高校专区
学习房间中的大象：人类和人工智能中的自监督上下文推理
机构 * College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） ； CFAR and I2R, Agency for Science, Technology and Research（CFAR和I2R，科技研究局） ； Boston Children’s Hospital, Harvard Medical School（哈佛医学院儿童医院）
AI总结 本文提出SeCo模型，通过自监督学习实现上下文推理，展示了上下文关联在场景理解中的关键作用。
早期证据表明使用消费者LLM进行Vibe-Proving：通过ChatGPT-5.2（Thinking）对频谱区域特征的案例研究
机构 * Data Analytics Lab, Vrije Universiteit Brussel（布鲁塞尔自由大学数据分析实验室） ； imec-SMIT, Vrije Universiteit Brussel（布鲁塞尔自由大学imec-SMIT） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院）
AI总结 本文通过ChatGPT-5.2研究了LLM在数学证明中的应用，展示了其在高阶证明搜索中的有效性，并提出了LLM协助的局限性及改进方向。
Comments 41 pages
警察拦车停靠中尊重的主观性：在体测摄像头录像中建模社区视角
机构 * Department of Computer Science, University of Southern California（计算机科学系，南加州大学） ； Department of Psychology, University of Southern California（心理学系，南加州大学） ； Department of Political Science, University of California Riverside（政治学系，加州河滨大学） ； Department of Anthropology, University of California Los Angeles（人类学系，加州大学洛杉矶分校） ； Department of Political Science and International Relations, University of Southern California（政治学与国际关系系，南加州大学） ； Harvard Law School, Harvard University（哈佛法学院，哈佛大学） ； Department of Sociology, The University of Texas at Austin（社会学系，德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种视角意识的建模框架，通过分析体测摄像头录像中的社区视角，提升对尊重评分的预测和理由生成能力，以促进公众信任和程序合法性。
嵌入知识的潜在投影用于鲁棒表征学习
机构 * Department of Statistics and Data Science, Carnegie Mellon University（卡内基梅隆大学统计学与数据科学系） ； Department of Statistics, Columbia University（哥伦比亚大学统计学系） ； Department of Neurology, University of Pittsburgh（匹兹堡大学神经病学系） ； Department of Biostatistics, Harvard University（哈佛大学生物统计学系）
AI总结 本文提出嵌入知识的潜在投影模型，通过语义信息正则化表征学习，解决高维不平衡数据下的鲁棒表示问题。
EconEvals: 用于LLM代理经济决策的基准测试和litmus测试
机构 * Harvard University（哈佛大学） ； Penn State University（宾夕法尼亚州立大学）
AI总结 EconEvals提出了一种用于评估LLM经济决策能力的基准测试和litmus测试框架，通过多个冲突目标任务量化LLM的权衡响应和可靠性，为经济决策中的LLM评估提供了新方法。
Comments v3 was a major revision with updated experiments and analysis; v4 consists of minor edits
涌现能力的随机缩放
机构 * Harvard University（哈佛大学） ； Kempner Institute for the Study of Natural（自然与人工智能研究学院）
AI总结 研究通过分析随机种子对模型性能的影响，揭示了语言模型在特定规模下的涌现能力突破现象。
图论均值场子采样用于协作异质多智能体强化学习
机构 * California Institute of Technology（加州理工学院） ； Harvard University（哈佛大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 GMFS通过子采样异质智能体交互，实现可扩展的协作多智能体强化学习，具有poly(κ)样本复杂度和O(1/√κ)最优性差距。
Comments 43 pages, 5 figures, 1 table
MAEB：大规模音频嵌入基准
机构 * Carleton University（卡尔顿大学） ； Durham University（杜伦大学） ； Stanford University（斯坦福大学） ； Aarhus University（奥胡斯大学） ； Indian Institute of Technology, Kharagpur（印度理工学院，卡里格普） ； Harvard University（哈佛大学）
AI总结 MAEB是一个涵盖多语言音频任务的基准，揭示了不同模型在音频与语言任务上的性能差异，展示了音频编码器在跨模态任务中的表现关联性。
通过针对性表征编辑实现大语言模型中的精确属性强度控制
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Adobe Research（Adobe研究） ； Harvard University（哈佛大学）
AI总结 本研究通过针对性表征编辑方法，实现大语言模型中精确属性强度控制，提升模型对用户需求的适应能力。
超越显而易见：一种无梯度框架，揭示视觉不变性的隐藏景观
机构 * Neuroscience Area, International School for Advanced Studies (SISSA), Trieste (Italy)（国际先进研究学院（SISSA）神经科学部门，特里埃斯蒂（意大利）） ； Boston Children’s Hospital, Harvard Medical School, Boston (USA)（哈佛医学院波士顿儿童医院，波士顿（美国）） ； Center for Brains, Minds, and Machines, MIT, Cambridge (USA)（麻省理工学院大脑、心智与机器中心，剑桥（美国）） ； Harvard-MIT Program in Health Sciences and Technology, MIT, Cambridge (USA)（哈佛-麻省理工学院健康科学与技术项目，麻省理工学院，剑桥（美国））
AI总结 本文提出SnS框架，通过无梯度方法揭示视觉单元的不变性及对抗敏感性，发现深层表示的伸展会降低模型可解释性。
Comments 33 pages, 15 figures, Accepted as a conference paper at ICLR 2026
VariViT：一种适用于可变图像尺寸的视觉变换器
机构 * Technical University of Munich（慕尼黑技术大学） ； Institute for Artificial Intelligence and Informatics in Medicine, Technical University of Munich（慕尼黑技术大学人工智能与医学信息研究所） ； University of Zurich（苏黎世大学） ； Harvard Medical School（哈佛医学院）
AI总结 VariViT 是一种改进的视觉变换器，通过可变大小裁剪和新的批处理策略，提升医学图像的表示学习性能。
面包还是法棍？一项关于任务拓扑、长度泛化和推理轨迹益处的研究
机构 * School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） ； Kempner Institute for the Study of Artificial and Natural Intelligence, Harvard University（哈佛大学人工智能与自然智能研究所） ； Center for Brain Sciences, Harvard University（哈佛大学脑科学中心）
AI总结 本研究通过PITA数据集探讨推理轨迹在不同任务拓扑和长度泛化中的表现，揭示了RT模型在广度任务中的优势及深度任务的局限性。
Comments 38 pages, 11 figures, code available at https://github.com/wtong98/boule-or-baguette
迈向基于空间转录组的病理基础模型
机构 * Department of Pathology, Mass General Brigham, Harvard Medical School, Boston, MA, USA（病理学系，马萨诸塞州总医院与哈佛医学院，波士顿，马萨诸塞州，美国） ； Department of Computer Science & Technology, University of Cambridge, Cambridge, UK（计算机科学与技术系，剑桥大学，剑桥，英国） ； Cancer Program, Broad Institute of Harvard and MIT, Cambridge, MA, USA（癌症计划，哈佛与麻省理工联合学院，剑桥，马萨诸塞州，美国） ； Data Science Program, Dana-Farber Cancer Institute, Boston, MA, USA（数据科学计划，达纳-法伯癌症研究所，波士顿，马萨诸塞州，美国） ； Harvard-MIT Division of Health Sciences and Technology, Massachusetts Institute of Technology, Cambridge, MA, USA（哈佛-麻省理工健康科学与技术 division，麻省理工学院，剑桥，马萨诸塞州，美国） ； Télécom Paris, Institut Polytechnique de Paris, Paris, France（巴黎电信学院，巴黎理工学院，巴黎，法国） ； Harvard Data Science Initiative, Harvard University, Cambridge, MA, USA（哈佛大学数据科学倡议，哈佛大学，剑桥，马萨诸塞州，美国）
AI总结 SEAL通过整合局部分子信息提升病理基础模型性能，实现跨模态应用与领域泛化。
融合像素与基因：计算病理学中的空间感知学习
机构 * College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； Fysics Intelligence Technologies Co., Ltd. (Fysics AI)（菲茨斯智能科技有限公司（菲茨斯AI）） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Tencent Youtu Lab（腾讯优图实验室） ； ByteDance（字节跳动）
AI总结 STAMP通过整合空间解析基因表达数据，提升计算病理学中多模态学习的性能与泛化能力。
Comments accepted by ICLR 2026, 34 pages, 10 figures, 7tables
Stroke3D: 通过潜在扩散模型将2D笔触提升为拟合的3D模型
机构 * ReLER, CCAI, Zhejiang University（ReLER、CCAAI、浙江大学） ； DBMI, HMS, Harvard University（DBMI、HMS、哈佛大学）
AI总结 Stroke3D通过潜在扩散模型，将用户绘制的2D笔触和文本提示转化为拟合的3D模型，实现可控的骨骼生成和纹理网格合成。
Comments Accepted by ICLR 2026
启发式方法是提炼MLP用于图链接预测的良好教师
机构 * University of California Los Angeles（加州大学洛杉矶分校） ； Harvard University（哈佛大学） ； Snap Inc.（Snap公司）
AI总结 本文提出EHDM方法，通过启发式方法提炼MLP，有效提升图链接预测性能并降低训练成本。
通过多目标贝叶斯优化加速冻保护剂混合物的发现
机构 * Mechanical Engineering Department, Carnegie Mellon University（卡内基梅隆大学机械工程系） ； Center for Engineering in Medicine & Surgery, Department of Surgery, Massachusetts General Hospital, Harvard Medical School, and Shriners Children’s（医学与手术工程中心，外科部，麻省总医院，哈佛医学院，以及谢尔曼儿童医院）
AI总结 通过多目标贝叶斯优化结合高通量筛选，高效发现同时具有高CPA浓度和高细胞存活率的冻保护剂混合物。
TFTF：无训练目标流用于条件采样
机构 * Zhili College, Tsinghua University, Beijing, China（清华大学紫荆学院） ； Department of Statistics and Data Science, Tsinghua University, Beijing, China（清华大学统计与数据科学系） ； Department of Statistics, Harvard University, Cambridge, MA, USA（哈佛大学统计系）
AI总结 TFTF通过引入随机流和重采样技术，实现无训练条件采样，提升高维和多模态场景下的生成效果。
视觉模型中的人类样粗粒物体表示
机构 * Harvard University（哈佛大学） ； Weizmann Institute of Science（魏茨曼科学研究院） ； Bocconi University（博科尼大学）
AI总结 本文探讨了视觉模型中人类样粗粒物体表示的形成机制，通过实验发现资源限制而非特定偏见驱动该现象，并提出简单方法提升物理高效的表示。
表示学习中的谱鬼怪：从成分分析到自监督学习
机构 * Google DeepMind（谷歌DeepMind） ； Georgia Tech（佐治亚理工学院） ； Harvard University（哈佛大学） ； University of Alberta（阿尔伯塔大学）
AI总结 本文提出了一种基于谱表示的统一框架，用于理解和改进表示学习，通过理论分析揭示现有SSL算法的本质并推动更高效的应用方法。
Comments 43 pages, 3 figures
量子时序卷积神经网络用于横截面股票收益率预测：一种比较基准研究
机构 * Beth Israel Deaconess Medical Center \& Harvard Medical School, Boston, MA 02115 USA ； Luddy School of Informatics, Computing ； Engineering, Indiana University Bloomington, Bloomington, IN 47405 USA ； Institute of Electronics Engineering, National Taiwan University, 106319, Taiwan ； Department of Mathematics, Boise State University, Boise, ID 83702 USA ； Department of Electrophysics, National Yang Ming Chiao Tung University, 30010,Taiwan
AI总结 本文提出量子时序卷积神经网络QTCNN，通过结合经典时序编码器和量子卷积电路，实现对横截面股票收益率的高效预测，实验结果显示其夏普比率优于经典模型72%。
自动化胎儿脑MRI分割与生物测量的进展：来自FeTA 2024挑战的见解
机构 * organization= Department of Radiology, Lausanne University Hospital ； University of Lausanne , city= Lausanne , country= Switzerland ； organization= CIBM Center for Biomedical Imaging , city= Lausanne , country= Switzerland ； organization= Department of Early Life Imaging, School of Biomedical Engineering \& Imaging Sciences, King’s College London , city= London , country= UK ； organization= Smart Imaging Lab, University Hospital Erlangen , city= Erlangen , country= Germany ； organization= Center for MR-Research, University Children’s Hospital Zurich, University of Zurich , city= Zurich , country= Switzerland ； organization= Neuroscience Center Zurich, University of Zurich , city= Zurich , country= Switzerland ； organization= National Heart \& Lung Institute, Imperial College London , city= London , country= UK ； organization= University of California, San Francisco ； UCSF Benioff Children’s Hospital , city= San Francisco , state= California , country= USA ； organization= Department of Quantitative Biomedicine, University of Zurich , city= Zurich , country= Switzerland ； organization= Department of Informatics, Technical University of Munich , city= Munich , country= Germany ； organization= Boston Children’s Hospital, Harvard Medical School , city= Boston , state= Massachusetts , country= USA ； organization= Neuroimaging Unit, Scientific Institute IRCCS E. Medea , city= Bosisio Parini , country= Italy ； organization= Department of Informatics, Systems ； Communication, University of Milano Bicocca , city= Milan , country= Italy ； organization= Research Institute of Computer Vision ； organization= BCN MedTech, Department of Engineering, Universitat Pompeu Fabra , city= Barcelona , country= Spain ； organization= Department of Information Engineering, University of Padova , city= Padova , country= Italy ； organization= Institut Pasteur, Université Paris Cité, CNRS UMR 3571, Decision ； organization= Inria, HeKA, PariSantéCampus , city= Paris , country= France ； organization= L. D. College of Engineering , city= Gujarat , country= India ； organization= Medical Faculty Heidelberg, Heidelberg University , addressline= Pattern Analysis ； Learning Group, Department of Radiation Oncology, Heidelberg University Hospital , city= Heidelberg , country= Germany ； organization= Canon Medical Systems (China) Co., Ltd , city= , country= China ； organization= Faculty of Electrical Engineering, University of Ljubljana , city= Ljubljana , country= Slovenia ； organization= Department of Radiology, Seoul National University Hospital , city= Seoul , country= South Korea ； organization= School of Mechanical ； Electrical Engineering, University of Electronic Science ； organization= School of Computer Science, Wuhan University , city= Wuhan , country= China ； Developmental Science Center, Boston Children’s Hospital, Harvard Medical School , city= Boston , state= Massachusetts , country= USA ； organization= Hawkes Institute, Department of Computer Science, University College London , city= London , country= UK ； organization= Laboratory for Computational Neuroimaging, Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital/Harvard Medical School , city= Charlestown , state= Massachusetts , country= USA ； organization= Department of Biomedical Imaging ； Image-guided Therapy, Computational Imaging Research Lab (CIR), Early Life Image Analysis Group, Medical University of Vienna , city= Vienna , country= Austria ； organization= University Research Priority Project Adaptive Brain Circuits in Development ； Learning (AdaBD), University of Zurich , city= Zurich , country= Switzerland ； organization= Sagol Brain Institute, Tel Aviv Sourasky Medical Center ； School of EE, Tel-Aviv University , city= Tel-Aviv , country= Israel ； organization= Department of Medical Imaging Sciences, The Faculty of Social Welfare ； Health Sciences, University of Haifa , city= Haifa , country= Israel ； Faculty of Medicine ； Sagol School of Neuroscience, Tel-Aviv University , city= Tel-Aviv , country= Israel ； organization= Department Woman-Mother-Child, CHUV , city= Lausanne , country= Switzerland ； organization= BCNatal Fetal Medicine Research Center (Hospital Clínic ； Hospital Sant Joan de Déu), Universitat de Barcelona , city= Barcelona , country= Spain ； organization= German Cancer Research Center (DKFZ) Heidelberg, Division of Medical Image Computing , city= Heidelberg , country= Germany ； organization= Helmholtz Imaging, German Cancer Research Center (DKFZ) , city= Heidelberg , country= Germany ； organization= Faculty of Mathematics ； Computer Science, Heidelberg University , city= Heidelberg , country= Germany ； organization= University of Zurich , city= Zurich , country= Switzerland ； organization= Croatian Institute for Brain Research, School of Medicine, University of Zagreb , city= Zagreb , country= Croatia ； organization= Department of Biomedical Engineering, School of Biomedical Engineering \& Imaging Sciences, King’s College , city= London , country= United Kingdom ； Musculoskeletal Radiology, Medical University of Vienna , city= Vienna , country= Austria ； organization= Division of Newborn Medicine, Boston Children’s Hospital, Harvard Medical School , city= Boston , state= Massachusetts , country= USA ； organization= Department of Radiology, Boston Children’s Hospital, Harvard Medical School , city= Boston , state= Massachusetts , country= USA
AI总结 FeTA 2024挑战通过引入生物测量预测和低场MRI数据，推动了胎儿脑MRI分割与生物测量的自动化进展，揭示了拓扑差异和成像系统对分割性能的影响。
解析LLM作为裁判：用于推理时间扩展的可分析模型
机构 * John A. Paulson School of Engineering And Applied Sciences, Harvard University（哈佛大学约翰·A·保罗森工程与应用科学学院） ； Center for Brain Science, Harvard University（哈佛大学脑科学中心） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学自然与人工智能研究学院）
AI总结 本文提出一个可分析的模型，用于推理时间扩展，通过奖励加权采样器和贝叶斯线性回归，分析推理时间样本与一般化误差的关系，并展示在任务难度增加时该优势的退化。
Comments 27 pages
在过度参数化下防止模型崩溃：插值学习和岭回归的最优混合比例
机构 * Harvard University（哈佛大学） ； University of Florida（佛罗里达大学）
AI总结 研究在过度参数化下防止模型崩溃，通过插值学习和岭回归的最优混合比例分析，揭示了最优混合权重的性质及在不同设置下的学习效果。
Comments 36 pages, 5 figures
将策略翻译为语言：通过生成连续归一化流生成的奖励用于LLM解释
机构 * AIPD, Tencent, Shenzhen, China（腾讯人工智能与大数据研究院，深圳，中国） ； IIIS, Tsinghua University, Beijing, China（清华大学人工智能学院，北京，中国） ； EE, Tsinghua University, Beijing, China（清华大学电子工程系，北京，中国） ； CS, Tsinghua University, Beijing, China（清华大学计算机系，北京，中国） ； SEAS, Harvard University, Cambridge, USA（哈佛大学工程学院，剑桥，美国） ； College of AI, Tsinghua University, Beijing, China（清华大学人工智能学院，北京，中国）
AI总结 本文提出通过生成连续归一化流生成奖励，训练LLM生成更准确、逻辑严谨且认知负担更低的解释，以提升智能体与人类共存的可靠性。
Comments Accepted by ICLR 2026
LiveMedBench: 一个无污染的医疗基准测试，用于具有自动评分评估的LLM
机构 * Lehigh University（莱维大学） ； Harvard University（哈佛大学） ； Imperial College London（伦敦帝国学院） ； Massachusetts General Hospital（麻省总医院） ； Harvard Medical School（哈佛医学院）
AI总结 LiveMedBench通过持续更新和自动评分框架，提供无污染的医疗基准测试，验证LLM在临床推理中的性能，揭示数据污染和上下文适应性问题。
STRAND：基于序列的传输用于单细胞扰动
机构 * Department of Biomedical Informatics, Harvard Medical School, Boston, MA, USA ； Merck \& Co., Inc., Cambridge, MA, USA ； Department of Biomedical Engineering, Johns Hopkins University, Baltimore, MD, USA ； Kempner Institute for the Study of Natural ； Artificial Intelligence, Harvard University, Allston, MA, USA ； Broad Institute of MIT
AI总结 STRAND通过条件化调控DNA序列预测单细胞转录响应，提升基因扰动分析的准确性和泛化能力。
Comments 8 pages for main draft, 6 main figures
循环变换器中逐步数据归因
机构 * Hasso Plattner Institute for Digital Engineering, University of Potsdam（波恩大学数字工程研究所） ； Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Harvard University（哈佛大学） ； Imperial College London（伦敦帝国理工学院） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出SDI方法，用于分析循环变换器中每个循环步骤对模型的影响，提升数据归因和可解释性能力。
前瞻与回顾流：基于轨迹平滑的无训练图像生成
机构 * Harvard AI and Robotics Lab, Harvard University（哈佛人工智能与机器人实验室，哈佛大学）
AI总结 本文提出两种无训练轨迹平滑方法，通过优化潜在空间中的生成路径，在多个数据集上显著提升图像生成性能。
从博弈论视角出发的贡献感知医疗多智能体：CoMMa
机构 * Center for Advanced Medical Computing（先进医学计算中心） ； Department of Radiology, Massachusetts General Hospital（放射科，马萨诸塞总医院） ； Harvard Medical School（哈佛医学院） ； Department of Radiation Oncology, Yonsei University College of Medicine（放射肿瘤科，延世大学医学院） ； Yonsei University（延世大学） ； Institute for Innovation in Digital Healthcare（数字医疗创新研究所） ； Interventional Radiology Academic Medical Centers, Mass General Brigham（介入放射学学术医疗中心，马萨诸塞总医院 Brigham）
AI总结 CoMMa从博弈论视角提出一种去中心化医疗多智能体框架，通过确定性嵌入投影实现贡献感知的信用分配，提升肿瘤学决策支持的准确性和稳定性。
Comments 9 pages, 3 figures
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