Filterless Snapshot Hyperspectral Imaging using Guided Patch Diffusion
无滤波器快照高光谱成像引导补丁扩散
机构 * Harvard University（哈佛大学）
AI总结 提出使用条件去噪扩散模型，通过小补丁移位不变操作和光学点扩散函数物理一致性引导，从单衍射透镜和滤光片全色传感器捕获的灰度快照中重建高光谱图像。
Comments ECCV 2026
高校专区
Harvard University（哈佛大学）
UniGeo: Unifying Geometric Guidance for Camera-Controllable Image Editing via Video Models
UniGeo：通过视频模型统一几何指导以实现相机可控的图像编辑
机构 * ReLER, CCAI, Zhejiang University（ReLER、CCAI、浙江大学） ； DBMI, HMS, Harvard University（DBMI、HMS、哈佛大学）
AI总结 UniGeo通过统一的几何指导在三个层面提升相机可控图像编辑的几何一致性与视觉质量，克服传统方法在连续相机运动下的几何漂移和结构退化问题。
High-dimensional inference for the $γ$-ray sky with differentiable programming
高维推断用于γ射线天空的不同可微编程
机构 * Faculty of Computing ； Data Sciences, Boston University, Boston, MA 02215, USA ； The NSF AI Institute for Artificial Intelligence ； Center for Theoretical Physics -- a Leinweber Institute, Massachusetts Institute of Technology, Cambridge, MA 02139, USA ； Department of Physics, Harvard University, Cambridge, MA 02138, USA ； Center for Theoretical Physics, Massachusetts Institute of Technology, Cambridge, MA 02139, USA ； Trottier Space Institute \& Department of Physics, McGill University, Montreal, QC H3A 2T8, Canada ； Department of Physics, Cornell University, Ithaca, NY 14853, USA
AI总结 本文利用可微概率编程技术解决银河系中心γ射线异常问题，通过GPU加速和向量化方法构建可微前向模型和似然函数，实现对多种空间形态的灵活推断。
Comments 20 pages, 16 figures. Code available at https://github.com/smsharma/fermi-prob-prog. V2: Updated with a more complete set of coverge tests
SEMixer: Semantics Enhanced MLP-Mixer for Multiscale Mixing and Long-term Time Series Forecasting
SEMixer: 语义增强的MLP-Mixer用于多尺度混合和长期时间序列预测
机构 * Shanghai Key Laboratory of Data Science, College of Computer Science and Artificial Intelligence Fudan University（上海数据科学 key 实验室，复旦大学计算机科学与人工智能学院） ； Harvard University（哈佛大学）
AI总结 提出SEMixer模型，通过随机注意力机制和多尺度渐进混合链，有效建模多尺度时间依赖并解决语义鸿沟问题，在10个公开数据集和真实无线网络数据上取得优异性能。
Comments This work is accepted by the proceedings of the ACM Web Conference 2026 (WWW 2026). The code is available at the link https://github.com/Meteor-Stars/SEMixer
Bayesian Optimization for General Reaction Conditions
通用反应条件的贝叶斯优化
机构 * Institute of Chemical and Bioengineering, Department of Chemistry and Applied Biosciences, ETH Zurich（苏黎世联邦理工学院化学与生物工程学院，化学与应用生物科学系） ； NCCR Catalysis, Switzerland（瑞士催化联合体） ； Department of Chemistry, University of Toronto（多伦多大学化学系） ； Vector Institute, Toronto, Canada（多伦多向量研究所） ； Department of Biological Chemistry & Molecular Pharmacology, Harvard Medical School（哈佛医学院生物化学与分子药理学系） ； Dana-Farber Cancer Institute, Boston, MA, USA（波士顿马萨诸塞州 Dana-Farber 癌症研究所） ； School of Chemistry, Chemical Engineering and Biotechnology, Nanyang Technological University（南洋理工大学化学系、化工与生物技术学院） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Department of Chemical Engineering and Applied Chemistry, University of Toronto（多伦多大学化学工程与应用化学系） ； Department of Materials Science and Engineering, University of Toronto（多伦多大学材料科学与工程系） ； Acceleration Consortium, University of Toronto（多伦多大学加速联盟） ； Canadian Institute for Advanced Research (CIFAR)（加拿大高级研究研究院） ； Institute of Medical Science, Medical Sciences Building, Toronto, Canada（多伦多大学医学科学研究院，医学科学大楼） ； NVIDIA, Toronto, Canada（多伦多NVIDIA） ； Department of Computer Science, Western University（温哥华大学计算机科学系）
AI总结 提出CurryBO框架，通过curried函数的贝叶斯优化实现通用反应条件的高效搜索，在多个基准上显著提升样本效率。
Improving Factuality of 3D Brain MRI Report Generation with Paired Image-domain Retrieval and Text-domain Augmentation
通过配对图像域检索和文本域增强提高3D脑MRI报告生成的事实准确性
机构 * Cancer Biology, Seoul National University College of Medicine, Korea（首尔国立大学医学院癌症生物学系，韩国） ； Radiology, Massachusetts General Hospital（麻省总医院放射科） ； Harvard Medical School（哈佛医学院） ； Biomedical Systems Informatics, Yonsei University College of Medicine, Korea（延世大学医学院生物医学系统信息学系，韩国） ； Graduate School, Yonsei University, Korea（延世大学研究生院，韩国） ； Radiology, Seoul National University College of Medicine, Korea（首尔国立大学医学院放射科，韩国） ； Radiology, Seoul National University Hospital, Korea（首尔国立大学医院放射科，韩国） ； Radiology, Seoul National University Bundang Hospital, Korea（首尔国立大学 Bundang 医院放射科，韩国） ； Radiology, SMG-SNU Boramae Medical Center, Korea（SMG-SNU Boramae 医疗中心放射科，韩国） ； Psychiatry, Yonsei University College of Medicine, Korea（延世大学医学院精神病学系，韩国） ； Behavioral Sciences in Medicine, Yonsei University College of Medicine, Korea（延世大学医学院医学行为科学系，韩国） ； Yonsei Institute for Digital Health, Korea（延世大学数字健康研究院，韩国） ； Kim Jaechul Graduate School of AI, KAIST, Korea（金 Jaechul人工智能研究生院，韩国）
AI总结 提出PIRTA框架，通过检索相似3D DWI/ADC图像并利用其配对报告指导LLM生成，避免显式跨模态对齐，显著提高缺血区域准确性。
Comments MICCAI 2026
LLMs are Bayesian, In Expectation, Not in Realization
LLM是贝叶斯的：在期望中，而非在实现中
机构 * Hassana Labs（哈萨纳实验室） ； Harvard University（哈佛大学）
AI总结 针对上下文学习的贝叶斯解释面临顺序不变性反驳，本文通过预序编码长度分解和实验证明，Transformer在期望上接近贝叶斯后验预测，但具体实现不要求交换性。
A global log for medical AI
医疗AI的全局日志
机构 * Harvard Medical School（哈佛医学院） ； University of Oxford（牛津大学） ； Institute for Ethics in AI（人工智能伦理研究所） ； Cosmos Institute（宇宙研究所） ； Harvard Medical School and Clalit Research Institute（哈佛医学院和Clalit研究机构） ； University of California, San Diego（加州大学圣地亚哥分校） ； Joan and Irwin Jacobs Center for Health Innovation（乔安和伊万·雅各布健康创新中心） ； Oxford University Clinical Research Unit（牛津大学临床研究中心） ； Icahn School of Medicine at Mount Sinai（辛格纳医学中心） ； The Hasso Plattner Institute for Digital Health at Mount Sinai（辛格纳医学中心数字健康研究所） ； ETH Zurich（苏黎世联邦理工学院） ； University Hospital, University of Bern（伯恩大学医院） ； Beth Israel Deaconess Medical Center（贝斯以色列医疗中心） ； Google DeepMind（谷歌DeepMind） ； The Mount Sinai AI Assurance Lab（辛格纳医学中心人工智能保证实验室） ； University of Birmingham（伯明翰大学） ； PATH（PATH组织） ； Seattle Children’s Hospital（西雅图儿童医院） ； Department of Pediatrics, University of California, San Diego（加州大学圣地亚哥分校儿科部） ； Kaiser Foundation Health and Hospitals（凯撒基金会健康与医院） ； e-Patient Dave, LLC（e-Patient Dave公司） ； Regional Office for Europe, World Health Organization（世界卫生组织欧洲地区办公室） ； University of Malta（马耳他大学） ； Centre for Tropical Medicine and Global Health, University of Oxford（牛津大学热带医学与全球健康中心） ； Healthcare Information and Management Systems Society（医疗信息与管理系统协会） ； Clalit Research Institute, Innovation Division, Clalit Health Services（Clalit研究机构创新部门，Clalit健康服务） ； Microsoft Research（微软研究院） ； Gates Foundation（比尔及梅琳达·盖茨基金会） ； Computational Health Informatics Program, Boston Children’s Hospital（波士顿儿童医院计算健康信息学项目）
AI总结 提出MedLog协议，为医疗AI系统提供事件级日志记录，包含九个核心字段，并在多个部署中验证其监测模型行为、工作流交互及下游结果的能力。
Comments MedLog website: https://medlogprotocol.ai
DASIP: Dynamic Test-Time Compute Scaling for Robot Control with Stochastic Interpolant Policies
DASIP：基于随机插值策略的机器人控制动态测试时计算缩放
机构 * New York University（纽约大学） ； University of Maryland（马里兰大学） ； Harvard University（哈佛大学） ； Capital Fund Management（资本基金管理公司）
AI总结 提出难度感知随机插值策略（DA-SIP），通过难度分类器动态调整推理步数、求解器和ODE/SDE积分，在保持任务成功率的同时将计算时间减少2.6-4.4倍。
Conformal and kNN Predictive Uncertainty Quantification Algorithms in Metric Spaces
度量空间中的共形和kNN预测不确定性量化算法
机构 * Department of Economics and Business, Pompeu Fabra University（巴塞罗那庞培法布拉大学经济与商业系） ； ICREA ； Barcelona Graduate School of Economics（巴塞罗那经济研究生院） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Department of Biostatistics, Harvard University（哈佛大学生物统计学系）
AI总结 针对度量空间回归模型，提出基于同方差性的共形预测算法和异方差下的kNN过程，分别提供有限样本覆盖保证和局部自适应预测半径，适用于大规模数据和序列扩展。
Comments arXiv admin note: text overlap with arXiv:2405.05110
A statistical physics framework for optimal learning
最优学习的统计物理框架
机构 * Joseph Henry Laboratories of Physics, Princeton University（普林斯顿大学物理系Joseph Henry实验室） ； Graduate Center, City University of New York（纽约市立大学研究生中心） ； Center of Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学与应用中心）
AI总结 结合统计物理与控制论，在高维极限下推导出跟踪随机梯度下降的常微分方程，将学习协议设计转化为最优控制问题，并应用于课程学习、自适应dropout和去噪自编码器噪声调度，揭示最优协议如何平衡学习权衡。
Comments 29 pages, 10 figures
Journal ref PNAS Nexus, Volume 5, Issue 6, June 2026, pgag182
A Critical Look at Targeted Instruction Selection: Disentangling What Matters (and What Doesn't)
对目标指令选择的批判性审视：厘清什么重要（以及什么不重要）
机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） ； Kempner Institute（凯门研究所）
AI总结 本文系统解构指令微调中目标指令选择的两大核心要素——数据表示与选择算法，发现基于梯度的表示结合贪心轮询选择在低预算下表现最佳，但收益随预算增加而减弱，并统一了多种算法为近似距离最小化。
Comments ICML 2026
Policy-Embedded Graph Expansion: Networked HIV Testing with Diffusion-Driven Network Samples
策略嵌入图扩展：基于扩散驱动网络样本的网络化HIV检测
机构 * Harvard University（哈佛大学） ； University of Witwatersrand（沃特瓦特斯兰大学） ； Wits Health Consortium（沃茨健康联盟） ； World Health Organization（世界卫生组织）
AI总结 提出策略嵌入图扩展（PEGE）框架，将图扩展的生成分布直接嵌入决策策略，结合基于扩散的图扩展模型DDB，在真实HIV传播网络上实现优于基线17.3%的折扣奖励和15.4%的检测提升。
Meta Flow Maps enable scalable reward alignment
元流映射实现可扩展的奖励对齐
机构 * University of Oxford（牛津大学） ； Harvard University（哈佛大学） ； Kempner Institute（凯普纳研究所）
AI总结 提出元流映射（MFMs）框架，通过可微分的单步后验采样实现高效价值函数估计，从而无需轨迹模拟即可进行推理时引导和离策略微调，显著降低计算成本。
EQPO: Equitable Group Relative Policy Optimization for Clinical Reasoning
EQPO: 面向临床推理的公平群体相对策略优化
机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学）
AI总结 提出EQPO分层强化学习方法，通过自适应重加权样本促进异质临床人群的均衡学习，在7个诊断基准上降低F1标准差43.9%，缩小预测公平差距27.2%。
Comments Accepted as Oral on NeurIPS 2025 GenAI4Health Workshop
Learning and Generating Mixed States Prepared by Shallow Channel Circuits
通过浅层通道电路学习和生成混合态
机构 * QuEra Computing Inc.（QuEra计算公司） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院）
AI总结 研究通过浅层通道电路生成混合态的学习问题，证明在特定相态下，仅通过测量数据即可高效学习生成混合态，为量子生成模型提供结构基础。
Comments 44 pages, 14 figures, 1 table
NeuroClaw Technical Report
NeuroClaw 技术报告
机构 * Electronic Engineering Department, The Chinese University of Hong Kong, China（香港中文大学电子工程系） ； School of Electronic Information, Northwest University, China（西北大学电子信息学院） ； Department of Computer Science, Emory University, Atlanta, GA, USA（埃默里大学计算机科学系） ； Computer Science and Engineering, Lehigh University, Bethlehem, PA, USA（莱斯利大学计算机科学与工程系） ； Department of Radiology, Massachusetts General Hospital, Boston, MA, USA（麻省总医院放射科） ； Kempner Institute for Natural and Artificial Intelligence, Harvard University, Cambridge, MA, USA（哈佛大学自然与人工智能研究所）
AI总结 针对神经影像学中多模态数据、长流程和可重复性挑战，提出NeuroClaw多智能体研究助手，通过数据驱动决策、环境管理和三层技能架构实现可执行可复现的神经影像分析，并在NeuroBench基准上显著优于直接调用智能体。
Dissociating Decodability and Causal Use in Bracket-Sequence Transformers
括号序列Transformer中可解码性与因果使用的分离
机构 * Yale University（耶鲁大学） ； Harvard University（哈佛大学）
AI总结 通过探针和干预实验，发现Dyck语言Transformer中层级表示虽可解码，但仅注意力模式中的栈顶位置对长距离准确性有因果影响。
SPATIA: Multimodal Generation and Prediction of Spatial Cell Phenotypes
SPATIA: 空间细胞表型的多模态生成与预测
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学学校生物医学信息学系） ； Department of Computer Science, University of North Carolina（北卡罗来纳大学计算机科学系） ； Department of Computer Science, Massachusetts Institute of Technology（麻省理工学院计算机科学系）
AI总结 提出SPATIA模型，融合细胞形态、基因表达和空间上下文，通过置信感知流匹配和形态-谱对齐实现多尺度生成与预测，在12项任务中优于18个基线模型。
Comments ICML 2026
On Randomized Algorithms in Online Strategic Classification
关于在线策略分类中的随机化算法
机构 * University of Maryland（马里兰大学） ； Harvard University（哈佛大学）
AI总结 研究在线策略分类中随机化算法的优势，在可实现和不可知场景下分别给出基于Littlestone维度和操纵图最大度的改进界限，并证明随机化可突破确定性算法的下界。
Beyond Independent Genes: Learning Module-Inductive Representations for Single-Cell Gene Perturbation Prediction
超越独立基因：学习模块归纳表示用于单细胞基因扰动预测
机构 * The State Key Lab of Brain-Machine Intelligence, Zhejiang University, Hangzhou, Zhejiang, China（脑机智能国家重点实验室，浙江大学，杭州，浙江省，中国） ； ReLER Lab, College of Artificial Intelligence, Zhejiang University, Hangzhou, Zhejiang, China（ReLER实验室，人工智能学院，浙江大学，杭州，浙江省，中国） ； Department of Biomedical Informatics, Harvard Medical School, Boston, MA, USA（生物医学信息学系，哈佛医学院，波士顿，马萨诸塞州，美国）
AI总结 提出scBIG框架，通过基因关系聚类、基因簇感知编码器和结构感知对齐学习协调的基因程序模块表示，结合条件流匹配实现灵活泛化的扰动预测，在多个单细胞扰动基准上平均提升6.7%。
Gaussian DP for Reporting Differential Privacy Guarantees in Machine Learning
高斯差分隐私：机器学习中报告差分隐私保证的方法
机构 * Harvard University（哈佛大学） ； Lausanne University Hospital（洛桑大学医院） ； Google DeepMind（谷歌DeepMind） ； University of Helsinki（赫尔辛基大学）
AI总结 针对当前机器学习中差分隐私报告不完整的问题，提出使用非渐近高斯差分隐私（GDP）作为主要报告方式，通过数值会计和决策理论度量，证明GDP能无误差地捕获DP-SGD等算法的完整隐私特征。
Comments IEEE SatML 2026 (position paper track)
Gated QKAN-FWP: Scalable Quantum-inspired Sequence Learning
门控QKAN-FWP：可扩展的量子启发序列学习
机构 * Department of Physics and Center for Theoretical Physics, National Taiwan University（物理系与理论物理中心，国立台湾大学） ； National Center for High-Performance Computing, National Institutes of Applied Research（高性能计算国家中心，应用研究国家机构） ； Wells Fargo, New York, NY, USA（摩根大通银行，纽约，纽约州，美国） ； NVIDIA AI Technology Center, NVIDIA Corp., Taipei, Taiwan（NVIDIA AI技术中心，NVIDIA公司，台北，台湾） ； Center for Quantum Science and Engineering, National Taiwan University（量子科学与工程中心，国立台湾大学） ； Graduate Institute of Applied Physics, National Taiwan University（应用物理研究所，国立台湾大学） ； Department of Electrophysics, National Yang Ming Chiao Tung University（电子物理系，国立阳明交通大学） ； School of Information Technology, Halmstad University（信息科技学院，哈尔姆斯塔德大学） ； Department of Information Engineering, Electronics and Telecommunications (DIET), University of Rome “La Sapienza”, Rome, Italy（信息工程、电子与电信系（DIET），罗马“拉·索拉维亚”大学，罗马，意大利） ； Beth Israel Deaconess Medical Center & Harvard Medical School（贝瑟尔以色列德acons医疗中心及哈佛医学院） ； Cross College Elite Program, National Cheng Kung University（跨学院精英计划，国立成功大学）
AI总结 提出门控QKAN-FWP框架，融合快速权重编程与量子启发KAN，使用单量子比特数据重上传电路作为非线性激活，引入标量门控更新规则，在时间序列基准、MiniGrid强化学习和太阳周期预测中优于经典循环模型，并在NISQ设备上验证了可行性。
Comments 46 pages, 13 figures, 10 tables
Haiku to Opus in Just 10 bits: LLMs Unlock Large Compression Gains
仅用10比特从俳句到巨作：LLMs解锁巨大压缩增益
机构 * Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； Anthropic
AI总结 研究LLM生成文本的无损和有损压缩，提出问答压缩（QA）交互协议，用少量二进制问题实现超100倍压缩比，高效传递知识。
Token Reduction Should Go Beyond Efficiency in Generative Models -- From Vision, Language to Multimodality
Token缩减应超越生成模型中的效率——从视觉、语言到多模态
机构 * Harvard University（哈佛大学） ； Northeastern University（东北大学） ； CAS（中国科学院） ； Wuhan University（武汉大学） ； MIT（麻省理工学院） ； Peking University（北京大学）
AI总结 本文提出Token缩减应超越传统效率优化，成为生成模型的基础原则，通过减少冗余token来促进多模态融合、缓解幻觉、维持长输入连贯性并提升训练稳定性。
Comments Project page: https://github.com/ZLKong/Awesome-Collection-Token-Reduction
Explainable deep learning improves human mental models of self-driving cars
可解释深度学习提升人类对自动驾驶汽车的心理模型
机构 * Computer Science & Artificial Intelligence Laboratory (CSAIL), Massachusetts Institute of Technology（计算机科学与人工智能实验室（CSAIL），麻省理工学院） ； Motional AD Inc.（Motional AD公司） ； Department of Psychology and Center for Brain Science, Harvard University（心理学系和大脑科学中心，哈佛大学） ； Department of Aeronautics and Astronautics, Massachusetts Institute of Technology（航空与宇航系，麻省理工学院）
AI总结 提出概念包装网络（CW-Net），在真实自动驾驶车上实现可解释规划，通过因果性概念解释提升驾驶员对车辆行为的预测能力，尤其在意外场景中。
Comments MST & JAS contributed equally to this work
Agentic Reinforcement Learning for Search Misaligns Instruction-Tuning
用于搜索的智能体强化学习使指令微调对齐失效
机构 * University of Oxford（牛津大学） ； Ludwig-Maximilians-Universität München（慕尼黑路德维希-马克西米利安大学） ； Harvard University（哈佛大学）
AI总结 研究智能体强化学习（RL）对指令微调模型对齐的影响，发现RL训练使模型将有害请求转化为良性搜索查询，但在触发条件下产生多步不安全搜索行为，并提出了基于表示引导的RL训练方法恢复对齐。
INFER : Learning Implicit Neural Frequency Response Fields for Confined Car Cabin
INFER：学习受限汽车座舱的隐式神经频率响应场
机构 * Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出INFER框架，通过频域神经隐式模型联合学习源和接收器位置、方向下的复值频率响应场，引入端到端前向模型、感知谱监督和Kramers-Kronig约束，在汽车座舱数据上显著降低幅度和相位重建误差。
Optimizing Health Coverage in Ethiopia: A Learning-augmented Approach and Persistent Proportionality Under an Online Budget
优化埃塞俄比亚的健康覆盖：一种学习增强的方法与在线预算下的持续比例性
机构 * John A. Paulson School of Engineering and Applied Sciences（约翰·A·保罗森工程与应用科学学院） ； Harvard University（哈佛大学） ； National Data Management and Analytics Center for Health（健康国家数据管理与分析中心） ； Ethiopian Public Health Institute（埃塞俄比亚公共卫生研究所） ； Ministry of Health, Ethiopia（埃塞俄比亚卫生部） ； Department of Global Health and Population（全球卫生与人口部门） ； Harvard T.H. Chan School of Public Health（哈佛T.H. Chan公共卫生学院）
AI总结 针对埃塞俄比亚卫生系统强化中的预算不确定性和区域比例目标，提出基于学习增强和贪心算法的顺序设施规划框架，最大化人口覆盖。
Comments Published in the AISI track at AAAI 2026
GeoWorld-VLM: Geometry from World Models for Vision-Language Models
GeoWorld-VLM：从世界模型中获取几何结构用于视觉-语言模型
机构 * Harvard AI and Robotics Lab（哈佛人工智能与机器人实验室） ； Kempner Institute for the Study of Natural and Artificial Intelligence（凯普纳自然与人工智能研究 institute） ； Harvard University（哈佛大学）
AI总结 GeoWorld-VLM通过将冻结的摄像机条件视频世界模型的几何结构转移到视觉-语言模型中，提升空间关系推理能力，实验显示在两个不同架构上均提升了约4%的性能。
