Harvard University（哈佛大学）

Towards symbolic regression for interpretable clinical decision scores

迈向可解释临床决策评分的符号回归

Guilherme Seidyo Imai Aldeia, Joseph D. Romano, Fabricio Olivetti de Franca, Daniel S. Herman, William G. La Cava

机构 * Federal University of ABC（ABC联邦大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Institute for Biomedical Informatics, University of Pennsylvania（宾夕法尼亚大学生物医学信息学研究所） ； Boston Children's Hospital, Harvard Medical School（哈佛医学院波士顿儿童医院） 纠错

AI总结 本文提出Brush算法，结合决策树分裂与非线性常数优化，实现规则逻辑与符号回归的融合，提升临床评分的可解释性与预测性能。

Comments 15 pages, 5 figures. Accepted for publication in Philosophical Transactions A. Autor Accepted Manuscript version

Different types of syntactic agreement recruit the same units within large language models

不同类型的句法一致要求大型语言模型中的相同单元

Daria Kryvosheieva, Andrea de Varda, Evelina Fedorenko, Greta Tuckute

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Kempner Institute at Harvard University（哈佛大学肯普纳研究所） 纠错

AI总结 研究探讨了不同句法现象在大型语言模型中是否共享或独立激活单元，发现句法一致构成模型表征空间中的重要类别。

Lifetime-Aware Design for Item-Level Intelligence at the Extreme Edge

面向极端边缘的寿命感知设计用于物品级智能

Shvetank Prakash, Andrew Cheng, Olof Kindgren, Ashiq Ahamed, Graham Knight, Jed Kufel, Francisco Rodriguez, Arya Tschand, David Kong, Mariam Elgamal, Jerry Huang, Emma Chen, Gage Hills, Richard Price, Emre Ozer, Vijay Janapa Reddi

机构 * Harvard University（哈佛大学） 纠错

AI总结 本文提出FlexiFlow框架，通过整合计算到可丢弃产品中，利用柔性电子降低碳足迹，通过寿命感知设计优化架构和算法，实现显著的碳减排。

Many Preferences, Few Policies: Towards Scalable Language Model Personalization

多种偏好，少数政策：迈向可扩展的语言模型个性化

Cheol Woo Kim, Jai Moondra, Roozbeh Nahavandi, Andrew Perrault, Milind Tambe, Swati Gupta

机构 * Harvard University（哈佛大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The Ohio State University（俄亥俄州立大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出PALM方法，通过多维权重向量建模用户偏好，生成小规模LLM组合以实现个性化，理论保证了规模和近似质量的平衡。

Comments Fixed typos

$p1$: Better Prompt Optimization with Fewer Prompts

用更少提示实现更好的提示优化

Zhaolin Gao, Yu, Wang, Bo Liu, Thorsten Joachims, Kianté Brantley, Wen Sun

机构 * Cornell University（康奈尔大学） ； Microsoft（微软） ； Harvard University（哈佛大学） ； Databricks AI Research（Databricks AI研究） 纠错

AI总结 研究揭示提示优化有效性取决于系统提示与响应方差，提出$p1$过滤方法提升优化效果，实验显示其在推理基准上优于基线方法。

Meta-learning In-Context Enables Training-Free Cross Subject Brain Decoding

基于上下文的元学习实现无训练跨受试者脑解码

Mu Nan, Muquan Yu, Weijian Mai, Jacob S. Prince, Hossein Adeli, Rui Zhang, Jiahang Cao, Benjamin Becker, John A. Pyles, Margaret M. Henderson, Chunfeng Song, Nikolaus Kriegeskorte, Michael J. Tarr, Xiaoqing Hu, Andrew F. Luo

机构 * University of Hong Kong（香港大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Chinese University of Hong Kong（香港中文大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Harvard University（哈佛大学） ； Columbia University（哥伦比亚大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出一种基于上下文的元学习方法，无需微调即可实现跨受试者的脑解码，通过上下文学习和分层推理提升解码效率与鲁棒性。

Comments Accepted to CVPR 2026, website: https://github.com/ezacngm/brainCodec

Scalable Neural Decoders for Practical Fault-Tolerant Quantum Computation

可扩展的神经解码器用于实用的容错量子计算

Andi Gu, J. Pablo Bonilla Ataides, Mikhail D. Lukin, Susanne F. Yelin

机构 * Harvard University（哈佛大学） ； Harvard Quantum Initiative（哈佛量子计划） 纠错

AI总结 本文提出一种卷积神经网络解码器，利用量子纠错码的几何结构，在新型'瀑布'误差抑制模式中展示出更高的通过率和更低的逻辑错误率，表明在当前物理错误率下，大规模容错算法的逻辑错误率可降至10^-10。

Comments 18 pages, 9 figures

Deep Privacy Funnel Model: From a Discriminative to a Generative Approach with an Application to Face Recognition

深度隐私 funnel 模型：从判别到生成方法的转变及其在人脸识别中的应用

Behrooz Razeghi, Parsa Rahimi, Sébastien Marcel

机构 * Harvard University（哈佛大学） ； Idiap Research Institute（Idiap 研究所） ； École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院） ； Université de Lausanne（洛桑大学） 纠错

AI总结 本文提出深度隐私 funnel 模型，结合信息论隐私原则与表征学习，改进人脸识别中的隐私保护与效用平衡，同时引入生成隐私 funnel 模型和深度变分隐私 funnel 模型，降低敏感信息泄露。

Brain3D: EEG-to-3D Decoding of Visual Representations via Multimodal Reasoning

Brain3D: 通过多模态推理实现EEG到3D视觉表示的解码

Emanuele Balloni, Emanuele Frontoni, Chiara Matti, Marina Paolanti, Roberto Pierdicca, Emiliano Santarnecchi

机构 * Università Politecnica delle Marche（马尔凯理工大学） ； University of Macerata（马切拉塔大学） ； Horizon Intelligence Labs（地平线智能实验室） ； Harvard Medical School（哈佛医学院） ； Massachusetts General Hospital（麻省总医院） 纠错

AI总结 本文提出Brain3D，通过多模态推理实现EEG到3D解码，分阶段生成3D网格，提升神经解码的几何理解与应用性。

Comments 17 pages, 2 figures

EEG2Vision: A Multimodal EEG-Based Framework for 2D Visual Reconstruction in Cognitive Neuroscience

EEG2Vision：一种基于EEG的多模态框架，用于认知神经科学中的2D视觉重建

Emanuele Balloni, Emanuele Frontoni, Chiara Matti, Marina Paolanti, Roberto Pierdicca, Emiliano Santarnecchi

机构 * Università Politecnica delle Marche（马尔凯理工大学） ； University of Macerata（马切拉塔大学） ； Horizon Intelligence Labs（地平线智能实验室） ； Harvard Medical School（哈佛医学院） ； Massachusetts General Hospital（麻省总医院） 纠错

AI总结 EEG2Vision通过多模态大语言模型和图像扩散模型提升低密度电极配置下的视觉重建质量，验证了低分辨率EEG设备在实时脑-图像应用中的可行性。

Comments 17 pages, 5 figures

Generative optimal transport via forward-backward HJB matching

通过前向-后向HJB匹配实现生成最优传输

Haiqian Yang, Vishaal Krishnan, Sumit Sinha, L. Mahadevan

机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学） 纠错

AI总结 本文研究了从无序参考态到结构化目标集的许多体随机系统演化控制问题，提出利用前向-后向HJB方程的时间反演对称性，通过路径空间自由能和风险敏感控制方法，实现无需反向模拟的最优传输过程。

Comments 16 pages, 4 figures

The Cartesian Cut in Agentic AI

代理AI中的笛卡尔切割

Tim Sainburg, Caleb Weinreb

机构 * Harvard University（哈佛大学） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 本文探讨了代理AI中控制机制的设计，提出笛卡尔代理通过符号接口实现控制状态和策略的外部化，以实现自主性、鲁棒性和监督的平衡。

Decisions and Deployment: The Five-Year SAHELI Project (2020-2025) on Restless Multi-Armed Bandits for Improving Maternal and Child Health

决策与部署：为期五年的SAHELI项目（2020-2025）研究 restless multi-armed bandits 以改善母婴健康

Shresth Verma, Arpan Dasgupta, Neha Madhiwalla, Aparna Taneja, Milind Tambe

机构 * Harvard University（哈佛大学） ； Google Deepmind（谷歌DeepMind） ； ARMMAN 纠错

AI总结 SAHELI项目利用决策聚焦学习方法优化资源分配，通过大规模随机对照试验发现该方法使母婴参与度下降减少31%，显著提升实际健康行为。

Prediction Arena: Benchmarking AI Models on Real-World Prediction Markets

预测竞技场：在真实世界预测市场中评估AI模型

Jaden Zhang, Gardenia Liu, Oliver Johansson, Hileamlak Yitayew, Kamryn Ohly, Grace Li

机构 * Arcada Labs ； Harvard University（哈佛大学） 纠错

AI总结 本文提出预测竞技场，通过让AI模型在真实预测市场上自主交易来评估其预测准确性和决策能力。研究分析了不同模型在真实市场中的表现，揭示了预测准确性及正确预测的利用能力是关键因素，同时展示了平台设计对模型成功的影响。

Comments 18 pages, 10 figures, 3 tables. Evaluation period: January 12 - March 9, 2026

RefineAnything: Multimodal Region-Specific Refinement for Perfect Local Details

RefineAnything: 多模态区域特定细化以实现完美局部细节

Dewei Zhou, You Li, Zongxin Yang, Yi Yang

机构 * RELER, CCAI, Zhejiang University（浙江大学计算机辅助设计与图形学国家重点实验室、人工智能研究所） ； DBMI, HMS, Harvard University（哈佛大学医学院生物医学信息学系） 纠错

AI总结 本文提出区域特定图像细化方法，通过多模态扩散模型实现局部细节恢复，同时保持非编辑区域不变，引入边界一致性损失和Focus-and-Refine策略提升效果。

Comments 18 pages

MedConclusion: A Benchmark for Biomedical Conclusion Generation from Structured Abstracts

MedConclusion：一个用于从结构化摘要中生成生物医学结论的基准数据集

Weiyue Li, Ruizhi Qian, Yi Li, Yongce Li, Yunfan Long, Jiahui Cai, Yan Luo, Mengyu Wang

机构 * Harvard AI and Robotics Lab, Harvard Medical School（哈佛大学医学院哈佛人工智能与机器人实验室） ； University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学肯普纳自然与人工智能研究所） 纠错

AI总结 本文提出MedConclusion数据集，包含570万篇PubMed结构化摘要，用于生物医学结论生成。通过配对摘要非结论部分与原始结论，提供证据到结论推理的自然监督。数据集还包含期刊级元数据，支持跨生物医学领域的子组分析。

Evidence-Based Actor-Verifier Reasoning for Echocardiographic Agents

基于证据的Actor-验证者推理用于超声波代理

Peng Huang, Yiming Wang, Yineng Chen, Liangqiao Gui, Hui Guo, Bo Peng, Shu Hu, Xi Wu, Tsao Connie, Hongtu Zhu, Balakrishnan Prabhakaran, Xin Wang

机构 * University at Albany, SUNY（纽约州立大学奥尔巴尼分校） ； Southwest Jiaotong University（西南交通大学） ； Purdue University（普渡大学） ； Chengdu University of Information Technology（成都信息工程大学） ； Harvard Medical School（哈佛医学院） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 本文提出EchoTrust框架，通过结构化中间表示和不同角色分析，提升超声波临床决策支持系统中推理的可靠性与可解释性。

Comments cvprw 2026(AIMS)

Incentive-Aware Multi-Fidelity Optimization for Generative Advertising in Large Language Models

面向激励的多保真度优化用于大语言模型生成广告

Jiayuan Liu, Barry Wang, Jiarui Gan, Tonghan Wang, Leon Xie, Mingyu Guo, Vincent Conitzer

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Adelaide University（阿德莱德大学） ； University of Oxford（牛津大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出IAMFM框架，结合VCG激励与多保真度优化，解决生成广告中广告商策略行为和高成本的约束问题，通过主动反事实优化提升计算效率，实验表明其在不同预算下优于单保真度基线。

Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling

通过临床验证的退化建模将光子计数CT转化为常规胸部CT

Junqi Liu, Xinze Zhou, Wenxuan Li, Scott Ye, Arkadiusz Sitek, Xiaofeng Yang, Yucheng Tang, Daguang Xu, Kai Ding, Kang Wang, Yang Yang, Alan L. Yuille, Zongwei Zhou

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of California, San Francisco（加州大学旧金山分校） ； Harvard Medical School（哈佛医学院） ； Emory University（埃默里大学） ； Nvidia（英伟达） ； Johns Hopkins Medicine（约翰霍普金斯医学） 纠错

AI总结 本文提出SUMI方法，利用高质光子计数CT作为参考，通过建模真实退化过程，将低质常规CT提升至高质量图像，实现了在胸部CT中的显著性能提升。

Artificial Intelligence and the Structure of Mathematics

人工智能与数学的结构

Maissam Barkeshli, Michael R. Douglas, Michael H. Freedman

机构 * Meta Superintelligence Labs, Fundamental AI Research（Meta超级智能实验室，基础人工智能研究） ； Department of Physics and Joint Quantum Institute, University of Maryland, College Park（马里兰大学帕克分校物理系与联合量子研究所） ； Center for Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学与应用中心） 纠错

AI总结 本文探讨人工智能如何通过构建新的路径，补充数学逻辑，揭示数学的全球结构。提出AI在数学发现中的关键要素及标准，并反思数学的本质。

Comments 45 pages

Expressibility of neural quantum states: a Walsh-complexity perspective

神经量子态的表达性：从瓦尔什复杂性视角出发

Taige Wang

机构 * Department of Physics, Massachusetts Institute of Technology（麻省理工学院物理系） ； Department of Physics, Harvard University（哈佛大学物理系） 纠错

AI总结 研究神经量子态的表达能力，通过瓦尔什复杂性分析其在奇偶模式上的分布，揭示浅层加法网络在特定条件下无法生成高复杂性的限制，以及深度对加法神经量子态的重要性。

Comments 5 pages, 2 figures. (v2) added acknowledgement

Supersimulators

超模拟器

Cynthia Dwork, Pranay Tankala

机构 * Harvard University（哈佛大学） 纠错

AI总结 本文证明了每个随机布尔函数都存在超模拟器，其输出在随机输入下无法被多项式大小的区分器高效区分。通过改进正则性引理，作者提出了一种更高效的超模拟器构造方法，解决了传统模拟器的下界限制问题。

From Human-Level AI Tales to AI Leveling Human Scales

从人类水平AI故事到AI人类尺度

Peter Romero, Fernando Martínez-Plumed, Zachary R. Tidler, Matthieu Téhénan, Sipeng Chen, Álvaro David Gómez Antón, Luning Sun, Manuel Cebrian, Lexin Zhou, Yael Moros Daval, Daniel Romero-Alvarado, Félix Martí Pérez, Kevin Wei, José Hernández-Orallo

机构 * Valencian Research Institute of Artificial Intelligence, Universitat Politècnica de València（瓦伦西亚人工智能研究所，瓦伦西亚理工大学） ； Leverhulme Centre for the Future of Intelligence, University of Cambridge（勒弗休姆未来智能中心，剑桥大学） ； The Psychometrics Centre, University of Cambridge（心理测量中心，剑桥大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学） ； Center for Automation and Robotics, Spanish National Research Council（自动化与机器人中心，西班牙国家研究委员会） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Cambridge, Department of Computer Sciences and Technology（剑桥大学计算机科学与技术系） 纠错

AI总结 本文提出一种框架，通过校准项目以'世界人口'为基准，建立人类锚定的共同尺度，以更准确评估AI能力。

Comments 23 pages, 10 figures. submitted to ICML 2026

FinCriticalED: A Visual Benchmark for Financial Fact-Level OCR

FinCriticalED：一个用于金融事实级OCR的视觉基准

Yueru He, Xueqing Peng, Yupeng Cao, Yan Wang, Lingfei Qian, Haohang Li, Yi Han, Shuyao Wang, Ruoyu Xiang, Fan Zhang, Zhuohan Xie, Mingquan Lin, Prayag Tiwari, Jimin Huang, Guojun Xiong, Sophia Ananiadou

机构 * Columbia University（哥伦比亚大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Georgia Institute of Technology（佐治亚理工学院） ； New York University（纽约大学） ； University of Minnesota（明尼苏达大学） ； Halmstad University（哈尔姆斯塔德大学） ； Harvard University（哈佛大学） ； University of Manchester（曼彻斯特大学） 纠错

AI总结 本文提出FinCriticalED基准，用于评估OCR和视觉语言模型在金融关键证据上的保真度，发现数值和货币单位是最脆弱的事实类型，揭示了词汇准确性和事实可靠性之间的差距。

Comments Xueqing Peng: Corresponding-Author

One-shot Adaptation of Humanoid Whole-body Motion with Walking Priors

单样本适应人类全身体态与行走先验

Hao Huang, Geeta Chandra Raju Bethala, Shuaihang Yuan, Congcong Wen, Mengyu Wang, Anthony Tzes, Yi Fang

机构 * Embodied AI and Robotics (AIR) Lab, NYUAD（纽约大学阿布扎比分校具身人工智能与机器人实验室） ； NYUAD Center for Artificial Intelligence and Robotics (CAIR)（纽约大学阿布扎比分校人工智能与机器人中心） ； New York University Abu Dhabi（纽约大学阿布扎比分校） ； Harvard Ophthalmology AI Lab, Harvard University（哈佛大学眼科人工智能实验室） 纠错

AI总结 本文提出一种高效适应全身体态的方法，利用行走先验和单样本目标生成中间姿态，通过最优传输和几何插值实现碰撞自由配置，实验显示优于基线方法。

Comments 14 pages, 3 figures, 5 tables

Advancing AI Research Assistants with Expert-Involved Learning

通过专家参与学习推进AI研究助手

Tianyu Liu, Simeng Han, Hanchen Wang, Xiao Luo, Pan Lu, Biqing Zhu, Yuge Wang, Keyi Li, Jiapeng Chen, Rihao Qu, Yufeng Liu, Xinyue Cui, Aviv Yaish, Yuhang Chen, Minsheng Hao, Chuhan Li, Kexing Li, Yinsheng Lu, Xinyu Wei, Qinzhe Xing, Antonia Panescu, Mengbo Wang, Vibha Annaswamy, Alicia Sanchez, Jack Cloherty, Arman Cohan, Hua Xu, Mark Gerstein, James Zou, Hongyu Zhao

机构 * Yale University（耶鲁大学） ； Broad Institute of MIT and Harvard（麻省理工学院-哈佛大学博德研究所） ； Google DeepMind（谷歌DeepMind） ； Stanford University（斯坦福大学） ； Genentech（基因泰克） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Cornell University（康奈尔大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出ARIEL框架，通过专家验证任务评估大语言模型和多模态模型在生物医学领域的表现，发现提示工程和轻量级微调能提升文本覆盖，计算扩展策略增强视觉问答能力，构建了集成文本和视觉线索的AI助手，提出可检验的机理假设。

Comments 43 pages, 7 figures

Individual and Combined Effects of English as a Second Language and Typos on LLM Performance

英语作为第二语言与拼写错误的个体与综合影响

Serena Liu, Yutong Yang, Prisha Sheth, Weixuan Dong, Mingjiao Diao, Xinru Zhu, Nikhil Banga, Oscar Melendez, Arnav Sharma, Minda Zhao, Marina Lin, Mengyu Wang

机构 * Harvard University（哈佛大学） 纠错

AI总结 研究探讨了英语作为第二语言和拼写错误对大语言模型性能的影响，发现两者结合时性能下降更显著，且在封闭式任务中表现更一致，而开放式任务结果更混杂。

Efficient and Private Property Testing via Indistinguishability

通过不可区分性实现高效且隐私保护的属性测试

Cynthia Dwork, Pranay Tankala

机构 * Harvard University（哈佛大学） 纠错

AI总结 研究高效测试布尔函数属性与结构对称性的等价关系，并提出基于正则划分的图属性测试方法及差分隐私算法。

Autonomous Agents for Scientific Discovery: Orchestrating Scientists, Language, Code, and Physics

自主代理用于科学发现：协调科学家、语言、代码和物理

Lianhao Zhou, Hongyi Ling, Cong Fu, Yepeng Huang, Michael Sun, Wendi Yu, Xiaoxuan Wang, Xiner Li, Xingyu Su, Junkai Zhang, Xiusi Chen, Chenxing Liang, Xiaofeng Qian, Heng Ji, Wei Wang, Marinka Zitnik, Shuiwang Ji

机构 * Department of Computer Science and Engineering, Texas A&M University（德克萨斯农工大学计算机科学与工程系） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） ； Department of Computer Science, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系） ； Siebel School of Computing and Data Science, University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校西贝尔计算与数据科学学院） ； Department of Materials Science and Engineering, Texas A&M University（德克萨斯农工大学材料科学与工程系） ； Department of Electrical and Computer Engineering, Texas A&M University（德克萨斯农工大学电气与计算机工程系） ； Department of Physics and Astronomy, Texas A&M University（德克萨斯农工大学物理与天文学系） 纠错

AI总结 本文探讨基于LLM的科学代理，通过协调科学家、语言、代码和物理，加速科学发现的全过程，分析现有方法并提出未来研究方向。

Affording Process Auditability with QualAnalyzer: An Atomistic LLM Analysis Tool for Qualitative Research

通过QualAnalyzer实现过程可审计性：一种用于定性研究的原子级LLM分析工具

Max Hao Lu, Ryan Ellegood, Rony Rodriguez-Ramirez, Sophia Blumert

机构 * Harvard University（哈佛大学） 纠错

AI总结 QualAnalyzer通过原子级LLM分析实现过程可审计性，通过两个案例展示其在作文评分和访谈转录分析中的应用，提升定性研究的透明度和方法学稳健性。

Comments 9 pages, 3 figures, BEA2026 Conference Submission