高校专区
机器人学习的世界模型：全面综述
机构 * Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； The University of Tokyo（东京大学） ； University of Oxford（牛津大学） ； Microsoft（微软公司） ； ETH Zurich（苏黎世联邦理工学院） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学）
AI总结 综述从机器人学习角度系统回顾世界模型的快速发展，探讨其与机器人策略的耦合、作为强化学习模拟器的作用以及机器人视频世界模型的发展，总结关键范式与挑战。
Comments 43 pages, 6 figures
唤醒视觉：为TinyML计算机视觉应用定制的数据集和基准套件
机构 * Harvard University（哈佛大学） ； Technical University of Denmark（技术大学） ； Scuola Superiore Sant’Anna（圣安娜高等学院） ； University of Genoa（热那亚大学） ； Moonshine AI
AI总结 本文提出Wake Vision数据集和基准套件，通过自动化方法生成和整理大规模二分类数据集，提升TinyML视觉任务的性能和准确性。
停止屏息：基于CT的高斯点云法用于动态支气管镜
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Harvard Medical School（哈佛医学院） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出利用患者特定的呼吸模型消除屏息协议需求，通过配对呼气吸气CT扫描减少呼吸运动，实现连续的变形感知重建。
稀疏自编码器能否捕捉概念流形？
机构 * Harvard University（哈佛大学） ； Northeastern University（东北大学） ； Technion IIT（技术学院） ； Stanford University（斯坦福大学）
AI总结 本文探讨了稀疏自编码器捕捉流形的能力，指出现有方法在连续结构恢复上存在不足，并提出应以几何对象而非单个方向作为可解释性基础。
人、机器与数学
机构 * NSF AI Institute for Artificial Intelligence and Fundamental Interactions（美国国家科学基金会人工智能与基本相互作用研究所） ； EPSRC Centre for Doctoral Training: Mathematics of Random Systems（英国工程与物理科学研究委员会博士培训中心：随机系统数学） ； Center of Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学中心） ； Department of Physics, Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT）物理系） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） ； MathePhysics
AI总结 本文探讨构建统一框架以指导学习、优化与建模领域的发展，提出解决可解问题的通用收敛定理，并利用动力系统、几何和基础物理中的工具简化学习研究。
Comments 31 pages, 8 figures, 3 appendices. Survey article/scientific manifesto covering learning and optimisation from a broad perspective, especially within computational contexts
NeuroPlastic：一种基于可塑性的优化器，用于生物启发的学习动态
机构 * Department of Neurology, Beth Israel Deaconess Medical Center, Harvard Medical School（神经病学系，贝塞斯达德acons医疗中心，哈佛医学院） ； Department of Biostatistics, Harvard T.H. Chan School of Public Health（生物统计学系，哈佛T.H. Chan公共卫生学院） ； Department of Statistics, John A. Paulson School of Engineering and Applied Sciences, Harvard University（统计学系，约翰·A·保罗森工程与应用科学学院，哈佛大学） ； Department of Psychology, Columbia University（心理学系，哥伦比亚大学）
AI总结 NeuroPlastic通过多信号可塑性机制改进梯度更新，提升图像分类性能，在少数据场景下表现更佳，且在迁移学习中保持稳定性和竞争力。
Comments 16 pages, 7 figures
机器学习原子势中的专家混合框架
机构 * Department of Materials Science and Engineering, Massachusetts Institute of Technology, Cambridge, MA, USA（材料科学与工程系，麻省理工学院，剑桥，马萨诸塞州，美国） ； John A. Paulson School of Engineering and Applied Sciences, Harvard University, Cambridge, MA, USA（约翰·A·波尔森工程与应用科学学院，哈佛大学，剑桥，马萨诸塞州，美国） ； Robert Bosch LLC Research and Technology Center, Watertown, MA, USA（罗伯特·博世 LLC 研究与技术中心，沃特敦，马萨诸塞州，美国）
AI总结 本文提出一种基于E(3)等价Allegro架构的多保真度专家混合框架，用于提升原子模拟的计算效率与精度，通过在不同区域分配不同能力的模型，解决界面机械不匹配问题，验证了其在Pt+CO催化系统中的有效性。
Comments 10 pages, 5 figures
自主知识图谱探索与自适应广度-深度检索
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Departamento de Computación, FCEyN, Universidad de Buenos Aires（布宜诺斯艾利斯大学计算机系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学苏州市先进研究中心） ； ELIAS Lab, Departamento de Ingeniería, Universidad de San Andrés（圣安德鲁大学工程系ELIAS实验室） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Allston, MA, USA（自然与人工智能研究所，马萨诸塞州阿利斯顿） ； Broad Institute of MIT and Harvard, Cambridge, MA, USA（MIT和哈佛大学Broad研究所） ； Harvard Data Science Initiative, Cambridge, MA, USA（哈佛大学数据科学倡议）
AI总结 本文提出ARK工具，通过全局词搜索和邻域探索平衡知识图谱的广度与深度检索，提升多跳遍历效率，在STaRK上达到59.1%的平均Hit@1和67.4的平均MRR，优于其他方法。
Comments Accepted at ACL 2026 Main Conference
混合扩散用于同时符号化和连续规划
机构 * Department of Mechanical and Industrial Engineering, Norwegian University of Science and Technology (NTNU)（挪威科学技术大学机械与工业工程系） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Harvard University（哈佛大学）
AI总结 本文提出混合扩散方法，结合离散变量扩散和连续扩散，提升机器人长周期任务规划性能，实现符号计划与连续轨迹生成的协同优化。
Comments 10 pages, 11 figures. This work has been submitted to the IEEE for possible publication. See https://sigmundhh.com/hybrid_diffusion/ for the project website
Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 4, pp. 4489-4496, April 2026
QCalEval：用于量子校准图理解的视觉-语言模型基准测试
机构 * NVIDIA ； University of Toronto（多伦多大学） ； IQM Quantum Computers（IQM量子计算机） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； Conductor Quantum（Conductor量子） ； National Physical Laboratory（国家物理实验室） ； Infleqtion ； Harvard University（哈佛大学） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； Northwestern University（西北大学） ； EeroQ Corporation（EeroQ公司） ； Royal Holloway University of London（伦敦皇家霍洛威大学） ； Vector Institute for Artificial Intelligence（人工智能向量研究所）
AI总结 本文提出QCalEval，首个用于评估视觉-语言模型理解量子校准图能力的基准测试，包含243个样本和87种场景类型，测试零样本和上下文学习下的六种问题类型，展示了不同模型的性能差异。
利用概率流匹配学习基因调控的生物物理模型
机构 * Center for Computational Biology, Flatiron Institute, New York, NY, USA, 10010 ； Molecular \& Cellular Biology Department, Harvard University, Cambridge, MA 02138 ； Courant Institute of Mathematical Sciences, New York University, New York, NY, USA, 10012
AI总结 本文提出概率流匹配方法，用于从单细胞测序数据中学习生物物理一致的基因调控过程，展示了其在造血分化数据集中的应用，能够准确捕捉细胞命运决定和基因扰动响应等机制。
通过语音合成进行老年人语境数据增强用于老年人ASR
机构 * Department of Computer Science and Artificial Intelligence, Dongguk University（计算机科学与人工智能系，东国大学） ； Department of Biostatistics, Harvard University（生物统计学系，哈佛大学）
AI总结 本文通过结合大语言模型和语音合成技术，解决老年人ASR数据稀缺问题，实验表明方法有效降低WER达58.2%。
Comments 5 pages, 2 figures, under review at IEEE Signal Processing Letters
利用嵌入模型改进概率性种族预测
机构 * Harvard University（哈佛大学） ； Department of Government, Harvard University（哈佛大学政府系） ； Department of Government and Department of Statistics, Harvard University（哈佛大学政府系和统计系） ； Institute for Quantitative Social Science（定量社会科学研究所）
AI总结 本文提出eBISG方法，通过预训练文本嵌入提升种族预测精度，尤其对非普查名单中的姓名效果显著，尤其对西班牙裔和亚裔选民提升明显。
贝叶斯逆向转移学习：从近优轨迹中学习动态
机构 * Harvard University（哈佛大学） ； Imperial College London（帝国理工学院伦敦分校）
AI总结 本文提出逆向转移学习方法，通过近优轨迹的有限覆盖作为特征，结合贝叶斯方法估计动态，提升决策质量并指导迁移成功判断。
光激活PARP1抑制剂的计算设计与实验验证
机构 * Department of Chemistry and Chemical Biology, Harvard University, Cambridge, MA, 02138（哈佛大学化学与生物化学系） ； Institute of Organic Chemistry and Biochemistry of the Czech Academy of Sciences, Flemingovo nám. 2, 160 00 Prague 6, Czech Republic（捷克科学院有机化学与生物化学研究所） ； Department of Materials Science and Engineering, Massachusetts Institute of Technology, Cambridge, MA, 02139（麻省理工学院材料科学与工程系）
AI总结 本文通过计算方法筛选出具有红移吸收光谱的PARP1光抑制剂候选物，并通过实验验证其光响应特性，展示了计算指导的筛选策略及当前研究的局限性。
可微的忠实对齐用于跨模型电路转移
机构 * University of Cambridge（剑桥大学） ； Kempner Institute, Harvard University（哈佛大学凯普勒研究所） ； University of Edinburgh（爱丁堡大学） ； Technion（技术学院）
AI总结 本文提出DFA框架，通过学习可微对齐将小模型的电路信息转移到大模型，实验证明在事实检索、多选推理和算术任务中，DFA在Llama-3 1B→3B任务中表现优异，且在某些情况下恢复的电路忠实度不低于直接归因。
Comments 10 pages, 5 figures
大规模神经科学时代的整合神经计算建模
机构 * Champalimaud Centre for the Unknown（Champalimaud 未知中心） ； Janelia Research Campus（Janelia 研究campus） ； Harvard University（哈佛大学） ； Yale University（哥伦比亚大学） ； École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院） ； RyvivyR Inc（RyvivyR 公司）
AI总结 本文提出整合神经计算模型，通过结合非线性状态空间模型和元动力学扩展，实现对脑体环境闭环耦合的建模，旨在推断神经和行为动态的组织原则。
Comments Perspective
被共识掩盖：在LLM正确性中解构特权知识
机构 * Technion – Israel Institute of Technology（技术学院–以色列理工学院） ； IBM Research（IBM研究院） ； Kempner Institute, Harvard University（哈弗大学凯普纳研究所）
AI总结 研究探讨大语言模型是否具备类似人类的内部状态评估正确性知识，通过自代表和外部模型对比发现，在分歧子集上，自代表在事实任务中表现更优，但数学推理中无优势。
Comments Accepted to ACL 2026 (Main Conference). 8 pages, 16 figures, 2 tables
CRISP：通过稀疏自编码器实现持久性概念卸载
机构 * Technion – Israel Institute of Technology（技术ion-以色列理工学院） ； Boston University（波士顿大学） ； University of Zagreb, FER（Zagreb大学，FER） ； Kempner Institute, Harvard University（哈佛大学 Kempner研究所）
AI总结 CRISP利用稀疏自编码器实现持久性概念卸载，通过自动识别多层显著SAE特征并抑制其激活，优于现有方法，在WMDP基准的安全关键卸载任务中有效移除有害知识并保持通用能力。
Comments Accepted to ACL 2026
超节点和光环：LLM前馈层中的损失关键枢纽
机构 * Kempner Institute at Harvard University（哈佛大学凯普纳研究所）
AI总结 研究Transformer前馈网络中通道级重要性的组织方式，发现损失敏感性集中于少量通道，通过损失代理展示超节点和光环结构，验证保护核心对结构化剪枝的重要性。
领域适应的ECG基础模型微调用于多标签结构性心脏病筛查
机构 * PASSIO Laboratory, North Carolina A&T State University（北卡罗来纳阿塔州立大学PASSIO实验室） ； Department of Computer Science, University of Manitoba（曼尼托巴大学计算机科学系） ； Harvard T.H. Chan School of Public Health, Harvard University（哈佛大学T.H. Chan公共卫生学院） ； Department of Medicine, Jordan University of Science and Technology（约旦科学与技术大学医学院） ； Department of Biomedical Engineering, Duke University（达特茅斯大学生物医学工程系） ； Harvard Medical School（哈佛医学院） ； Beth Israel Deaconess Medical Center, Harvard Medical School（哈佛医学院贝塞斯达以色列德acons医疗中心）
AI总结 本文探讨了使用公开的EchoNext Mini-Model基准评估开放预训练的ECG基础模型在多标签结构性心脏病检测中的应用，通过领域适应和选择性监督微调提升性能。
Comments Accepted to Canadian AI 2026
聚拢：通过统计嵌入分析流行歌曲
机构 * Harvard University（哈佛大学） ； Dalhousie University（达尔豪斯大学）
AI总结 本文利用逻辑主成分分析构建歌曲嵌入，分析列侬和麦卡特尼1962-1966年歌曲的结构和风格演变，探讨歌曲嵌入如何按专辑聚类及创作风格的收敛或发散。
训练-推断输入对齐在纵向视网膜图像预测中优于框架选择
机构 * Department of Ophthalmology, Massachusetts Eye and Ear, Harvard Medical School（眼科部门，麻省眼耳医院，哈佛医学院） ； Harvard Ophthalmology AI Lab, Schepens Eye Research Institute, Harvard Medical School（哈佛眼科人工智能实验室，斯科普斯眼研究所，哈佛医学院） ； Ocular Genomics Institute, Massachusetts Eye and Ear, Harvard Medical School（眼科基因组研究所，麻省眼耳医院，哈佛医学院） ； Broad Institute of MIT and Harvard, Cambridge, MA, USA（麻省理工学院与哈佛大学 Broad 实验室，剑桥，马萨诸塞州，美国）
AI总结 本文研究了在纵向视网膜图像预测中，训练-推断输入对齐比框架选择更重要，通过分析任务熵和后验集中度，提出生成复杂度应与任务条件后验的熵匹配，实验表明对齐输入能显著提升性能，而框架选择无临床意义差异。
并非所有方向都重要：迈向结构化和任务感知的低秩模型适应
机构 * University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； University of Virginia（弗吉尼亚大学） ； Tulane University（路易斯安那州立大学） ； Yale University（耶鲁大学） ； Brown University（布朗大学） ； Northeastern University（东北大学） ； University of Bristol（布里斯托尔大学） ； Harvard University（哈佛大学）
AI总结 本文提出StructLoRA框架，通过信息瓶颈引导过滤和图协调器解决低秩适应中的语义漂移和结构不一致问题，实验证明其在多种模型上均优于传统LoRA及其他方法，尤其在低秩和低数据场景下表现突出。
Comments ACL 2026
残差特征整合足以防止负迁移
机构 * University of California, Berkeley（加州大学伯克利分校） ； Harvard University（哈佛大学） ； Rutgers University（罗格斯大学）
AI总结 本文提出通过整合冻结的预训练源特征与可训练的目标编码器，有效防止负迁移，理论证明其收敛率不低于从头训练，并在多个数据集上验证了方法的鲁棒性与广泛适用性。
Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026)
神经模型从现代数据中恢复班图语言的历史词汇结构
机构 * Harvard University（哈佛大学）
AI总结 研究神经模型是否能从现代形态数据中恢复跨语言词汇结构，发现13个 productive classes 在班图语言中保持高相似性，验证了与Proto-Bantu的关联。
通过跨语言迁移和无监督聚类在低资源班图语言中实现零样本形态发现
机构 * Harvard University（哈佛大学）
AI总结 本文提出结合跨语言迁移学习与无监督聚类的方法，用于发现低资源班图语言的形态特征，在Giriama语言中发现2,455个词的名词类分配及两个新形态模式，通过外部验证和语料扩展验证了方法的有效性。
长尾互联网照片重建
机构 * Cornell University（康奈尔大学） ； Kempner Institute, Harvard University（哈佛大学凯普勒研究所）
AI总结 本文针对长尾分布的互联网照片重建问题，提出MegaDepth-X数据集和采样策略，提升极端稀疏场景下的3D重建鲁棒性，并增强对对称重复场景的重建可靠性。
Comments Project page: https://megadepth-x.github.io/
迈向安全的移动性：由开放-ended视觉-语言数据集驱动的统一运输基础模型
机构 * Nanyang Technological University（南洋理工大学） ； Harvard University（哈佛大学）
AI总结 本文提出Land Transportation Dataset数据集和UniVLT模型，通过开放-ended视觉问答和多任务学习，提升城市交通环境下的安全推理能力，实现微观自动驾驶与宏观交通分析的统一。
ArchSym：在真实场景中检测3D基础的建筑对称性
机构 * Cornell University（康奈尔大学） ； Kempner Institute, Harvard University（哈佛大学凯普勒研究所）
AI总结 本文提出首个基于单张真实RGB图像检测3D基础反射对称性的框架，通过自动生成大规模建筑对称性数据集ArchSym，并引入单视角对称检测器，实现对3D对称性的精确定位。
Comments project page: https://hanyuc.com/archsym/
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