Harvard University（哈佛大学）

Universal Sparse Autoencoders: Interpretable Cross-Model Concept Alignment

通用稀疏自编码器：可解释的跨模型概念对齐

Harrish Thasarathan, Julian Forsyth, Thomas Fel, Matthew Kowal, Konstantinos G. Derpanis

机构 * York University（约克大学） ； University of Toronto（多伦多大学） ； Kempner Institute, Harvard University（哈佛大学凯姆纳研究所） ； Vector Institute（向量研究所） ； Samsung AI Centre（三星人工智能中心） ； Trajectory Labs（轨迹实验室） 纠错

AI总结 本文提出通用稀疏自编码器（USAEs），用于揭示并对齐多个预训练深度神经网络中的可解释概念。通过训练一个能重构多个模型内部激活的稀疏自编码器，USAEs发现跨任务、架构和数据集的共同因素概念，为多模型AI系统提供新的可解释分析方法。

Robust estimation of heterogeneous treatment effects in randomized trials leveraging external data

在随机试验中利用外部数据稳健估计异质治疗效应

Rickard Karlsson, Piersilvio De Bartolomeis, Issa J. Dahabreh, Jesse H. Krijthe

机构 * TU Delft（代尔夫特理工大学） ； ETH Zürich（苏黎世联邦理工学院） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出QR-learner模型，通过结合外部数据提升随机试验中条件平均治疗效应估计的稳健性与统计功效。

Comments Accepted to AISTATS 2026. 24 pages, including references and appendix

Unsupervised Decomposition and Recombination with Discriminator-Driven Diffusion Models

无监督分解与重组：基于判别器驱动的扩散模型

Archer Wang, Emile Anand, Yilun Du, Marin Soljačić

机构 * Research Laboratory of Electronics, MIT, Cambridge, MA 02139, USA（MIT电子研究实验室） ； Department of Physics, Massachusetts Institute of Technology, MIT, Cambridge, MA, USA（麻省理工学院物理系） ； NSF AI Institute for Artificial Intelligence（国家科学基金会人工智能与基本相互作用研究所） ； Kempner Institute, Harvard University, Cambridge, MA, USA（哈佛大学 Kempner 院） ； Google DeepMind, Mountain View, CA, USA（Google DeepMind） ； School of Computer Science, Georgia Institute of Technology, Atlanta, USA（佐治亚理工学院计算机科学系） 纠错

AI总结 本文提出基于判别器驱动的扩散模型，用于无监督分解和重组数据，通过对抗训练提升潜在因子发现和生成质量，实验显示在多个数据集上优于基线方法，且在机器人视频轨迹中实现新应用。

Comments 28 pages, 16 figures, 4 tables

Fast weight programming and linear transformers: from machine learning to neurobiology

快速权重编程与线性变换器：从机器学习到神经生物学

Kazuki Irie, Samuel J. Gershman

机构 * Harvard University（哈佛大学） ； Center for Brain Science（脑科学中心） ； Kempner Institute for the Study of Natural and Artificial Intelligence（自然与人工智能研究学院） 纠错

AI总结 本文探讨了快速权重编程器（FWPs）的理论基础、计算特性及其与变换器和状态空间模型的联系，并讨论了FWPs与大脑突触可塑性模型的关联，揭示了自然与人工智能的交汇。

Comments Accepted to TMLR 2025

Conditional Distributional Treatment Effects: Doubly Robust Estimation and Testing

条件分布治疗效应：双重鲁棒估计与检验

Saksham Jain, Alex Luedtke

机构 * Department of Statistics, University of Washington, Seattle, USA（华盛顿大学统计系，美国西雅图） ； Departments of Health Care Policy and Statistics, Harvard University, USA（哈佛大学健康政策与统计系，美国） 纠错

AI总结 本文提出捕捉条件分布治疗效应的新估计量，开发了局部渐近最优的双重鲁棒估计器，并设计了检验条件潜在结果分布全局同质性的测试方法，具有严格的一阶误差控制和一致性。

Finding Common Ground in a Sea of Alternatives

在众多替代品中寻找共同点

Jay Chooi, Paul Gölz, Ariel D. Procaccia, Benjamin Schiffer, Shirley Zhang

机构 * Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） ； School of Operations Research and Information Engineering, Cornell University（康奈尔大学运筹学与信息工程学院） ； Department of Statistics, Harvard University（哈佛大学统计学系） 纠错

AI总结 本文研究在多样偏好下选择能找到共同点的声明问题，提出基于比例否决核心的社会选择模型，并设计高效采样算法以高概率返回近似核心声明，同时证明了查询次数的下界。

Volumetrically Consistent Implicit Atlas Learning via Neural Diffeomorphic Flow for Placenta MRI

通过神经微分流实现体积一致的隐式图谱学习用于胎盘MRI

Athena Taymourtash, S. Mazdak Abulnaga, Esra Abaci Turk, P. Ellen Grant, Polina Golland

机构 * MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室） ； Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院） ； Boston Children’s Hospital, Harvard Medical School（哈佛医学院波士顿儿童医院） 纠错

AI总结 本文提出一种体积一致的隐式模型，结合SDF重建与神经微分流，学习胎盘的共享模板，通过体积正则化提升变形一致性，实现胎盘MRI的统一空间映射。

CRIMSON: A Clinically-Grounded LLM-Based Metric for Generative Radiology Report Evaluation

CRIMSON：一种基于临床的LLM评估指标用于生成放射学报告评估

Mohammed Baharoon, Thibault Heintz, Siavash Raissi, Mahmoud Alabbad, Mona Alhammad, Hassan AlOmaish, Sung Eun Kim, Oishi Banerjee, Pranav Rajpurkar

机构 * Department of Biomedical Informatics, Harvard Medical School（生物医学信息学系，哈佛医学院） ； Department of Radiation Oncology, Mass General Brigham（放射肿瘤科，麻省总医院与布里奇沃特医院） ； King Fahad Hospital, Al-Ahsa Health Cluster, Al Hofuf, Saudi Arabia（国王法赫德医院，阿尔阿萨卫生集群，阿尔霍夫，沙特阿拉伯） ； Ras-Tanura General Hospital, Ministry of Health, Eastern Province, Saudi Arabia（拉斯-坦纳医院，卫生部，东部省，沙特阿拉伯） ； Department of Medical Imaging, King Abdulaziz Medical City, Ministry of National Guard, Riyadh, Saudi Arabia（医学影像科，国王阿卜杜勒-阿齐兹医疗城，国民卫队部，利雅得，沙特阿拉伯） 纠错

AI总结 CRIMSON是一种基于临床的LLM评估指标，用于评估生成的放射学报告，通过考虑诊断正确性、上下文相关性和患者安全，提供更全面的评估方法。

Block-Recurrent Dynamics in Vision Transformers

视觉变换器中的块递归动力学

Mozes Jacobs, Thomas Fel, Richard Hakim, Alessandra Brondetta, Demba Ba, T. Andy Keller

机构 * Kempner Institute, Harvard University（哈佛大学凯普纳研究所） ； University of Osnabrück（奥斯纳布吕克大学） 纠错

AI总结 本文提出块递归假设，表明训练后的ViT具有块递归深度结构，通过少量块的递归计算可复现原始深度的计算。通过训练Raptor模型恢复DINOv2的准确率，验证了块递归结构的存在，并揭示了模型动态可解释性。

Comments 25 pages, 15 figures

Time-Annealed Perturbation Sampling: Diverse Generation for Diffusion Language Models

时间退火扰动采样：扩散语言模型的多样化生成

Jingxuan Wu, Zhenglin Wan, Xingrui Yu, Yuzhe Yang, Yiqiao Huang, Ivor Tsang, Yang You

机构 * The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； National University of Singapore（新加坡国立大学） ； CFAR, Agency for Science, Technology and Research（科技研究局CFAR） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出时间退火扰动采样方法，通过在扩散过程中早期鼓励语义分支并逐步减少扰动，提升生成多样性，同时保持生成质量。

HorizonMath: Measuring AI Progress Toward Mathematical Discovery with Automatic Verification

HorizonMath：通过自动验证衡量AI向数学发现的进步

Erik Y. Wang, Sumeet Motwani, James V. Roggeveen, Eliot Hodges, Dulhan Jayalath, Charles London, Kalyan Ramakrishnan, Flaviu Cipcigan, Philip Torr, Alessandro Abate

机构 * University of Oxford（牛津大学） ； Benchmark ； Harvard University（哈佛大学） ； Princeton University（普林斯顿大学） ； Ellison Institute of Technology（Ellison技术研究所） 纠错

AI总结 HorizonMath通过自动验证框架评估AI在数学发现中的进展，针对需要深入数学洞察但验证简单的难题，发现部分模型提出改进现有结果的解决方案。

Matching Features, Not Tokens: Energy-Based Fine-Tuning of Language Models

匹配特征而非标记：基于能量的语言模型微调

Samy Jelassi, Mujin Kwun, Rosie Zhao, Yuanzhi Li, Nicolo Fusi, Yilun Du, Sham M. Kakade, Carles Domingo-Enrich

机构 * Harvard University, Kempner Institute（哈佛大学凯普纳研究所） ； Microsoft Research New England（微软研究院新英格兰分部） 纠错

AI总结 本文提出基于能量的语言模型微调方法，通过匹配序列级统计信息提升模型表现，无需任务特定验证器或偏好模型，在多个任务中优于传统微调方法。

Orla: A Library for Serving LLM-Based Multi-Agent Systems

Orla：一个用于服务基于LLM的多智能体系统的库

Rana Shahout, Hayder Tirmazi, Minlan Yu, Michael Mitzenmacher

机构 * Harvard University（哈佛大学） ； Boston University（波士顿大学） 纠错

AI总结 Orla提供了一种通用抽象，将请求执行与工作流级策略分离，通过阶段映射器、工作流编排器和内存管理器实现智能体级控制，展示了在客户支持工作流中的应用，并通过两个数据集验证了其在延迟和成本上的改进。

Scalable Classification of Course Information Sheets Using Large Language Models: A Reusable Institutional Method for Academic Quality Assurance

利用大语言模型实现课程信息表的可扩展分类：一种用于学术质量保证的可重用机构方法

Brecht Verbeken, Joke Van den Broeck, Inge De Cleyn, Steven Van Luchene, Nadine Engels, Andres Algaba, Vincent Ginis

机构 * Vrije Universiteit Brussel（布鲁塞尔自由大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出一种利用大语言模型对课程信息表进行大规模分类的方法，通过迭代优化和多模型比较，实现了对课程评估风险的识别与验证，为学术质量保证提供了可重用的机构方法。

Comments 23 pages

Technical Case Study of Privacy-Enhancing Technologies (PETs) for Public Health

公共健康中隐私增强技术（PETs）的技术案例研究

Avinash Laddha, Danil Mikhailov, Uyi Stewart

机构 * Mastercard ； Harvard University（哈佛大学） ； OpenDP ； Javeriana University（贾维里亚大学） ； Sloan Foundation（斯隆基金会） 纠错

AI总结 本文通过技术案例研究展示如何利用差分隐私技术生成隐私保护的合成财务交易数据，结合公共卫生和移动性数据，开发六个可重用工具，提升流行病学决策能力。

Comments Estimated 20 pages, 0 figures. The work is a technical case study of the PETs for Public Health Challenge. Author Avinash Laddha contributed to this final report and interpreted insights. For more information on the organizing non-profit, see http://data.org

DreamReader: An Interpretability Toolkit for Text-to-Image Models

DreamReader: 一种用于文本到图像模型的可解释性工具包

Nirmalendu Prakash, Narmeen Oozeer, Michael Lan, Luka Samkharadze, Phillip Howard, Roy Ka-Wei Lee, Dhruv Nathawani, Shivam Raval, Amirali Abdullah

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； Martian ； Thoughtworks ； NVIDIA ； Harvard University（哈佛大学） 纠错

AI总结 DreamReader提出了一种统一框架，通过可组合的表示操作分析扩散模型的可解释性，引入三种新干预机制，通过实验展示其在文本到图像模型中的应用，推动可解释性研究。

Scaling Reward Modeling without Human Supervision

无需人类监督的奖励建模扩展

Jingxuan Fan, Yueying Li, Zhenting Qi, Dinghuai Zhang, Kianté Brantley, Sham M. Kakade, Hanlin Zhang

机构 * Harvard University（哈佛大学） ； Cornell University（康奈尔大学） ； Microsoft Research（微软研究院） ； Kempner Institute（凯普纳研究所） 纠错

AI总结 本文提出无需人类标注的奖励建模方法，通过大规模网络语料学习文档前后缀偏好，提升RewardBench性能，实现跨模型家族和规模的稳定改进。

NOIR: Neural Operator mapping for Implicit Representations

NOIR：用于隐式表示的神经算子映射

Sidaty El Hadramy, Nazim Haouchine, Michael Wehrli, Philippe C. Cattin

机构 * Department of Biomedical Engineering, University of Basel（巴塞尔大学生物医学工程系） ； Harvard Medical School, Brigham and Women’s Hospital（哈佛医学院布里奇沃特医院） 纠错

AI总结 NOIR框架将医学影像任务重新表述为连续函数空间间的算子学习，实现分辨率无关的功能到功能转换，展示了对未见过离散化的强鲁棒性。

Human-in-the-Loop LLM Grading for Handwritten Mathematics Assessments

人机协同的LLM评阅用于手写数学评估

Arne Vanhoyweghen, Vincent Holst, Melika Mobini, Lukas Van de Voorde, Tibo Vanleke, Bert Verbruggen, Brecht Verbeken, Andres Algaba, Sam Verboven, Marie-Anne Guerry, Filip Van Droogenbroeck, Vincent Ginis

机构 * Data Analytics Lab, Vrije Universiteit Brussel（布鲁塞尔自由大学数据分析实验室） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） 纠错

AI总结 本文提出一种可扩展的端到端流程，利用LLM辅助评阅短篇手写作业，通过构建答案键、开发评分指南和结合自动扫描、多轮评分和人工验证，有效减少评阅时间并保持准确性。

Comments 19 pages, 5 figures

Dark3R: Learning Structure from Motion in the Dark

Dark3R: 在黑暗中学习结构从运动

Andrew Y Guo, Anagh Malik, SaiKiran Tedla, Yutong Dai, Yiqian Qin, Zach Salehe, Benjamin Attal, Sotiris Nousias, Kiriakos N. Kutulakos, David B. Lindell

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； York University（约克大学） ； Sony Corporation of America（美国索尼公司） ； Harvard University（哈佛大学） ； Purdue University（普渡大学） 纠错

AI总结 Dark3R通过教师-学生蒸馏适应大规模3D基础模型以应对极低光照条件，无需3D监督，仅需噪声-清洁原始图像对进行训练，实现低信噪比下的鲁棒特征匹配和相机姿态估计。

Comments CVPR 2026, Project Page: https://andrewguo.com/pub/dark3r

Explainable AI Using Inherently Interpretable Components for Wearable-based Health Monitoring

基于可解释组件的可解释AI用于基于可穿戴设备的健康监测

Maurice Kuschel, Solveig Vieluf, Claus Reinsberger, Tobias Loddenkemper, Tanuj Hasija

机构 * Signal and System Theory Group, Paderborn University（信号与系统理论组，帕德博恩大学） ； Department of Medicine I, Ludwig Maximilian University（医学部I，路德维希-马克西米利安大学） ； Konrad Zuse School of Excellence in Reliable AI, Munich（可靠性人工智能卓越学校，慕尼黑） ； Institute of Sports Medicine, Paderborn University（运动医学研究所，帕德博恩大学） ； Division of Sports Neurology and Neurosciences, Mass General Brigham（运动神经学与神经科学部，马萨诸塞总医院布里奇顿分院） ； Division of Epilepsy and Clinical Neurophysiology, Boston Children’s Hospital, Harvard Medical School（癫痫与临床神经生理学部，波士顿儿童医院，哈佛医学院） 纠错

AI总结 本文提出一种结合解释空间和概念解释的新方法，用于解释基于可穿戴设备的时间序列数据预测，通过可解释组件保持模型性能并实现可解释性。

Comments Submitted to the IEEE Journal of Biomedical and Health Informatics

EvolveCoder: Evolving Test Cases via Adversarial Verification for Code Reinforcement Learning

EvolveCoder：通过对抗验证演化测试用例以增强代码强化学习

Chi Ruan, Dongfu Jiang, Huaye Zeng, Ping Nie, Wenhu Chen

机构 * University of Waterloo（多伦多大学） ； Vector Institute（向量研究所） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出基于解决方案的对抗验证框架，通过迭代优化测试用例提升验证效果，构建了EvolveCoder-22k数据集，实验证明其在代码生成强化学习中提升模型性能。

Verifying LLM Inference to Detect Model Weight Exfiltration

验证大语言模型推理以检测模型权重外泄

Roy Rinberg, Adam Karvonen, Alexander Hoover, Daniel Reuter, Keri Warr

机构 * Harvard University（哈佛大学） ； ML Alignment & Theory Scholars (MATS)（对齐与理论学者（MATS）） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Anthropic 纠错

AI总结 本文提出通过验证LLM推理来检测模型权重外泄，通过安全游戏形式化外泄问题，提出可证明缓解隐写外泄的验证框架，并评估了不同参数规模的模型。

Continued Pretraining for Low-Resource Swahili ASR: Achieving State-of-the-Art Performance with Minimal Labeled Data

持续预训练用于低资源斯瓦希里语语音识别：在极少量标注数据下实现最先进的性能

Hillary Mutisya, John Mugane

机构 * Harvard University（哈佛大学） 纠错

AI总结 通过持续预训练和监督微调，在极少量标注数据下实现斯瓦希里语ASR的高性能，较基线提升82%，超越现有最佳系统61%。

Computational Pathology in the Era of Emerging Foundation and Agentic AI -- International Expert Perspectives on Clinical Integration and Translational Readiness

在新兴基础和代理AI时代 computational pathology 的发展——国际专家对临床整合与转化准备的视角

Qian Da, Yijiang Chen, Min Ju, Zheyi Ji, Albert Zhou, Wenwen Wang, Matthew A Abikenari, Philip Chikontwe, Guillaume Larghero, Bowen Chen, Peter Neidlinger, Dingrong Zhong, Shuhao Wang, Wei Xu, Drew Williamson, German Corredor, Sen Yang, Le Lu, Xiao Han, Kun-Hsing Yu, Jun-zhou Huang, Laura Barisoni, Geert Litjens, Anant Madabhushi, Lifeng Zhu, Chaofu Wang, Junhan Zhao, Weiguo Hu

机构 * Department of Pathology, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China（复旦大学附属中山医院病理科，上海交通大学医学院，上海，中国） ； Department of Radiation Oncology, Stanford University School of Medicine, Stanford, CA, USA（斯坦福大学医学院放射肿瘤科，斯坦福，加利福尼亚州，美国） ； Department of Basic Education, Qingdao City University, Qingdao, Shandong, China（青岛城市大学基础教育系，青岛，山东省，中国） ； Department of Human Genetics, the University of Chicago, Chicago, IL, USA（芝加哥大学人类遗传学系，芝加哥，伊利诺伊州，美国） ； Department of Computer Science, University of Warwick, Coventry UK（沃里克大学计算机科学系，科文特里，英国） ； Department of Electrical and Computer Engineering, Carnegie Mellon University, Pittsburgh, Pennsylvania, USA（卡内基梅隆大学电气与计算机工程系，匹兹堡，宾夕法尼亚州，美国） ； Department of Neurosurgery, Stanford University School of Medicine, Stanford, CA, USA（斯坦福大学医学院神经外科，斯坦福，加利福尼亚州，美国） ； Department of Biomedical Informatics, Harvard Medical School, Boston, MA, USA（哈佛医学院生物医学信息学系，波士顿，马萨诸塞州，美国） 纠错

AI总结 本文探讨新兴基础和代理AI在计算病理学中的临床整合与转化准备，分析技术成熟度、经济监管及实际应用挑战，提供国际专家对当前能力与障碍的评估。

Sequential-Parallel Duality in Prefix Scannable Models

前缀可扫描模型中的序列-并行二元性

Morris Yau, Sharut Gupta, Valerie Engelmayer, Kazuki Irie, Stefanie Jegelka, Jacob Andreas

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； TU Munich（慕尼黑技术大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出前缀可扫描模型（PSMs），通过放宽状态聚合运算符，统一了多种序列模型，并在效率和表达力上表现出色。

Universal Dynamics with Globally Controlled Analog Quantum Simulators

具有全局控制的模拟量子系统实现通用动力学

Hong-Ye Hu, Abigail McClain Gomez, Liyuan Chen, Aaron Trowbridge, Andy J. Goldschmidt, Zachary Manchester, Frederic T. Chong, Arthur Jaffe, Susanne F. Yelin

机构 * Department of Physics, Harvard University（哈佛大学物理系） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Harmoniqs, Inc.（Harmoniqs公司） ； Department of Mathematics, Harvard University（哈佛大学数学系） 纠错

AI总结 本研究通过全局控制场实现通用量子动力学，展示了类比量子模拟器在拓扑动力学和多体相互作用工程中的应用。

Comments The updated version adds new applications and discussions on information scrambling with globally controlled analog quantum systems. 11 pages, 6 figures with Methods. HYH, AMG, and LC contributed equally to this work. Updated acknowledgement and references

Latent Generative Models with Tunable Complexity for Compressed Sensing and other Inverse Problems

具有可调复杂度的潜在生成模型用于压缩感知及其他反问题

Sean Gunn, Jorio Cocola, Oliver De Candido, Vaggos Chatziafratis, Paul Hand

机构 * Northeastern University（东北大学） ； Harvard University（哈佛大学） ； Technical University of Munich（慕尼黑技术大学） ； UC Santa Cruz（加州大学圣克鲁兹分校） 纠错

AI总结 本文提出可调复杂度生成模型，用于提升压缩感知等反问题的重建性能，并通过理论分析和实验验证其有效性。

Censored LLMs as a Natural Testbed for Secret Knowledge Elicitation

被屏蔽的LLM作为秘密知识提取的自然测试场

Helena Casademunt, Bartosz Cywiński, Khoi Tran, Arya Jakkli, Samuel Marks, Neel Nanda

机构 * Harvard University（哈佛大学） ； Warsaw University of Technology（华沙理工大学） ； IDEAS Research Institute（IDEAS研究所） ； CentraleSupélec（中央理工学院） ； Anthropic（Anthropic公司） 纠错

AI总结 研究利用被屏蔽的LLM测试秘密知识提取技术，发现开放式权重模型在诚实提取和谎言检测中存在局限性，且无法完全消除虚假回应。

Langevin Flows for Modeling Neural Latent Dynamics

兰格朗日流用于建模神经潜在动态

Yue Song, T. Anderson Keller, Yisong Yue, Pietro Perona, Max Welling

机构 * Caltech, Vision Lab（加州理工学院视觉实验室） ； The Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（自然与人工智能研究学院，哈佛大学） ； University of Amsterdam, Institute for Informatics（阿姆斯特丹大学信息学院） 纠错

AI总结 LangevinFlow通过引入物理先验和振荡器网络，有效建模神经群体的潜在动态及其未观测影响。

Comments Full version of the Cognitive Computational Neuroscience (CCN) 2025 poster