度概念链接上的局限性。
RadGame：一种基于人工智能的放射学教育平台
机构 * Harvard Medical School（哈佛医学院） ； Mass General Brigham（麻省总医院） ； Maastricht University（马斯特里赫特大学） ； Department of Medical Imaging, King Abdulaziz Medical City, Ministry of National Guard, Riyadh, Saudi Arabia（国王阿卜杜勒-阿齐兹医疗城医学影像科，沙特阿拉伯） ； National Strategic Technology Research Institute, Seoul National University Hospital（全国战略技术研究所，首尔国立大学医院） ； Saint Louis University School of Medicine（圣路易斯大学医学院） ； College of Medicine, King Saud bin Abdulaziz University for Health Sciences（国王萨勒曼·本·阿卜杜勒阿齐兹大学医学院） ； Tufts University School of Medicine（塔夫茨大学医学院） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系）
AI总结 RadGame通过结合游戏化与大规模公开数据集，提供AI驱动的反馈，提升放射学教育中的定位和报告撰写能力，显著提高学习效果。
Comments ML4H Version
语言游戏：与非人类系统交谈
机构 * Allen Discovery Center at Tufts University（塔夫茨大学艾伦发现中心） ； Wyss Institute for Biologically Inspired Engineering at Harvard University（哈佛大学生物启发工程Wyss研究所）
AI总结 本文提出通过游戏机制与非人类系统对话，利用强化学习政策的核心动态，使系统通过自身行为回应，展示不同系统在对话中的收敛行为及特性影响。
Comments 29 pages, 12 figures, 7 tables
令牌游戏：通过谜题对决评估语言模型推理能力
机构 * Harvard University（哈佛大学）
AI总结 本文设计了令牌游戏（TTG）评估框架，通过模型自创谜题进行对决，利用Elo评分比较模型能力，验证了10个前沿模型的推理能力，且无需人工参与谜题创作。
Comments Project website: https://token-games.ai/
清除珠宝：基于谷歌OCR的藏文手稿的神经拼写纠正模型
机构 * Harvard University（哈佛大学） ； Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT））
AI总结 本文提出基于谷歌OCR的藏文手稿的神经拼写纠正模型，通过改进的Transformer架构实现自动纠正OCR噪声输出，实验表明其优于其他序列模型。
Journal ref Association for Computing Machinery 2024
前瞻性多病原体疾病预测使用自主LLM引导的树搜索
机构 * Google Research（谷歌研究） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） ； Google Deepmind（谷歌DeepMind） ； University of Massachusetts（马萨诸塞大学）
AI总结 本文提出自主系统，利用LLM引导树搜索生成、评估和优化可执行预测软件，在2025-2026年美国呼吸道季节中实现了流感、新冠和呼吸道合胞病毒的多方法模型，其集成模型在样本外表现优于CDC标准模型。
优化的三维光伏结构与LLM引导的树搜索
机构 * Google Research School of Engineering and Applied Sciences, Harvard University（谷歌研究工程与应用科学学院，哈佛大学） ； Google Research（谷歌研究）
AI总结 本文利用AI编码系统生成新型科学假设，通过LLM驱动的树搜索算法优化三维光伏结构，解决中纬度地区传统光伏板的效率瓶颈问题。
Comments 10 pages 7 figures
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