高校专区
基于稀疏变换分析的无监督表示学习
机构 * Computing and Mathematical Sciences, Caltech, CA（计算与数学科学系，加州理工学院） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University, MA（自然与人工智能研究学院，哈佛大学） ； Amsterdam Machine Learning Lab, University of Amsterdam, the Netherlands（阿姆斯特丹机器学习实验室，阿姆斯特丹大学）
AI总结 本文提出通过稀疏变换分析学习序列数据的无监督表示，利用概率流模型分解为稀疏场，实现解耦的等变表示。
Comments T-PAMI journal paper
MAPLE：从统计共识到过程导向对齐的医学推理提升
机构 * Zhejiang University（浙江大学） ； Harvard University（哈佛大学） ； Harvard Medical School（哈佛医学院）
AI总结 MAPLE通过整合医学过程奖励模型与TTRL，提升医学推理的准确性和可靠性，实现从统计共识到过程导向对齐的转变。
控制你的转移：用于许多小数据集的聚类转移残差学习
机构 * Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 CTRL通过结合跨域残差学习和自适应聚类，提升多源小数据集的预测准确性和源异质性保持能力。
通过聚焦：基于场景图的原子技能
机构 * School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） ； Robotics Department, University of Michigan（密歇根大学机器人系）
AI总结 本文提出了一种基于场景图的原子技能学习框架，结合图神经网络与扩散式模仿学习，并与视觉-语言模型结合，提升机器人在复杂任务中的稳健性和组合泛化能力。
Comments Acceptance to ICRA 2026. Website: https://computationalrobotics.seas.harvard.edu/SkillComposition/
可微微镜设计一种全光学相位恢复显微镜
机构 * Center for Advanced Imaging, Faculty of Arts and Sciences, Harvard University（哈佛大学艺术与科学学院先进成像中心） ； Department of Electronic and Telecommunication Engineering, University of Moratuwa（莫塔瓦大学电子与电信工程系） ； Department of Computer Science, Old Dominion University（老 Dominion 大学计算机科学系） ； Department of Physics and Technology, UiT The Arctic University of Norway（挪威北极大学物理与技术系） ； Department of Physics and School of Data Science, Old Dominion University（老 Dominion 大学物理系和数据科学学院）
AI总结 本文提出可微微镜框架，通过数据驱动方法实现全光学相位恢复显微镜设计，展示其在多个数据集上的优越性能。
学习SAT求解器初始分支顺序的排名
机构 * KTH Royal Institute of Technology（皇家理工学院） ； Kempner Institute at Harvard University（哈佛大学肯普纳研究所） ； Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 本文提出利用图神经网络预测SAT求解器初始分支顺序，以提升求解效率，但发现其在复杂实例上效果受限。
Comments Published at VerifAI-2: The Second Workshop on AI Verification in the Wild
突破马尔可夫诅咒：基于非对称认知潜能的多智能体辩论
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学国际关系学院） ； Harvard University（哈佛大学）
AI总结 AceMAD通过非对称认知潜能打破马尔可夫诅咒，提升多智能体辩论的真理收敛能力。
利用补充静止轨道卫星数据和分层规划实现卫星观测的动态瞄准
机构 * Jet Propulsion Laboratory, California Institute of Technology, Pasadena, CA（喷气推进实验室，加州理工学院，帕萨迪纳，CA） ； Harvard University, Cambridge, MA（哈佛大学，剑桥，MA） ； Department of Computer Science, Carnegie Mellon University, Pittsburgh, PA（计算机科学系，卡内基梅隆大学，匹兹堡，PA）
AI总结 本文提出了一种利用静止轨道卫星数据和分层规划方法，提升动态瞄准任务中观测规划效率的解决方案，实验表明其在特定场景下性能提升达41%。
Comments Appears in the proceedings of the 2026 IEEE International Conference on Robotics and Automation
通过目光思考：将眼动作为视觉推理监督用于医学视觉语言模型
机构 * School of Computing, University of Georgia（佐治亚大学计算机学院） ； Department of Computer Science and Engineering, University of Texas, Arlington（德克萨斯大学阿灵顿分校计算机科学与工程系） ； Massachusetts General Hospital, Harvard Medical School（麻省总医院哈佛医学院） ； Department of Biomedical Engineering, New Jersey Institute of Technology（新泽西理工学院生物医学工程系）
AI总结 通过引入眼动标记，利用时间有序的注视轨迹引导医学VLM的视觉推理，提升放射学任务的性能与鲁棒性。
HARP: 仅使用假体数据进行体内扩散磁共振成像的协调
机构 * Department of Psychiatry（精神医学系） ； Brigham and Women's Hospital（布里奇沃特医院） ； Harvard Medical School（哈佛医学院） ； College of Engineering（工程学院） ； Northeastern University（东北大学） ； National Institute of Standards and Technology（国家标准技术研究院） ； University of Utah School of Medicine（犹他大学医学院） ； George E. Wahlen Veterans Affairs Medical Center（乔治·E·瓦伦的退伍军人事务医疗中心） ； University of Pittsburgh（匹兹堡大学） ； Department of Radiology（放射医学系） ； Harvard-MIT Health Sciences and Technology（哈佛-麻省理工健康科学与技术）
AI总结 HARP通过仅使用假体数据训练深度学习模型，实现了无需多站点活体数据的扩散磁共振成像协调，有效降低了扫描仪间变异性。
基于蛋白质图神经网络的异质冷冻电镜重建
机构 * KTH Royal Institute of Technology（皇家理工学院） ； Harvard University（哈佛大学） ； Department of Mathematics（数学系） ； School of Engineering and Applied Sciences（工程与应用科学学院）
AI总结 本文提出基于图神经网络的异质冷冻电镜重建方法，通过几何感知的归纳偏置提升骨架构象预测的准确性。
改进的高维估计与 Langevin 动力学和随机权重平均
机构 * Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出利用 Langevin 动力学和迭代平均来改进高维估计，证明在不显式平滑的情况下，Langevin 动力学可在n≈d^{k*/2}样本下成功恢复隐藏方向。
从权重空间到记忆空间的迁移适应：一种用于医学图像分割的记忆增强代理
机构 * Department of Electrical and Computer Engineering, University of California, Santa Barbara, Santa Barbara, CA 93106, USA（电子工程系，加州大学圣芭芭拉分校） ； College of Engineering, Northeastern University, Boston, MA 02115, USA（工程学院，东北大学） ； Department of Biomedical Engineering, New Jersey Institute of Technology, Newark, NJ 07102, USA（生物医学工程系，新泽西理工学院） ； United Imaging Intelligence, Burlington, MA 01803, USA（联合影像智能公司） ； Department of Radiation Oncology, Mayo Clinic, Scottsdale, AZ 85259, USA（放射肿瘤科，梅奥诊所） ； Department of Radiology, Massachusetts General Hospital and Harvard Medical School, Boston, MA 02115, USA（放射科，麻省总医院和哈佛医学院） ； School of Computing, University of Georgia, Athens, GA 30602, USA（计算学院，佐治亚大学）
AI总结 本文提出MemSeg-Agent，通过将适应从权重空间转移到记忆空间，实现少样本学习、联邦监督学习和测试时间适应，提升医学图像分割的泛化能力和效率。
MoE Lens -- 一个专家足矣
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； University of Maryland（马里兰大学） ； Harvard University（哈佛大学）
AI总结 MoE Lens研究显示，MoE模型主要依赖少数专家，通过针对性剪枝可优化推理，同时保持性能。
Comments 15 pages, 10 figures, ICLR 2025 Workshop on Sparsity in LLMs (SLLM)
LLMs中的模糊性消解：一种认知风险的分类
机构 * Harvard University（哈佛大学） ； Northeastern University（东北大学）
AI总结 本文探讨了LLMs在处理模糊术语时引发的认知风险，提出模糊性消解现象，并通过案例研究分析其在过程、输出和生态系统层面的影响，提出多层缓解原则以管理模糊性。
可解释的结构脑MRI运动伪影检测
机构 * Indian Institute of Technology, Madras（印度理工学院，马德拉斯） ； Boston Childrens Hospital, Harvard Medical School（波士顿儿童医院，哈佛医学院） ； Indian Institute of Technology, Bhilai（印度理工学院，比哈尔）
AI总结 本文提出了一种轻量可解释的框架，通过扩展DHoGM到三维空间，有效检测结构脑MRI中的运动伪影，实现高准确率和高效计算。
用于加速心脏 cine MRI 重建的 Gabor 原始要素
机构 * Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM) and TUM University Hospital, Munich, Germany（人工智能在医疗与医学中的chair，慕尼黑技术大学（TUM）和慕尼黑技术大学医院，德国慕尼黑） ； School of Computation and Information Technology, Technical University of Munich, Munich, Germany（计算与信息科技学院，慕尼黑技术大学，德国慕尼黑） ； Institute of Machine Learning in Biomedical Imaging, Helmholtz Munich, Neuherberg, Germany（生物医学影像中的机器学习研究所，海德堡慕尼黑，德国纽赫堡） ； Department of Radiology, Boston Children's Hospital and Harvard Medical School, Boston, USA（放射科，波士顿儿童医院和哈佛医学院，美国波士顿） ； Munich Center for Machine Learning, Technical University of Munich, Munich, Germany（慕尼黑机器学习中心，慕尼黑技术大学，德国慕尼黑） ； GE HealthCare, Munich, Germany（通用电气医疗系统，德国慕尼黑） ； School of Biomedical Engineering and Imaging Sciences, King's College London, London, United Kingdom（生物医学工程与成像科学学院，伦敦国王学院，英国伦敦） ； Department of Computing, Imperial College London, London, United Kingdom（计算学院，伦敦帝国学院，英国伦敦）
AI总结 本文提出 Gabor 原始要素用于加速心脏 cine MRI 重建，通过调制高斯包络实现灵活频谱支持，提升对光滑结构和锐利边界的表示能力。
利用生成AI合成数据进行统计推断
机构 * Harvard T.H. Chan School of Public Health（哈佛T.H. Chan公共卫生学院） ； Harvard University（哈佛大学）
AI总结 本文探讨了生成AI合成数据在统计推断中的应用，分析了其生成模型、使用场景、局限性及潜在问题，并提出了原则性使用框架和实践建议。
Comments Submitted to Statistical Science
基于PDE的逆问题的贝叶斯推断：通过离散损失优化
机构 * Computational Science and Engineering Laboratory, Harvard John A. Paulson School of Engineering and Applied Sciences（哈佛约翰·A·保罗森工程与应用科学学校计算科学与工程实验室） ； System Dynamics Laboratory, Department of Mechanical Engineering, University of Thessaly（塞萨洛尼基大学机械工程系系统动力学实验室）
AI总结 本文提出B-ODIL方法，通过结合PDE损失作为先验知识和数据似然，实现基于贝叶斯推断的PDE逆问题求解，用于肿瘤浓度估计及不确定性量化。
分布条件传输
机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） ； Harvard Medical School（哈佛医学院） ； Beth Israel Deaconess Medical Center（贝塞斯达以色列德acons医疗中心） ； Brigham and Women’s Hospital（布里格姆和妇女医院）
AI总结 DCT通过条件化传输映射实现分布泛化，适用于分布预测和生物学应用，提升模型泛化能力和半监督学习效果。
用人工智能辅助发现解决理论物理中的一个开放问题
机构 * Google Research（谷歌研究） ； School of Engineering and Applied Sciences, Harvard University（工程与应用科学学院，哈佛大学） ； School of Computer Science, Carnegie Mellon University（计算机科学学院，卡内基梅隆大学）
AI总结 本文提出了一种结合大型语言模型和树搜索框架的混合系统，通过AI辅助发现解决了理论物理中宇宙弦引力辐射功率谱的开放问题，并推导出新的解析解。
Comments 22 pages, 3 figures
计数桥使能够建模和解卷积转录组数据
机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） ； CNRS（法国国家科学研究中心） ； Beth Israel Deaconess Medical Center（贝塞斯达以色列德acons医院） ； Brigham and Women’s Hospital（布莱根妇女医院） ； Harvard Medical School（哈佛医学院）
AI总结 Count Bridges通过随机桥过程建模整数数据并实现解卷积，适用于单细胞基因表达和空间转录组分析。
UFO-4D：从两幅图像中进行无约束前馈4D重建
机构 * Google（谷歌） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学）
AI总结 UFO-4D通过统一的前馈框架，从两幅图像中高效重建密集4D表示，实现3D几何、运动和相机姿态的联合估计，提升4D重建精度与效率。
Comments ICLR 2026, Project page: https://ufo-4d.github.io/
评估大型语言模型在心理健康支持中的风险：一种用于自动化临床AI红队测试的框架
机构 * Northeastern University（东北大学） ； Harvard Medical School（哈佛医学院）
AI总结 本文提出了一种评估AI心理治疗师在心理健康支持中安全风险的框架，通过模拟测试发现AI在治疗中的潜在风险，并验证了交互式可视化工具的有效性。
Comments This paper is a condensed version of the first author's Ph.D. dissertation submitted to Northeastern University
细粒度微调在激活差异中留下明显可读的痕迹
机构 * EPFL（苏黎世联邦理工学院） ； Ecole Normale Supérieure Paris-Saclay（巴黎-萨克雷高等师范学校） ； Université Paris-Saclay（巴黎-萨克雷大学） ； Harvard University（哈佛大学） ； MATS
AI总结 研究发现狭窄微调会在激活中留下明显痕迹，揭示了微调领域偏见，并警告了使用此类模型进行广泛微调研究的局限性。
Comments ICLR 2026
联邦ADMM的贝叶斯对偶性
机构 * RIKEN Center for AI Project（RIKEN人工智能项目中心） ； University College London（大学学院伦敦） ； Harvard University（哈佛大学）
AI总结 本文提出了一种基于贝叶斯对偶性的方法，用于推广联邦ADMM，通过变分贝叶斯目标实现ADMM-like更新和新的非平凡扩展，提升深度异质任务的准确性。
Comments First two authors contributed equally. Published at ICLR 2026. Code is at https://github.com/team-approx-bayes/bayes-admm
WristMIR: 儿童手腕X光片的粗到细区域感知检索框架，基于放射科报告驱动学习
机构 * Middle East Technical University（中东部技术大学） ； Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院） ； METU-DTX Research Center（METU-DTX研究中心）
AI总结 WristMIR通过结合放射科报告和骨特定定位，实现儿童手腕X光片的粗到细区域感知检索，提升骨折诊断的准确性和临床相关性。
Comments Accepted to Medical Imaging with Deep Learning (MIDL) 2026
ManagerBench: 评估自主大语言模型中的安全与务实之间的权衡
机构 * Technion – Israel Institute of Technology（技术学院–以色列理工学院） ； Google Research（谷歌研究） ； University of Zagreb（Zagreb大学） ； Kempner Institute, Harvard University（哈佛大学凯普勒研究所）
AI总结 ManagerBench评估自主大语言模型在安全与务实权衡中的表现，揭示模型在冲突目标下的决策缺陷。
强化学习在语言模型规划中的利弊：一种理论视角
机构 * Microsoft Research Asia（微软亚洲研究院） ； Peking University（北京大学） ； Harvard University（哈佛大学） ； University of Southern California（南加州大学）
AI总结 本文从理论角度分析强化学习在语言模型规划中的利弊，揭示探索的重要性及Q学习在多样性保持方面的优势。
从表征几何标记诊断泛化失败
机构 * Flatiron Institute（Flatiron研究所） ； Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind）
AI总结 通过分析表征几何标记，研究发现任务相关几何属性可预测模型在分布外数据上的泛化能力，为模型选择和AI可解释性提供新方向。
Comments Published in the International Conference on Learning Representations (ICLR), 2026
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