高校专区
看清它，放置它：利用视觉-语言模型进行宏放置
机构 * Harvard University（哈佛大学） ； Kempner Institute for the Study of Natural and Artificial Intelligence（肯普纳自然与人工智能研究所） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出利用视觉-语言模型进行芯片布局中的宏放置优化，通过进化搜索策略提升放置质量，在9/10基准上优于现有方法，且能泛化至分析型布局器。
Comments 31 pages, 12 figures, 14 tables
扩散变换器中空间关系生成的电路机制
机构 * Kempner Institute, Harvard University（哈佛大学肯普纳研究所） ； Harvard University（哈佛大学）
AI总结 研究通过机械可解释性方法探讨扩散变换器如何生成正确空间关系，发现不同文本编码器影响电路机制，随机嵌入通过双阶段电路生成，预训练编码器则通过信息融合生成，两种方法在领域内表现相似但抗扰性不同。
Comments 45 pages, 30 figures, accepted in CVPR 2026
食品加工的信息化
机构 * Channing Division of Network Medicine, Department of Medicine, Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布里格姆妇女医院医学系钱宁网络医学部） ； Network Science Institute and Department of Physics, Northeastern University（东北大学网络科学研究所与物理系） ； Harvard Data Science Initiative, Harvard University（哈佛大学哈佛数据科学计划）
AI总结 本文探讨了食品加工的演变、分类及健康影响，提出利用机器学习和数据科学改进食品信息化，通过FoodProX模型和BERT等模型实现食品分类与评估。
扩散模型学习动力学中频谱偏置的分析理论
机构 * Kempner Institute, Harvard University（哈佛大学肯普纳研究所） ； SEAS, Harvard University（哈佛大学工程与应用科学学院）
AI总结 本文提出分析框架，揭示生成分布在扩散模型训练中的演变规律，发现频谱定律揭示高方差结构学习速度快于低方差细节，且局部卷积改变学习动态。
Comments 96 pages, 29 figures. Published in Advances in Neural Information Processing Systems, NeurIPS 2025 (Spotlight)
利用表示学习推动多机构研究的电子健康记录数据：来自美国和法国的数据
机构 * Department of Statistics and Data Science, National University of Singapore（新加坡国立大学统计与数据科学系） ； Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院） ； Department of Statistics, Columbia University（哥伦比亚大学统计系） ； Harvard Medical School（哈佛医学院） ； Department of Statistics, University of Chicago（芝加哥大学统计系） ； Univ. Bordeaux, INSERM, Bordeaux Population Health Research Center（波尔多大学，法国国家健康与医学研究院，波尔多人口健康研究中心） ； CHU de Bordeaux, Service d’Information Médicale（波尔多大学医院医学信息部） ； Inria SISTM Team（法国国家信息与自动化研究所SISTM团队） ； Duke University（杜克大学） ； VA Boston Healthcare System（VA波士顿医疗系统） ； Brigham and Women’s Hospital（布里格姆妇女医院） ； Brown University（布朗大学） ； Computational Health Informatics Program, Boston Children’s Hospital（波士顿儿童医院计算健康信息学项目） ； Department of Neurology, University of Pittsburgh（匹兹堡大学神经病学系）
AI总结 本文提出基于图的框架，通过学习共享语义空间解决多机构电子健康记录数据表示不一致问题，提升跨机构临床模型训练与部署的鲁棒性。
在深度学习时代，统计方法是否已过时？对微分方程反问题的研究
机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学）
AI总结 本文通过SEIR和洛伦茨模型案例表明，统计方法在稀疏噪声数据下仍具优势，能以更少参数和超参数调优实现更低偏差和方差，且在无相关数据的外推预测中表现更优。
Comments 35 pages, 11 figures (main text)
平滑景观：通过扩散去噪目标进行因果结构学习
机构 * Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心） ； Harvard Medical School（哈佛医学院） ； Department of Computer Science, Tufts University（塔夫茨大学计算机科学系）
AI总结 本文提出Denoising Diffusion Causal Discovery框架，利用扩散模型去噪目标平滑梯度以提升收敛稳定性，并引入自适应k-hop无环约束提升运行效率，实验证明其在合成数据和现实案例中的有效性。
Comments To appear in the Proceedings of the 5th Conference on Causal Learning and Reasoning (CLeaR 2026)
提示中的情感重要吗？情感框架对大语言模型的影响
机构 * Harvard University（哈佛大学） ； Bryn Mawr College（布林莫尔学院）
AI总结 研究探讨了用户查询中第一人称情感框架对大语言模型在六个基准领域性能的影响，发现静态情感前缀通常仅产生小幅度变化，但社交相关任务中效果更不稳定，引入自适应情感提示框架EmotionRL后，适应性选择比固定情感提示更有效。
为手术基础模型扩展视频预训练
机构 * The Johns Hopkins University（约翰霍普金斯大学） ； Zhejiang University（浙江大学） ； Zhejiang University-University of Illinois Urbana-Champaign Institute（浙江大学伊利诺伊大学厄巴纳-香槟分校联合学院） ； Zhejiang Lab（之江实验室） ； Shaoxing University（绍兴大学） ； Angelalign（时代天使） ； Harvard Medical School（哈佛医学院）
AI总结 本文提出SurgRec，通过大规模数据和统一预训练流程提升手术视频理解能力，对比SSL基线和视觉语言模型，展示SurgRec在多个下游任务中的优越性能。
BraiNCA: 脑启发神经细胞自动机及其在形态发生和运动控制中的应用
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（哈佛大学威斯生物启发工程研究所）
AI总结 本文提出BraiNCA，一种受脑启发的神经细胞自动机，具备注意力层、长距离连接和复杂拓扑结构，提升了在形态发生和运动控制任务中的鲁棒性和学习速度。
Comments 10 pages, 6 figures
所有替代都是局部的
机构 * Independent Researcher（独立研究员） ； Harvard University（哈佛大学） ； University of Oxford（牛津大学）
AI总结 研究信息源如何影响决策价值，发现局部边界决定替代性，非边界处信息协作。
大语言模型代理中工具使用的演变：从单工具调用到多工具编排
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Harvard University（哈佛大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司）
AI总结 本文探讨了大语言模型代理中工具使用从单次调用到长期编排的演变，分析了多工具代理的最新进展，涵盖任务规划、安全控制、效率优化及实际应用等领域。
偏差是子空间，而非坐标：视觉-语言模型中事后去偏的几何重思
机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院）
AI总结 本文提出SPD框架，通过几何方法识别并去除线性可解码的偏子空间，提升视觉-语言模型的公平性与任务性能。
Comments Accepted at the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026
FastSurfer-CC：一种鲁棒、准确且全面的皮层束形态测量框架
机构 * AI in Medical Imaging, German Center for Neurodegenerative Diseases (DZNE), Bonn, Germany（德国神经退行性疾病中心（DZNE）医学影像人工智能组，波恩，德国） ； A.A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital, Boston, MA, USA（麻省总医院A.A. Martinos生物医学影像中心，波士顿，马萨诸塞州，美国） ； Department of Radiology, Harvard Medical School, Boston, MA, USA（哈佛医学院放射学系，波士顿，马萨诸塞州，美国）
AI总结 本文提出FastSurfer-CC，一种用于皮层束形态测量的高效自动化框架，能够自动识别中矢状面切片，分割皮层束和穹窿，定位前后连合体以标准化头部位置，并提取八种形状指标用于统计分析，优于现有专门工具。
超越拉普拉斯和高斯：探索通用高斯机制用于隐私机器学习
机构 * Harvard University（哈佛大学） ； University of Oxford（牛津大学） ； Columbia University（哥伦比亚大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 本文研究了通用高斯机制在隐私保护机器学习中的应用，证明其满足差分隐私，并在PATE和DP-SGD中验证了其有效性，表明高斯机制在可计算范围内表现优异。
从磁共振图像估计头部运动
机构 * AI in Medical Imaging, German Center for Neurodegenerative Diseases (DZNE), Bonn, Germany（德国神经退行性疾病中心(DZNE)医学影像人工智能部门，波恩，德国） ； A.A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital, Boston, MA, USA（麻省总医院A.A. Martinos生物医学影像中心，波士顿，马萨诸塞州，美国） ； Department of Radiology, Harvard Medical School, Boston, MA, USA（哈佛医学院放射学系，波士顿，马萨诸塞州，美国）
AI总结 本文提出一种深度学习方法，通过T1加权、T2加权和FLAIR图像及扫描仪深度相机的运动估计预测头部运动，改进了现有方法的性能，并能独立量化漂移和呼吸运动。
动机如何与生成式人工智能使用相关：墨西哥高中生大规模调查
机构 * Harvard University（哈佛大学） ； Oranim College of Education（奥拉尼姆教育学院）
AI总结 研究通过分析6793名墨西哥高中生的调查数据，发现不同动机profile的学生在数学和写作领域使用生成式AI工具存在差异，挑战了一刀切的AI整合方法，倡导基于动机的教育干预。
Comments This submission has been accepted by the ICLS Conference at the ISLS Annual Meeting. It will be included as a poster in the 2026 conference proceedings
一种用于MRI-US匹配和配准的3D跨模态关键点描述符
机构 * Harvard Medical School（哈佛医学院） ； Brigham and Women’s Hospital（布莱根妇女医院） ； Inria（法国国家信息与自动化研究所） ； Sorbonne Université（索邦大学） ； Institut du Cerveau - Paris Brain Institute - ICM, CNRS, Inserm, AP-HP, Hôpital de la Pitié Salpêtrière（巴黎大脑研究所 - ICM, 法国国家科学研究中心, 法国国家健康与医学研究院, 巴黎公立医院集团, 皮提耶-萨勒佩特里医院） ； Technical University of Munich（慕尼黑工业大学）
AI总结 本文提出一种3D跨模态关键点描述符，通过合成iUS体积进行患者特异性匹配，学习共享描述空间，实现鲁棒且旋转不变的配准。
Comments Accepted in IEEE Transactions on Medical Imaging
慢性心力衰竭监测中的声音预测数字生物标志物：一项纵向观察研究
机构 * Centre for Digital Health Interventions, ETH Zurich（苏黎世联邦理工学院数字健康干预中心） ； Agentic System Lab, ETH Zurich（苏黎世联邦理工学院代理系统实验室） ； Cardiology, University Heart Center Zurich, University Hospital Zurich（苏黎世大学医院心脏中心心脏病学） ； Center for Laryngeal Surgery and Voice Rehabilitation, Massachusetts General Hospital（麻省总医院喉外科与嗓音康复中心） ； Department of Surgery, Harvard Medical School（哈佛医学院外科学系） ； Speech and Hearing Bioscience and Technology, Division of Medical Sciences, Harvard Medical School（哈佛医学院医学科学部言语与听觉生物科学与技术） ； MGH Institute of Health Professions（麻省总医院健康职业学院） ； Centre for Digital Health Interventions, University of St. Gallen（圣加仑大学数字健康干预中心）
AI总结 本研究通过分析声音特征，探讨其在预测慢性心力衰竭患者健康恶化的潜力，发现声音特征在预测健康状况方面具有较高准确性。
平衡效率与同理心：急诊部门医护人员对AI支持的严重疾病对话工作流的视角
机构 * Northeastern University（东北大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心） ； Harvard Medical School, Dana-Farber Cancer Institute, Brigham and Women’s Hospital（哈佛医学院、丹娜-法伯癌症研究所、布里格姆妇女医院） ； Pace University（佩斯大学）
AI总结 研究探讨急诊医护人员在严重疾病对话中使用AI技术的挑战与机遇，提出四阶段工作流及设计指南，强调效率与人文关怀的平衡。
Comments To appear at ACM CHI'26
mtslearn：用于医疗时间序列的Python机器学习
机构 * Nanjing University of Information Science and Technology（南京信息工程大学） ； National Institute of Health Data Science, Peking University（北京大学健康医疗大数据国家研究院） ； School of Health Humanities, Peking University Health Science Center（北京大学医学人文学院） ； Institute of Medical Technology, Peking University Health Science Center（北京大学医学技术研究院） ； Harvard Medical School（哈佛医学院） ； Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心） ； School of Business English, Sichuan International Studies University（四川外国语大学商务英语学院） ； School of Clinical Medicine, Chengdu Medical College（成都医学院临床医学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； State Key Laboratory of Vascular Homeostasis and Remodeling, NHC Key Laboratory of Cardiovascular Molecular Biology and Regulatory Peptides, Peking University（北京大学血管稳态与重构全国重点实验室、国家卫生健康委员会心血管分子生物学与调节肽重点实验室）
AI总结 本文提出mtslearn，一个专为医疗时间序列设计的端到端工具包，通过统一数据接口和模块化设计，简化数据处理流程，降低临床人员使用门槛，促进先进算法在临床实践中的应用。
诱导大型语言模型的持续创造力与多样性
机构 * Department of East Asian Languages and Civilizations, Harvard University（哈佛大学东亚语言与文明系） ； Institute for Quantitative Social Science, Harvard University（哈佛大学定量社会科学研究所） ； Harvard University（哈佛大学）
AI总结 本文提出一种新的解码方法，通过诱导持续创造力和多样性，使LLM能生成更多概念上独特的结果，从而更有效地探索搜索空间。
哪种相似性敏感熵（Sentropy）？
机构 * Department of Pathology, Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心病理学系） ； Department of Medicine, UCSF（加州大学旧金山分校医学系） ； Bakar Institute for Computational Health Sciences, UCSF（加州大学旧金山分校巴卡尔计算健康科学研究所） ； Center for Intelligent Imaging, UCSF（加州大学旧金山分校智能成像中心） ； Harvard Medical School（哈佛医学院）
AI总结 本文探讨了在机器学习数据集中，除了香农熵外的相似性敏感熵（Sentropy）的应用，比较了LCR和VS两种方法的优劣，并提出在不同情况下应选择不同的方法。
Comments 17 pages, two columns, 9 figures
通过Softmax平滑对最优政策值及其他不规则函数进行推断
机构 * Stanford University（斯坦福大学） ； Harvard University（哈佛大学）
AI总结 本文提出一种基于Softmax平滑的估计方法，用于推断最优治疗政策的价值，适用于静态和动态治疗方案，仅需拟合常数数量的 nuisance 模型，并在无治疗非响应概率时具有统计效率。
Comments 82 pages, 4 figures, 1 table
将社会感知 grounded 在直观物理学中
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Amazon（亚马逊）
AI总结 本文提出通过结合直观心理学与直观物理学的推理过程来解释社会感知，通过PHASE数据集和SIMPLE模型验证了物理基础的社会推理能力。
Comments 26 pages, 11 figures
激励时间感知的自体视频理解模型
机构 * Virginia Tech（弗吉尼亚理工大学） ； Apple（苹果公司） ； Harvard University（哈佛大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； UC Davis（加州大学戴维斯分校）
AI总结 本文提出TGPO算法，通过强化学习提升多模态大语言模型在自体视频理解中的时间感知能力，实验表明其在时间接地和因果连贯性方面优于现有方法。
Comments 11 pages, 4 figures
E-RayZer：基于空间视觉预训练的自监督3D重建
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Adobe Research（Adobe研究院） ； Harvard University（哈佛大学）
AI总结 本文提出E-RayZer，一种通过未标注图像直接学习几何基础表示的自监督3D视觉模型，通过显式几何实现3D重建，优于现有方法。
Comments CVPR 2026 Camera-ready. Project website: https://qitaozhao.github.io/E-RayZer
BRIDGE：用于评估大语言模型理解现实世界临床实践文本的基准测试
机构 * Brigham and Women's Hospital（布莱根妇女医院） ； Harvard Medical School（哈佛医学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Mayo Clinic（梅奥诊所） ； Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心） ； Kempner Institute for the Study of Natural and Artificial Intelligence（肯普纳自然与人工智能研究所） ； Broad Institute of MIT and Harvard（博德研究所） ； Harvard Data Science Initiative（哈佛数据科学计划）
AI总结 本文提出BRIDGE基准测试，涵盖9种语言的87项任务，涵盖患者护理全过程的六个临床阶段和20种应用，评估95种LLM在不同推理策略下的性能差异，展示开源模型与专业模型的性能对比。
少即是多：重新思考少样本学习与循环神经网络
机构 * Wellman Center for Photomedicine MGH, Harvard Medical School, and MIT CSAIL（麻省总医院韦尔曼光医学中心、哈佛医学院、麻省理工学院计算机科学与人工智能实验室）
AI总结 本文探讨了少样本学习与循环神经网络的理论基础，提出低熵算法提升学习效率，并通过图像去模糊和OCT去斑处理验证了方法的有效性。
Comments Version 3 is focused exclusively on the first part of v1 and v2, correcting minor mathematical errors. The original co-authors have transitioned in separate follow-up works
机器人轮椅开发中的用户参与：十年有限进展
机构 * Geneva School of Health Science, University of Applied Sciences and Arts Western Switzerland（日内瓦健康科学学院，瑞士西部应用科学与艺术大学） ； Institute of Systems and Information Engineering, University of Tsukuba（系统与信息工程研究所，筑波大学） ； Learning Algorithms and Systems Laboratory, Ecole Polytechnique Fédérale de Lausanne（学习算法与系统实验室，洛桑联邦理工学院） ； Institute of Ethics, History, and Humanities, University of Geneva（伦理、历史与人文学研究所，日内瓦大学） ； Grand Conseil, État de Vaud（沃州大议会） ； id-Geo Sàrl（id-Geo有限责任公司） ； Harvard Law School Project on Disability, Harvard University（哈佛法学院残疾项目，哈佛大学） ； Swiss Graduate School of Public Administration, University of Lausanne（瑞士公共管理研究生院，洛桑大学） ； SCAI-Lab, Department of Health Sciences and Technology (D-HEST), ETH Zurich（SCAI实验室，健康科学与技术系，苏黎世联邦理工学院） ； Swiss Paraplegic Research (SPF)（瑞士截瘫研究）
AI总结 本文回顾了过去十年中机器人轮椅设计开发中用户参与的现状，发现用户参与有限，多集中在后期评估而非早期需求定义和迭代共设计，且研究多依赖小样本和非标准化方法。
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