高校专区
一种变分流形嵌入框架用于非线性降维
机构 * Harvard University（哈佛大学）
AI总结 本文提出了一种变分流形嵌入框架，用于解决非线性降维问题，通过引入偏微分方程和对称性分析，提升了降维方法的灵活性和可解释性。
Comments Accepted to the NeurIPS 2025 Workshop on Symmetry and Geometry in Neural Representations (NeurReps)
关于不精确概率的属性获取
机构 * Harvard University（哈佛大学） ； University of Tübingen and Tübingen AI Center（图宾根大学和图宾根人工智能中心）
AI总结 本文研究了如何通过最大最小风险最小化来获取不精确概率的属性，探讨了分布鲁棒优化和多分布学习中的学习可能性。
哪一层导致分布偏离？面向扩散和流模型的熵引导自适应剪枝
机构 * Stanford University（斯坦福大学） ； North China Electric Power University（华北电力大学） ； University of Technology Sydney（悉尼科技大学） ； Harvard University（哈佛大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出EntPruner，通过熵引导的自适应剪枝方法，有效减少扩散和流模型的参数冗余，提升推理速度并保持生成质量。
Comments Project page: https://github.com/changlin31/EntPruner
staggered 环境重置提升大规模并行 on-policy 强化学习
机构 * Harvard University（哈佛大学） ； UC San Diego（圣迭戈大学）
AI总结 staggered 环境重置通过增加时间多样性减少非平稳性，提升大规模并行 on-policy 强化学习的样本效率和收敛速度
AI中的严谨性：进行严谨的AI工作需要一种更广泛、负责任的AI导向的严谨性观念
机构 * Microsoft Research（微软研究院） ； Cornell Tech（康奈尔科技学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Harvard University（哈佛大学） ； Hugging Face（Hugging Face公司） ； Drexel University（德雷塞尔大学） ； University of Oxford（牛津大学）
AI总结 本文提出AI研究需更广泛的严谨性观念，涵盖方法论、背景知识、规范标准、理论构念、报告方式及推论支持等方面，以提升AI工作的责任性和严谨性。
Comments 21 pages, 1 figure, 1 table, accepted at NeurIPS'25 position papers track
什么是理解语言意味着？
机构 * Kempner Institute for the Study of Natural & Artificial Intelligence（自然与人工智能研究 institute） ； Harvard University（哈佛大学） ； School of Psychology（心理学学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Department of Brain and Cognitive Sciences（脑科学与认知科学系）
AI总结 本文探讨了理解语言的认知和神经机制，提出通过将信息导出至其他大脑区域来构建心理模型，以深入理解语言。
利用基础模型进行皮肤鳞状细胞癌组织学分级的PathFMTools
机构 * Dana-Farber Cancer Institute（达纳-法伯癌症研究所） ； 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PathFMTools工具，利用基础模型进行皮肤鳞状细胞癌组织学分级，验证了基础模型嵌入训练小型模型的潜力，为临床应用提供高效分析手段。
Comments Proceedings of the 5th Machine Learning for Health (ML4H) Symposium (2025)
图像到视频模型是否是良好的零样本图像编辑器？
机构 * Zhejiang University（浙江大学） ； Harvard University（哈佛大学）
AI总结 IF-Edit通过无需微调的框架，利用预训练图像到视频扩散模型实现指令驱动的图像编辑，解决提示错位、冗余时间潜在特征和模糊后期帧问题，展现强大的推理能力和通用编辑竞争力。
Comments technical report
学习验证生成模型：一种适合性检验方法
机构 * Dipartimento di Fisica e Astronomia, Università di Padova, Padova, Italy（帕多瓦大学物理与天文学系） ； INFN, Sezione di Padova, Padova, Italy（意大利国家核物理研究所帕多瓦分部） ； Department of Physics, Brandeis University, Waltham, MA, USA（布兰迪大学物理系） ； MIT Laboratory for Nuclear Science, Cambridge, MA, USA（麻省理工学院核科学实验室） ； School of Engineering and Applied Sciences, Harvard University, Cambridge, MA, USA（哈佛大学工程与应用科学学院） ； NSF AI Institute for Artificial Intelligence and Fundamental Interactions, Cambridge, MA, USA（国家科学基金会人工智能与基本相互作用研究所） ； MaLGa–DIBRIS, Università di Genova, Genova, Italy（热那亚大学MaLGa–DIBRIS） ； INFN, Sezione di Genova, Genova, Italy（意大利国家核物理研究所热那亚分部） ； Institute for Theoretical Particle Physics and Cosmology, RWTH Aachen University, Aachen, Germany（亚琛工业大学理论粒子物理与宇宙学研究所）
AI总结 本文提出基于NPLM的适合性检验方法，用于验证高维科学数据生成模型的可靠性，并能诊断模型未充分建模的区域。
Comments 16 pages, 6 figures. v2: improved clarity
位置：超越欧几里得——基础模型应拥抱非欧几里得几何
机构 * Yale University（耶鲁大学） ； Chinese University of Hong Kong（香港中文大学） ； Xi’an Jiaotong University（西安交通大学） ； Hong Kong University of Science and Technology（香港科学大学） ； Harvard University（哈佛大学）
AI总结 本文主张基础模型应超越欧几里得几何，以更高效地利用非欧几里得结构，提升模型性能与适应性。
Comments 27 pages, 6 figures, LoG Conference 2025
学习中微子望远镜事件的高效表示
机构 * Department of Physics \& Laboratory for Particle Physics ； Cosmology, Harvard University, 1350 Massachusetts Avenue, Cambridge, MA 02138, USA ； The NSF Institute for Artificial Intelligence
AI总结 本文提出om2vec方法，利用基于变压器的变分自编码器，高效表示中微子望远镜事件的光子到达时间分布，提升数据分析效率。
Comments 12 pages, 6 figures
BideDPO：基于文本和条件对齐的同时图像生成
机构 * Zhejiang University（浙江大学） ； Harvard University（哈佛大学） ； Huawei Technologies Ltd., China（华为技术有限公司）
AI总结 BideDPO通过双向解耦的DPO框架解决文本与条件间的冲突，提升图像生成的准确性和一致性。
Comments 29 pages
一种用于结合dMRI和fMRI数据的新型双流框架用于dMRI束追踪分类
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Zhejiang University of Technology（浙江工业大学） ； University of Tel Aviv（特拉维夫大学） ； Harvard Medical School（哈佛医学院）
AI总结 本文提出一种结合dMRI和fMRI的双流框架，用于提升白质束分区的功能一致性，通过预训练网络和辅助网络实现更精确的束分类。
Comments Submitted to ISBI 2026, 7 pages, 2 figures
认知基础与推理及其在大语言模型中的体现
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Washington（华盛顿大学） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学）
AI总结 本文通过分析LLMs推理机制，揭示其在复杂问题上的表现优于简单变体，提出基于认知科学的28项元素分类，并开发测试时推理指导方法，提升复杂问题性能达66.7%。
Comments 40 pages, 4 tables, 6 figures
多阶段删失的贝叶斯模型
机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学） ； UC Berkeley（伯克利大学）
AI总结 本文提出了一种多阶段删失的贝叶斯模型，用于医疗决策中的漏斗结构，通过实验发现性别在ICU收治决策中的风险差异。
Comments Proceedings of ML4H 2025
时间中的先验：语言模型可解释性中缺失的归纳偏置
机构 * Goodfire AI ； Independent（独立） ； SEAS, Harvard University（哈佛大学SEAS学院） ； EPFL（瑞士联邦理工学院） ； Kempner Institute at Harvard University（哈佛大学凯普内研究所） ； Department of Psychology, Stanford University（斯坦福大学心理学系） ； Department of Psychology, Harvard University（哈佛大学心理学系） ； Decode Research ； Boston University（波士顿大学）
AI总结 本文提出时序特征分析方法，通过引入时序归纳偏置，改进语言模型表示的可解释性，有效区分抽象与新颖信息，克服现有方法的局限。
Comments Preprint
LLM的聚焦性如何？通过重复确定性预测任务的定量研究
机构 * EdenCode Inc.（EdenCode公司） ； Stevenson School（斯蒂文森学校） ； Harvard University（哈佛大学） ； UC Davis（加州大学戴维斯分校） ； Path Integral Technology, Inc.（路径积分技术公司）
AI总结 研究通过重复确定性预测任务揭示LLM在长序列中的准确性下降现象，提出统计物理模型解释内部干扰与外部条件的竞争，建立误差积累机制。
视觉错位揭示了视觉模型在整体形状处理中的隐藏差异
机构 * Dept. of Psychology & Kempner Institute（心理学系及凯普勒研究所） ； Harvard University（哈佛大学）
AI总结 本研究通过构型形状分数揭示视觉模型在整体形状处理中的差异，表明应整合局部纹理与全局构型信息以提升模型鲁棒性。
Comments Project page: https://www.fenildoshi.com/configural-shape/ updated email address
黑箱NLP 2025共享任务成果：语言模型中电路和因果变量的本地化
机构 * Technion – IIT（技术学院-理工学院） ； Rice University（里士满大学） ； Boston University（波士顿大学） ； Tilburg University（蒂尔堡大学） ； University of Groningen（格罗宁根大学） ； University of Zagreb（扎格雷布大学） ； Harvard University（哈佛大学）
AI总结 黑箱NLP 2025共享任务评估了语言模型中电路和因果变量的本地化方法，通过集成和正则化策略提升了电路本地化性能，通过低维投影提升了因果变量本地化效果。
在数据有限的情况下改进自杀尝试预测
机构 * Wellesley College（韦尔斯利学院） ； Harvard University（哈佛大学）
AI总结 本文提出基于潜在相似性高斯过程的方法，在数据有限的情况下提升对自杀尝试的预测性能。
Comments Accepted at the TS4H Workshop at NeurIPS 2025
SCALER：基于SAM的增强协同学习用于标签匮乏的隐蔽物体分割
机构 * Duke University（杜克大学） ； Harvard University（哈佛大学） ； Apple（苹果公司） ； Meta ； Nankai University（南开大学）
AI总结 SCALER通过联合优化分割器和SAM，提升隐蔽物体分割在标签稀缺条件下的性能。
Comments 4 figures, 6 tables
一种用于缩短蛋白质同时保持其功能的扩散模型
机构 * New York University（纽约大学） ； Harvard University（哈佛大学）
AI总结 SCISOR是一种新的离散扩散模型，通过删除蛋白质序列中的字母来生成更现实的蛋白质，同时保持其功能。
Comments Code available at https://github.com/baronet2/SCISOR
路径和骨轮廓正则化的无配对MRI到CT翻译
机构 * School of Computer Science and Technology, Guangdong University of Technology, Guangzhou, China（计算机科学与技术学院，广东技术大学，广州，中国） ； Neurological Institute, Cleveland Clinic, OH, USA（神经医学研究院，克利夫兰医学中心，俄亥俄州，美国） ； Department of Neurosurgery, The First Affiliated Hospital, Sun Yat-sen University, Guangzhou, China（神经外科，中山大学附属第一医院，广州，中国） ； Brigham and Women’s Hospital, Harvard Medical School, MA, USA（布里奇沃特医院，哈佛医学院，马萨诸塞州，美国） ； Department of Radiology, Medical Imaging Center, University Medical Center Groningen, University of Groningen, 9712 CP Groningen, The Netherlands（放射科，医学影像中心，格罗宁根大学医学中心，格罗宁根大学，荷兰）
AI总结 本文提出了一种路径和骨轮廓正则化的无配对MRI到CT翻译方法，通过神经普通微分方程建模连续流，并利用骨轮廓生成网络提升骨结构翻译精度。
Journal ref Comput. Med. Imag. Graph. (2025) 102656
利用竞赛计算零样本分类中LLM的AUROC
机构 * Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院）
AI总结 本文提出利用LLM进行零样本分类的AUROC计算，通过成对比较和Elo评分系统提升分类性能并提供更多信息。
Comments The 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025, Findings). The code is available at: https://github.com/Machine-Learning-for-Medical-Language/cnlp_llm
Journal ref In Findings of the Association for Computational Linguistics: EMNLP 2025, pages 23583-23591, Suzhou, China. Association for Computational Linguistics
GP-GPT：用于基因-表型映射的大型语言模型
机构 * Department of Computer Science and Engineering, The University of Texas at Arlington（计算机科学与工程系，德克萨斯理工大学 Arlington 分校） ； School of Computing, University of Georgia（计算学院，佐治亚大学） ； Department of Computer Science, Indiana University Indianapolis（计算机科学系，印第安纳大学 Indianapolis 分校） ； Department of Radiology, Massachusetts General Hospital and Harvard Medical School（放射科，麻省总医院和哈佛医学院） ； Department of Statistics, University of Georgia（统计系，佐治亚大学） ； Department of Epidemiology & Biostatistics, University of Georgia（流行病学与生物统计学系，佐治亚大学） ； Department of Environmental Health Science, University of Georgia（环境流行病学系，佐治亚大学）
AI总结 GP-GPT是一种专为基因-表型映射设计的大型语言模型，通过在基因组和医学遗传学领域进行微调，实现了对遗传信息的高效检索和分析，并在多个任务中超越了现有最先进的LLMs。
使用GPT-5进行早期科学加速实验
机构 * OpenAI ； University of Oxford（牛津大学） ； Collège de France and University of Cambridge（法兰西学院和剑桥大学） ； Vanderbilt University（范德比大学） ； Columbia University（哥伦比亚大学） ； Harvard University（哈佛大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； The Jackson Laboratory（杰克逊实验室） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文通过GPT-5在多个学科中的应用案例，展示了AI如何加速科学研究，并验证了其在解决数学难题中的潜力。
Comments 89 pages
RB-FT：基于理由的视频分类微调
机构 * Stony Brook University（石溪大学） ； ByteDance Inc.（字节跳动公司） ； Harvard Medical School（哈佛医学院）
AI总结 RB-FT通过自动生成的理由提升视频分类性能，无需额外标注，有效提升模型对领域特定视频内容的理解能力。
Comments 11 pages, 2 figures
OWT：一种面向医学影像的器官级分词框架
机构 * Center for Advanced Medical Computing and Analysis (CAMCA), Massachusetts General Hospital and Harvard Medical School（先进医学计算与分析中心（CAMCA）、麻省总医院和哈佛医学院）
AI总结 OWT提出了一种器官级分词框架，通过解耦医学影像中的器官信息，提升可解释性和泛化能力，并在临床应用中展现强大性能。
TopoTune：一种通用组合复杂神经网络框架
机构 * University California Santa Barbara, USA（加州大学圣芭芭拉分校） ； Harvard University, USA（哈佛大学）
AI总结 TopoTune提出了一种通用组合复杂神经网络框架，通过拓扑深度学习方法提升多向交互建模能力，实现更高效且灵活的神经网络训练。
可证明稳健的预训练集成模型用于基于生物标志物的癌症分类
机构 * Harvard University（哈佛大学） ； Dongguk University（东国大学）
AI总结 本文提出可证明稳健的预训练集成模型，用于基于生物标志物的癌症分类，实现高准确率和稳健性，同时减少特征使用和调优需求。
Comments Accepted to the AIAA Workshop at IJCAI 2024
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