高校专区
AGFS-束测：一种基于图谱的精细束测方法，用于利用弥散MRI束图进行增强的沿束群体统计比较
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布里奇曼妇女医院） ； Boston University（波士顿大学）
AI总结 AGFS-束测提出了一种基于图谱的精细束测方法，通过利用弥散MRI束图信息和排列检验，提高沿束群体统计比较的敏感性和特异性，有效识别白质群体差异。
Comments 31 pages and 7 figures
基准在模型比裁判更智能时达到饱和
机构 * Data Analytics Lab, Vrije Universiteit Brussel（自由大学布鲁塞尔数据分析实验室） ； imec-SMIT, Vrije Universiteit Brussel（imec-SMIT，自由大学布鲁塞尔） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院）
AI总结 研究发现当模型比裁判更智能时，基准测试的准确性下降，强调了高质量数据集和可靠裁判的重要性。
Comments 17 pages, 10 figures, 3 tables
任务特定方向：在参数高效微调中的定义、探索与利用
机构 * MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（人工智能基础理论实验室，人工智能研究院，上海交通大学） ； School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（电子信息与电气工程学院，上海交通大学） ； School of Engineering and Applied Sciences, Harvard University（工程与应用科学学院，哈佛大学）
AI总结 本文提出LoRA-TSD，通过任务特定方向优化LoRA初始化和微调，提升模型在目标任务上的性能。
Comments 2026, TPAMI, Codes in https://github.com/Chongjie-Si/Subspace-Tuning
CHiRPE：迈向真实世界临床NLP的一步：面向临床医生的模型解释
机构 * Orygen and The University of Melbourne（Orygen和墨尔本大学） ； AIM for Health Lab, Monash University（AIM for Health实验室，墨尔本大学） ； University of Liverpool（利物浦大学） ； Yale School of Medicine, Yale University（耶鲁医学院，耶鲁大学） ； Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布里奇沃特医院）
AI总结 CHiRPE通过临床医生共同开发的新型SHAP解释格式，实现了高准确率的临床风险预测，并展示了临床指导的模型开发在真实世界中的应用潜力。
Comments This paper is accepted at EACL 2026
在人工智能时代重建统计学：关于文化、基础设施和培训的圆桌讨论
机构 * Department of Statistics, Stanford University（斯坦福大学统计学系） ； Department of Biostatistics, University of Michigan, Ann Arbor（密歇根大学安娜堡分校生物统计学系） ； Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院） ； Department of Statistics, Harvard University（哈佛大学统计学系） ； Broad Institute（Broad研究所） ； Yale School of Public Health（耶鲁大学公共卫生学院） ； Department of Statistics and Data Science, Yale University（耶鲁大学统计学与数据科学系） ； Department of Statistics, Iowa State University（爱荷华州立大学统计学系） ； 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） ； Baskin School of Engineering, University of California, Santa Cruz（加州大学圣克鲁兹分校Baskin工程学院） ； Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学） ； School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院） ； Department of Statistics, Columbia University（哥伦比亚大学统计学系） ； Department of Biostatistics, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校生物统计学系）
AI总结 本文记录了2024年JSM圆桌讨论，探讨统计学在人工智能时代的发展，聚焦文化、基础设施和培训等关键问题。
Comments 35 pages, 3 figures,
在中微子望远镜中减少模拟依赖性：基于掩码点变换器的方法
机构 * Department of Physics \& Laboratory of Particle Physics ； Cosmology, Harvard University, Cambridge, MA, USA
AI总结 本文提出了一种基于点云变换器和掩码自动编码器的自监督学习方法，用于减少中微子望远镜对模拟数据的依赖，从而提升事件重建和分类的准确性。
Comments 8 pages, 3 figures, presented at the 39th International Cosmic Ray Conference (ICRC2025)
人类与AI在多智能体协商中的战略权衡
机构 * Google DeepMind Mountain View CA USA（谷歌DeepMind） ； Harvard University Cambridge MA USA ； MIT \& NBER Cambridge MA USA ； MIT Cambridge MA USA ； Google DeepMind ； Harvard University ； MIT \& NBER ； MIT
AI总结 本研究通过实证分析比较了人类、前沿LLMs和定制化贝叶斯代理在动态多玩家协商游戏中的表现，揭示了LLMs在复杂多代理互动中与人类行为的差异及性能平局的局限性。
FOL-Traces: 在大规模上验证的首阶逻辑推理轨迹
机构 * USC（美国大学） ； Harvard University（哈佛大学）
AI总结 FOL-Traces是一个大规模验证的首阶逻辑推理轨迹数据集，用于严格评估结构逻辑推理，通过挑战性任务揭示模型在语法意识和推理过程忠实度上的不足。
DSGym: 一个全面的框架用于评估和训练数据科学代理
机构 * Stanford University（斯坦福大学） ； Together AI ； Duke University（杜克大学） ； Harvard University（哈佛大学）
AI总结 DSGym通过标准化框架提升数据科学代理的评估与训练，解决现有基准测试的碎片化和数据不足问题，提供可扩展的任务套件和数据合成管道。
通过激活探针检测高风险交互
机构 * LASR Labs（LASR实验室） ； University College London（伦敦大学学院） ； MILA ； Harvard University（哈佛大学） ； NTT Research（NTT研究所） ； Goodfire ； University of Cambridge（剑桥大学）
AI总结 通过激活探针检测高风险交互，实现高效且资源敏感的监控系统
Comments Accepted at NeurIPS 2025
评估稀疏自编码器中概念表示的对抗鲁棒性
机构 * University of California, Berkeley（加州大学伯克利分校） ； Bosch Research（博世研究） ； Harvard University（哈佛大学）
AI总结 本研究评估了稀疏自编码器中概念表示的对抗鲁棒性，发现其易受微小输入扰动影响，可能不适合用于模型监控和监督。
你所要求的是你所得到的吗？探究文本到图像模型中的概念关联
机构 * Department of Computer Science（计算机科学系） ； Harvard University（哈佛大学）
AI总结 本文提出 Concept2Concept 框架，用于审计文本到图像模型中提示与生成内容之间的概念关联，通过可解释的概念和度量标准进行可视化分析。
Journal ref Trans. Mach. Learn. Res, 2835-8856, 2025, https://openreview.net/forum?id=mk1YIkVvTQ
基于图谱的胎儿脑MRI分割模型（FeTal-SAM）
机构 * Department of Radiology, Boston Children’s Hospital, and Harvard Medical School（放射科、波士顿儿童医院和哈佛医学院）
AI总结 FeTal-SAM通过整合图谱提示和基础模型原理，实现了灵活的胎儿脑MRI分割，无需重新训练即可处理不同解剖结构。
恶意AI群如何威胁民主：代理AI与大语言模型的融合标志着信息战争的新前沿
机构 * Department of Sustainable Communication Technologies, SINTEF Digital（可持续通信技术系，SINTEF数字） ； Max Planck Institute for Security and Privacy（安全与隐私研究所） ； Department of Mathematics, City St George’s University of London（数学系，圣乔治大学） ； Macrostrategy Research Initiative（战略研究计划） ； Human Nature Lab, Yale University（人性实验室，耶鲁大学） ； Department of Politics and Public Administration, University of Konstanz（政治与公共管理系，康斯坦茨大学） ； Harvard Business School, Harvard University（哈佛商学院，哈佛大学） ； Department of Psychology, University of Cambridge（心理学系，剑桥大学） ； Department of Computer Science, University of British Columbia（计算机科学系，不列颠哥伦比亚大学） ； Department of Human Centered Design & Engineering, University of Washington（以人为本设计与工程系，华盛顿大学） ； Department of Psychology, New York University（心理学系，纽约大学） ； Observatory on Social Media and Luddy School of Informatics, Computing, and Engineering, Indiana University（社交媒体观察所和信息、计算与工程学院，印第安纳大学）
AI总结 本文探讨了恶意AI群通过融合代理AI与大语言模型对民主构成的威胁，并提出多方面的干预措施。
Comments 5 Pages, This is the author's version of the work. It is posted here by permission of the AAAS for personal use, not for redistribution. The definitive version was published in Science on January 22, 2026, DOI: 10.1126/science.adz1697
多情境主成分分析
机构 * Harvard University（哈佛大学） ； Broad Institute of MIT and Harvard（哈佛-麻省理工Broad研究所） ； University of Georgia（佐治亚大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 多情境主成分分析（MCPCA）是一种理论和算法框架，用于识别跨不同情境子集共享的变异因素，应用于基因表达和语言模型数据，揭示隐藏的变异轴。
Comments 47 pages, 8 figures. Supplementary tables are provided as downloadable file
超越亲和力：一种1D、2D和3D方法的基准测试揭示了基于结构的药物设计中的关键权衡
机构 * Department of Computer Science Rensselaer Polytechnic Institute（计算机科学系伦塞拉尔理工学院） ； Department of Computer Science and Engineering Lehigh University（计算机科学与工程系莱斯大学） ； Department of Computer Science University of Southern California（计算机科学系南加州大学） ； Stanford Medicine Department of Pathology Stanford University（斯坦福医学部病理学系斯坦福大学） ； Princeton University（普林斯顿大学） ； Harvard Medical School（哈佛医学院） ； State Key Laboratory for Novel Software Technology at Nanjing University（南京大学新型软件技术国家重点实验室） ； Department of Computer Science and Engineering The Chinese University of Hong Kong（计算机科学与工程系香港中文大学）
AI总结 本文通过对比1D、2D和3D方法，揭示了基于结构的药物设计中不同算法的性能差异及关键权衡。
用于具有偏移动态数据的强化学习的复合流匹配
机构 * School of Engineering and Applied Sciences（工程与应用科学学院） ； Harvard University（哈佛大学）
AI总结 CompFlow通过复合流匹配和最优传输理论，解决离线数据与在线动态不匹配的问题，提升强化学习样本效率。
Comments NeurIPS 2025 Spotlight
幅度替代方案的缩放规律
机构 * Institut für Theoretische Physik, Universität Heidelberg（海德堡大学理论物理研究所） ； Department of Physics, Harvard University（哈佛大学物理系） ； LPNHE, Sorbonne Université, Université Paris Cité, CNRS/IN2P3（巴黎大学LPNHE）
AI总结 本文研究了粒子物理学中幅度替代方案的缩放规律，发现缩放系数与过程的外部粒子数量相关，并证明了缩放规律在实现精度目标中的作用。
Comments 45 pages, 20 figures
不要懒惰：CompleteP使深度变压器计算高效
机构 * Cerebras Systems（Cerebras系统） ； ETH Zurich（苏黎世联邦理工学院） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） ； Kempner Institute（凯普纳研究所）
AI总结 CompleteP通过实现深度-wise超参数转移和非懒惰学习，提升了深度变压器的计算效率，适用于更广泛的模型宽度/深度比和硬件环境。
Comments NeurIPS 2025. v4 fixes Table 1 typo to match AdamW eps to Equation 40
EFX的成本：在少量剩余物品下的广义均值效用与复杂性二元对立
机构 * National University of Singapore（新加坡国立大学） ； Harvard University（哈佛大学） ； University of Oxford（牛津大学）
AI总结 研究探讨了在少量剩余物品情况下，EFX与广义均值效用的复杂性关系，揭示了EFX在不同p值下的计算难度及效用损失。
认知空间：自然、人工和混合
机构 * Complex Systems Lab, Universitat Pompeu Fabra（复杂系统实验室，庞培法布拉大学） ； Institució Catalana de la Recerca i Estudis Avançats (ICREA)（加泰罗尼亚高级研究与教育机构） ； Institut de Biologia Evolutiva, CSIC-UPF（生物进化研究所，CSIC-UPF） ； Santa Fe Institute（圣菲研究所） ； School of Computing, Australian National University（澳大利亚国立大学计算机学院） ； ISEM, Université de Montpellier, CNRS, IRD（蒙彼利埃大学ISEM，CNRS，IRD） ； Allen Discovery Center, Tufts University（塔夫茨大学艾伦发现中心） ； Wyss Institute for Biologically Inspired Engineering, Harvard University（哈佛大学生物启发工程研究所）
AI总结 本文提出认知空间框架，通过组织和信息维度分析不同系统的认知能力，揭示认知多样性并强调混合认知作为探索新复杂性的重要方向。
PTL-PINNs：基于物理信息神经网络的扰动引导迁移学习用于非线性系统
机构 * Department of Earth Science and Engineering, Imperial College（帝国理工学院地球科学与工程系） ； Harvard John A. Paulson School Of Engineering And Applied Sciences（哈佛大学约翰·A·保罗森工程与应用科学学院）
AI总结 PTL-PINNs结合扰动理论与迁移学习，高效求解非线性系统，精度与龙格-库塔方法相当，速度提升一个数量级。
Comments 51 pages, 14 figures, 7 tables
弥合模态：联合合成与配准框架用于对齐扩散磁共振成像与T1加权图像
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Brigham and Women’s Hospital（布里奇沃特医院） ； Harvard Medical School（哈佛医学院）
AI总结 本文提出一种基于生成配准网络的无监督框架，通过图像合成和变形场学习，提升扩散MRI与T1加权图像的配准精度。
简单模型，丰富表征：从灵长类皮层神经信号进行视觉解码
机构 * University of Rome, Tor Vergata Department of Biomedicine and Prevention（罗马大学Tor Vergata医学院与预防学院） ； A.A. Martinos Center for Biomedical Imaging（A.A. Martinos生物医学成像中心） ； Harvard Medical School/MGH, Boston (US)（哈佛医学院/麻省总医院，波士顿（美国））
AI总结 本文提出一种简单模型，通过结合时间注意力和浅层MLP，实现70%的图像检索准确率，优于传统方法，为脑机接口和语义解码提供新框架。
Comments Presented at "Foundation Models for the Brain and Body" - NeurIPS 2025 Workshop
高精度和无维度的扩散采样
机构 * UC Berkeley（伯克利大学） ； Harvard University（哈佛大学）
AI总结 本文提出了一种基于低次近似与插值方法的扩散模型求解器，实现了高精度采样且不依赖环境维度。
SIN-Bench：在长上下文多模态科学交织文献中追踪原生证据链
机构 * Tsinghua University（清华大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； KuaiShou Inc.（快手公司） ； Stanford University（斯坦福大学） ； Harvard University（哈佛大学）
AI总结 SIN-Bench 通过构建科学交织语料库和四个逐步任务，评估多模态模型在长上下文科学文献中追踪证据链的能力，揭示接地是主要瓶颈。
自适应标签错误检测：一种用于误标数据检测的贝叶斯方法
机构 * Department of Biomedical Engineering, Johns Hopkins University（约翰霍普金斯大学生物医学工程系） ； Systems, Synthetic, and Quantitative Biology Program, Harvard University（哈佛大学系统、合成与定量生物学项目） ； Yale School of Medicine（耶鲁医学院） ； Department of Biostatistics, Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学布卢姆伯格公共卫生学院生物统计学系） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Department of Radiology and Radiological Science, Johns Hopkins University School of Medicine（约翰霍普金斯大学医学院放射学与放射科学系） ； Malone Center for Engineering in Healthcare, The Whiting School of Engineering, Johns Hopkins University（约翰霍普金斯大学医疗工程中心，工程学院）
AI总结 本文提出ALED方法，通过深度卷积神经网络提取特征并利用高斯分布建模，实现对误标数据的高效检测，实验显示其在医学影像数据集上显著提升检测灵敏度。
Comments 10 pages, 5 figures
噪声量子学习理论
机构 * Harvard University（哈佛大学）
AI总结 研究噪声量子学习理论，提出噪声BQP复杂性类，证明噪声对量子学习优势的影响，并探讨噪声鲁棒物理结构在恢复量子学习优势中的作用。
Comments 13+56 pages, 4 figures; v2: added metrology-related results, typos corrected
基于在线张量LDA的大规模政治文本分析
机构 * Harvard University（哈佛大学） ； NVIDIA（英伟达） ； Johns Hopkins University（约翰霍普金斯大学） ； California Institute of Technology（加州理工学院）
AI总结 本文提出了一种可扩展的TLDA方法，用于大规模政治文本分析，实现了高效计算和内存使用，支持对大规模社交媒体数据的深入研究。
Comments 64 pages, 11 figures
Journal ref Polit. Anal. 34 (2026) 53-77
深度强化学习在非平衡环境中模型无关的解决方案
机构 * Data Analytics Lab, Vrije Universiteit Brussel（自由大学布鲁塞尔数据分析实验室） ； Mobilise, Vrije Universiteit Brussel（Mobilise，自由大学布鲁塞尔） ； School of Engineering and Applied Sciences, Harvard University（工程与应用科学学院，哈佛大学）
AI总结 本文提出在非平衡环境中通过引入时间依赖性改进深度强化学习策略，以获得更优的解决方案。
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