高校专区
具有未知干扰的实验政策设计
机构 * Harvard University（哈佛大学） ； Oregon State University（俄勒冈州立大学） ； Stanford University（斯坦福大学） ； University of Chicago（芝加哥大学）
AI总结 本文研究了存在外溢效应的政策估计与推断实验设计。通过在集群对间变化随机化来估计治疗概率变化的边际效应，提出政策最优性检验，并设计多波实验估计福利最大化治疗规则。
拉格朗日推断用于排序问题
机构 * Harvard University（哈佛大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
AI总结 本文提出一种新的组合推断框架，用于在排序问题中进行一般不确定性量化，基于Bradley-Terry-Luce模型，推断局部和全局排序属性，并通过数值实验验证方法的最优性。
Journal ref Operations Research 71(1): 202-223 (2023)
视觉默认，先验覆盖：视觉-语言模型中感知-知识冲突的因果机制
机构 * University of Tübingen（图宾根大学） ； Harvard University（哈佛大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 通过激活修补和消融实验，发现VLM中视觉默认激活，而先验知识依赖少量因果注意力头（2.5-4.8%），形成不对称因果结构。
Comments 14 pages, 11 figures, 8 tables
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。
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
基于语言的数字孪生用于老年人认知辅助
机构 * Ritchie School of Engineering and Computer Science, University of Denver（丹佛大学里奇工程与计算机科学学院） ； Department of Neurology, Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院神经内科）
AI总结 提出基于大语言模型的数字孪生框架，通过风格测量和上下文元数据模拟老年人对话行为，并引入多条件变分自编码器评估保真度和认知一致性，实现非侵入式认知健康监测。
Comments Accepted and published in the Proceedings of the ACM International Conference on PErvasive Technologies Related to Assistive Environments (PETRA 2026). The final published version is available through the ACM Digital Library
基于纤维束成像的示踪组织学纤维束分割合成数据生成
机构 * Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital and Harvard Medical School（马萨诸塞总医院和哈佛医学院 Athinoula A. Martinos 生物医学影像中心） ； Krea University（Krea 大学） ； Department of Experimental Psychology, University College London（伦敦大学学院实验心理学系） ； Universidad Nacional Mayor de San Marcos（国立圣马科斯大学） ； Department of Pharmacology and Physiology, University of Rochester School of Medicine（罗切斯特大学医学院药理学与生理学系） ； McLean Hospital（麦克莱恩医院）
AI总结 提出利用离体dMRI纤维束成像作为生成先验合成2D图像块，结合真实背景和域随机化训练U-Net，实现猕猴示踪组织学中纤维束的自动分割，在减少3倍标注数据下达到与现有方法相当的性能。
Comments MICCAI 2026
MPC-Injection: 将离线运动学RL偏向控制器诱导的行为盆地
机构 * Dartmouth College（达特茅斯学院） ； Harvard University（哈佛大学）
AI总结 提出MPC-Injection方法，通过将模型预测控制器的轨迹注入回放缓冲区，引导强化学习策略学习期望步态，无需奖励塑形或对抗模仿学习，在仿真和真实机器人上验证有效性。
Comments 22 pages, 10 figures
像科学家一样思考？LLM生成研究方法的结构性研究
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 通过对比LLM在最小提示下生成的方法建议与论文实际方法，发现LLM在模型选择上存在显著偏差，且方法多样性大幅缩减。
Comments 46 pages, 13 figures, 18 tables
MetaboNet-Bench：1型糖尿病血糖预测的多模态基准
机构 * Department of Genetics, Stanford University School of Medicine（斯坦福大学医学院遗传学系） ； Replica Health ； Boston Children’s Hospital, Harvard Medical School（哈佛医学院波士顿儿童医院） ； Diabetes Research Institute, Mills-Peninsula Medical Center（米尔斯半岛医学中心糖尿病研究所）
AI总结 针对1型糖尿病血糖预测算法缺乏标准化评估基准的问题，提出MetaboNet-Bench多模态基准，集成血糖、胰岛素和碳水化合物数据，通过多个模型对比验证多模态数据对模型性能的影响。
Comments main content in 10 pages with 5 figures; supplementary section with 11 more pages and 5 more figures. v2: fix figure 4 and 5's misordering
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
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。
结构化稀疏：块稀疏特征化器捕获视觉概念流形
机构 * Goodfire ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； Brown University（布朗大学）
AI总结 提出块稀疏特征化器（BSF）来建模视觉概念流形，通过最小描述长度分析证明其比方向基特征化器更紧凑，并应用于解释曲线检测、发现新流形及控制图像生成。
自然去突现：不对称控制哪些规则在预训练中幸存
机构 * Harvard University（哈佛大学）
AI总结 发现语言模型在预训练中学习规则后会自动遗忘，规则存亡由训练数据中支持频率决定，且遗忘不可逆。
Comments Foundations of Deep Generative Models (FoGen) Workshop at ICML 2026. 23 pages (5-page main text plus appendices), 5 figures. Code: https://github.com/lijuliana/Natural-Ungrokking
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
OpenThoughts-Agent: 智能体模型的数据配方
机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； JSC（于利希超级计算中心） ； LAION ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Bespoke Labs ； Laude Institute ； UCLA（加州大学洛杉矶分校） ； Harvard University & Harvard Medical School（哈佛大学与哈佛医学院） ； TU Munich & Munich Center for Machine Learning（慕尼黑工业大学与慕尼黑机器学习中心） ； New York University（纽约大学） ； Medical University of South Carolina（南卡罗来纳医科大学） ； The LLM Data Company ； BenchFlow ； Independent Researcher（独立研究员） ； Northeastern University（东北大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Washington（华盛顿大学） ； TU Darmstadt（达姆施塔特工业大学） ； University of Southern California（南加州大学） ； UC San Diego（加州大学圣地亚哥分校） ； Amazon（亚马逊） ； Microsoft（微软） ； Korea University（高丽大学） ； Cornell Tech（康奈尔科技） ； University of Michigan（密歇根大学）
AI总结 提出全开放数据筛选流水线，通过100多次消融实验研究任务来源与多样性，构建10万样本训练集，在7个智能体基准上平均44.8%准确率，较最强开源模型提升3.9个百分点。
数据增强：傅里叶分析视角
机构 * Harvard John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保尔森工程与应用科学学院） ； Technical University of Munich (CIT, MCML, MDSI) and MIT Computer Science and Artificial Intelligence Laboratory (CSAIL)（慕尼黑工业大学（CIT、MCML、MDSI）和麻省理工学院计算机科学与人工智能实验室（CSAIL））
AI总结 通过傅里叶分析和有限群表示论，研究部分数据增强能否达到与完全增强相同的统计收益，证明在广泛学习问题中部分增强可达到极小极大最优率，并给出精确不变性需要全群平均的不可行性结果。
Comments 42 pages, 1 figure. Published at COLT 2026
Journal ref Conference on Learning Theory (COLT) 2026
从诗句预测诗人籍贯：全唐诗中地域语言指纹的计算分析
机构 * Harvard University（哈佛大学） ； University of Washington（华盛顿大学）
AI总结 通过全唐诗和CBDB数据，使用字符n-gram TF-IDF和领域特征，以多类分类预测诗人籍贯，发现语言距离随地理距离衰减、南北可分性随时间变化等历史意义。
闭环：形式化验证的法律作为自我改进法律AI的奖励信号
机构 * Harvard University（哈佛大学） ； Columbia University（哥伦比亚大学）
AI总结 提出一种架构，通过LLM驱动的形式化转换和验证内核，为法律AI提供可验证的奖励信号，实现闭环强化学习，并在多个法律领域展示其优势。
Comments 14 pages, no figures
鬼机制：递归网络中突然学习的分析模型
机构 * Kavli Institute for Theoretical Physics, University of California, Santa Barbara, CA 93106, USA ； Geometric Intelligence Lab, University of California, Santa Barbara, CA 93106, USA ； CNC Program, Stanford University, Stanford, CA 94305, USA ； Physics of Artificial Intelligence Group, NTT Research Inc., Sunnyvale, CA 94085, USA ； KUIS AI, Department of Computer Engineering, Koc University, Istanbul, Turkey ； Computer Science, Stanford University, Stanford, CA 94305, USA ； James H. Clark Center for Biomedical Engineering \& Sciences, Stanford University, Stanford ； Howard Hughes Medical Institute, Stanford University, Stanford, CA 94305, USA ； CBS-NTT Program in Physics of Intelligence, Harvard University, Cambridge, MA 94305, USA
AI总结 研究揭示递归网络中突然学习现象的机制，通过鬼机制分析动态系统在鞍点消失 bifurcation 附近出现的短暂减速，推导出一维规范形式，揭示学习过程受单尺度参数控制，并提出通过增加可训练秩和降低输出置信度来解决学习困难的方法。
Comments to appear in Physical Review X
脚手架下的安全性：评估条件如何影响测量的安全性
机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院）
AI总结 本研究通过62,808次盲法预注册评估，测试了六种前沿模型在四种部署配置下的安全性，发现脚手架架构对安全性影响较小，而格式转换（如选择题与开放式问题）可导致5-20个百分点的测量差异，且模型-脚手架间存在显著异质性，质疑了单一综合安全性分数的实用性。
Comments 74 pages including appendices. 6 frontier models, 62,808 primary observations (~89k total). Pre-registered: OSF DOI 10.17605/OSF.IO/CJW92. Code and data: https://github.com/davidgringras/safety-under-scaffolding
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。
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
在计算机断层扫描血管造影中扩展精细颅内血管标注
机构 * Brigham and Women’s Hospital Harvard Medical School（哈佛医学院布莱尔妇女医院） ； Khoury College of Computer Sciences Northeastern University（东北大学计算机科学学院） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Dana-Farber Cancer Institute Harvard Medical School（哈佛医学院丹娜-法伯癌症研究院）
AI总结 提出SemanticVessel数据集，利用4D-CTA动态扫描生成动静脉分割，通过强度引导区域生长标注20种动脉类别，并复用标签扩展数据集，训练模型提升精细分割性能。
Comments 24 pages, 8 figures
立场：正确答案，错误机制——当AI科学家用自身数据反驳其通用主张时
机构 * Department of Physics and Laboratory for Particle Physics and Cosmology (LPPC), Harvard University（哈佛大学物理系与粒子物理与宇宙学实验室（LPPC））
AI总结 本文通过编码代理在Geant4模拟中重新发现已知粒子识别可观测量的实验，指出仅以最终结果评估AI科学家系统不足，提出需分别衡量任务结果、机制保真度和认知诚实性，并发现正确答案但错误机制（CAWM）现象。
Comments 8 pages body plus 12 pages references and appendix, non-archival upload for ICML 2026 AI for Science workshop, selected as spotlight paper
GRAIN: 通过最小范数目标进行组聚合
机构 * New Jersey Institute of Technology（新泽西理工学院） ； Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院）
AI总结 提出GRAIN算法，用组梯度的最小范数凸组合替代均值聚合，解决梯度冲突，保证收敛并降低方差，在大型预训练模型上提升性能。
反驳会改变同行评审分数，但初始评审结构限制了变化幅度
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 利用ICLR 2024-2025的73,000条评审轨迹，结合LLM分析，发现反驳能改变分数，但初始评审结构已预测大部分变化，且可测量的交换信号多为反驳失败模式。
Comments 26 pages, 7 figures, 12 tables
DeformX: 一种用于可变形线性物体的多功能协同仿真框架
机构 * The Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Department of Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系） ； School of Ocean and Civil Engineering, Shanghai Jiao Tong University（上海交通大学海洋与土木工程学院） ； Zhiyuan College, Shanghai Jiao Tong University（上海交通大学致远学院） ； John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保尔森工程与应用科学学院）
AI总结 提出DeformX框架，集成Cosserat杆物理引擎与NVIDIA Isaac Sim，实现可变形线性物体的物理精确与视觉真实仿真，支持机器人学习，在真实线缆分割和绳索摆动任务中验证了仿真到现实的迁移能力。
Comments 11 pages, 11 figures, 5 tables, IROS 2026. Website: https://deformx.github.io/
AgentDSE：推理增强的架构设计空间探索
机构 * Harvard University（哈佛大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学）
AI总结 提出AgentDSE，利用大语言模型编码代理自动进行架构推理，在DNN加速器映射、软硬件协同设计和CPU缓存层次优化中，以少两个数量级的评估次数达到竞争或更优的设计质量。
Comments Accepted to the Machine Learning for Architecture and Systems Workshop (MLArchSys), co-located with ISCA 2026
从社会选择视角看AI对齐
机构 * Google Research（谷歌研究院） ； University of Southern California（南加州大学） ； Harvard University（哈佛大学）
AI总结 本文从社会选择理论视角审视人类反馈对齐中的偏好聚合问题，识别失败模式并揭示处理分歧的广阔设计空间。
Comments Accepted for publication in ACM SIGecom Exchanges
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