高校专区
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
基于热核先验的流形变分学习
机构 * Yale School of Medicine（耶鲁大学医学院） ； University of Virginia（弗吉尼亚大学） ； Harvard Medical School（哈佛医学院）
AI总结 提出一种流形锚定变分框架，利用几何感知EM算法选择热核加权潜图上的图中心点作为原型，确保原型在流形上，并通过Dirichlet能量正则化保持潜空间几何平滑，在心脏瘢痕和脑MRI基准上取得最高精度和清晰原型。
使用多模态混合专家病理基础模型预测免疫生物标志物，赋能精准肿瘤学
机构 * Program of Computational Biology and Bioinforamtics, Yale University（耶鲁大学计算生物学与生物信息学项目） ； Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所） ； Department of Statistics and Data Science, Northwestern University（西北大学统计与数据科学系） ； Department of Computer Science, Northeastern University（东北大学计算机科学系） ； Department of Computer Science, Harvard University（哈佛大学计算机科学系） ； Department of Pathology, Yale University（耶鲁大学病理学系） ； Department of Anatomic Pathology and Laboratory Medicine, Hospital of the University of Pennsylvania（宾夕法尼亚大学医院解剖病理学与检验医学系） ； Department of Pathology and Laboratory Medicine, University of California, San Francisco（加州大学旧金山分校病理学与检验医学系） ； Department of Pathology and Laboratory Medicine, KK Women’s and Children’s Hospital（竹脚妇幼医院病理学与检验医学系） ； Department of Biostatistics, Epidemiology and Informatics, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院生物统计学、流行病学与信息学系）
AI总结 提出MixTIME多模态基础模型，采用混合专家架构整合不同模态的病理基础模型，从HE全切片图像预测多重免疫荧光蛋白表达，在17个蛋白标记物上达到最优性能，并增强空间域识别、生存预测等下游任务。
Comments 5 figures
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。
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
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
为计算机使用智能体自动生成SKILL.md：基于交互轨迹挖掘
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学）
AI总结 提出三阶段流水线从GUI轨迹中挖掘可读技能库，但发现可读性不保证下游策略提升，GRPO仅带来微小改进，揭示当前方法的局限性。
GB-LSR：一种具有单一全局带宽的快速局部光谱图像表示，用于连续重建和超分辨率
机构 * Harvard University（哈佛大学）
AI总结 提出GB-LSR，一种基于全局带宽的局部光谱表示，通过共享卷积编码器预测截断傅里叶基系数，实现连续图像重建，在Kodak等基准上PSNR提升2.8-3.6 dB，推理速度比最慢基线快约4倍。
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
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。
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: 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
战略特征选择
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Texas, Austin（德克萨斯大学奥斯汀分校） ； Cornell Tech（康奈尔科技） ； Stanford University（斯坦福大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Harvard University（哈佛大学） ； Inria, Paris（巴黎Inria）
AI总结 研究通过特征选择和岭正则化应对战略操纵的分类问题，发现仅基于可操纵性排除特征通常次优，提出联合优化特征集与正则化水平的算法，并在医疗支付基准上验证。
随机动量方法的计算效率与串行运行时间权衡
机构 * Harvard University（哈佛大学） ； Kempner Institute at Harvard University（哈佛大学凯普纳研究所）
AI总结 研究随机动量方法（如重球法和加速SGD）在一致线性回归中的批次大小权衡，证明重球法不改善SGD的计算效率前沿但允许更大批次减少串行运行时间，而加速SGD的计算效率与串行运行时间权衡依赖于谱衰减。
改进的多尺度结构映射与超顶点视觉Transformer用于阿尔茨海默病神经退行性病变的检测
机构 * Department of Computer Science \& Engineering, Hankuk University of Foreign Studies, Seoul, Republic of Korea ； Athinoula A. Martinos Center for Biomedical Imaging, Department of Radiology, Massachusetts General Hospital, Charlestown, MA, USA ； Department of Radiology, Harvard Medical School, Boston, MA, USA ； Neuroimaging Research for Veterans (NeRVe) Center, VA Boston Healthcare System, Boston, MA, USA
AI总结 本文提出MSSM+结合SSVM和SV-ViT，通过多尺度结构映射和超顶点映射提高阿尔茨海默病早期检测的准确性，实现了更显著的组间差异识别和分类性能提升。
Comments Submitted to Human Brain Mapping
Journal ref Human Brain Mapping 47(8), e70548 (2026)
R&B -- 音乐与大脑：从人类脑活动交叉解码音乐
机构 * Department of Biomedicine and Prevention University of Rome Tor Vergata（生物医学与预防系罗马大学托尔维加塔分校） ； A.A. Martinos Center for Biomedical Imaging Harvard Medical School/MGH, Boston (US)（A.A. Martinos生物医学成像中心哈佛医学院/马萨诸塞总医院，波士顿（美国））
AI总结 研究通过fMRI数据解码音乐，利用CLAP模型和voxel编码模型，实现跨被试音乐识别，提升音乐感知与情绪的神经基础理解。
Comments The first two authors contributed equally to this work
Journal ref Neural Networks, 203, 109195 (2026)
首次证明第二批
机构 * Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Harvard University（哈佛大学） ； Polish Academy of Sciences（波兰科学院） ； UC Berkeley（加州大学伯克利分校） ； Brown University（布朗大学） ； ETH Zürich（苏黎世联邦理工学院） ； MIT（麻省理工学院） ； Weierstrass Institute（魏尔斯特拉斯研究所） ； Duke University（杜克大学） ； Sorbonne Université（索邦大学） ； Boston College（波士顿学院） ； Université du Québec à Montréal（魁北克大学蒙特利尔分校） ； UCLA（加州大学洛杉矶分校） ； University of Michigan（密歇根大学） ； University of Maryland（马里兰大学）
AI总结 测试多个AI系统在十个数学研究问题上的解题能力，评估当前AI解决研究级数学问题的水平。
CheckMIABench: 语言模型成员推理攻击的坚实基础
机构 * Harvard University（哈佛大学） ； Harvard Business School（哈佛商学院）
AI总结 为解决成员推理攻击评估中的分布偏移问题，提出基于训练中固定点前后数据同分布的基准框架，在Pythia和OLMo模型上评估多种攻击，并开源模块化库。
Clay-CNN混合模型：利用地理基础模型作为滑坡检测的辅助上下文
机构 * Harvard University（哈佛大学）
AI总结 针对滑坡检测中的极端类别不平衡问题，提出将地理基础模型Clay v1.5作为辅助上下文注入U-Net瓶颈的混合方法，在Landslide4Sense基准上达到64.5% F1，优于纯Clay或U-Net基线。
Comments 9 pages, 7 figures, 2 tables
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 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。
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: 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
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。
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%。
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)
公共物品的稳定菜单：AI驱动的进展
机构 * School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院）
AI总结 以EC 2025论文的开放问题为测试平台，实验评估AI辅助研究流程的有效性，发现提供人类直觉提示和自动多轮交互有助于提升LLM表现，但LLM略逊于一年级博士生。
Comments Accepted to the EC'26 Workshop on AI-Driven Research in EconCS
医疗世界模型：表示医疗状态、建模临床动态与指导干预策略
机构 * College of Computer Science, Zhejiang University（浙江大学计算机科学与技术学院） ； School of Medicine, Zhejiang University（浙江大学医学院） ； Department of Biomedical Informatics, Harvard University（哈佛大学生物医学信息学系）
AI总结 本文提出医疗世界模型框架，通过构建患者状态、建模临床动态和支持干预决策，推动医疗AI从静态诊断向动态模拟演进。
UXBench: 衡量LLM生成的UX评论的可操作性
机构 * University of Notre Dame（诺丁汉大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Rochester（罗切斯特大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； LMU Munich（慕尼黑路德维希-马克西米利安大学）
AI总结 提出UXBench基准，通过下游修复代理能否基于评论改进界面来评估LLM作为UX评判者的可操作性，发现不同模型在报告可操作性、修复特征和可靠性上存在显著差异。
Comments 30 pages
学习纵向胸部X光分析的方向性语义转变
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； Stanford University（斯坦福大学） ； Massachusetts General Hospital, Harvard Medical School（麻省总医院，哈佛医学院）
AI总结 提出ProTrans框架，将疾病进展建模为配对CXR研究间的方向性语义转变，利用放射学报告和可学习进展特征图显式编码语义变化，通过反向时间建模和双向重建一致性实现方向感知，在纵向下游任务中优于现有方法。
Comments MICCAI 2026
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