高校专区
这些视角能是一个场景吗？在3D基础模型产生幻觉时评估多视角3D一致性
机构 * CCVL, Johns Hopkins University（计算机视觉实验室，约翰霍普金斯大学）
AI总结 本文研究了在3D基础模型产生幻觉时多视角3D一致性的可靠性问题，提出了一种可控的鲁棒性基准和参数化家族，将神经度量分解为backbone、残差和聚合组件，并引入基于COLMAP的度量方法，以提高与人类判断的一致性。
Comments Project Page at https://mvp18.github.io/3d-consistency-metrics/
学习正常表示以血清生物标志物
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Department of Systems Biology, Harvard Medical School（哈佛医学院系统生物学系） ； Department of Medicine, Brigham and Women’s Hospital（布里洛妇产科医院医学系） ； Department of Mathematics, Johns Hopkins University（约翰霍普金斯大学数学系） ； Computational Health Informatics Program (CHIP), Boston Children’s Hospital（波士顿儿童医院计算健康信息学计划） ； The Ivan and Francesca Berkowitz Family Living Laboratory Collaboration at Harvard Medical School and Clalit Research Institute（哈佛医学院伊万和弗rancesca伯克伍德家庭生活实验室合作项目及克劳斯研究机构） ； Clalit Research Institute, Innovation Division, Clalit Health Services（克劳斯研究机构创新部门，克劳斯健康服务） ； Faculty of Computer and Information Science, Ben Gurion University（本· Gurion大学计算机与信息科学系）
AI总结 该研究提出NORMA框架，通过结合患者历史和人口水平数据生成更精确的参考区间，以改善血清生物标志物的个性化解读，避免过度个性化导致的误诊风险。
利用沉默中的潜在视觉推理
机构 * North Carolina State University（北卡罗来纳州立大学） ； UC, San Diego（加州大学圣地亚哥分校） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Johns Hopkins University（约翰霍普金斯大学） ； Duke University（杜克大学） ； Boston University（波士顿大学） ； The Ohio State University（俄亥俄州立大学）
AI总结 本文探讨了在推理过程中是否需要持续的潜在令牌，发现即使移除这些令牌或用随机噪声替代，性能影响较小，提出了一种基于注意力的奖励机制以促进潜在令牌与后续文本令牌的交互，从而提升视觉感知和视觉推理任务的性能。
在评估人工智能模型时优先考虑高后果生物能力
机构 * Center for Health Security, Bloomberg School of Public Health, Johns Hopkins University（健康安全中心，公共卫生学院，约翰霍普金斯大学） ； Department of Health Policy, Stanford School of Medicine, Stanford University（健康政策系，斯坦福医学院，斯坦福大学） ； Department of Chemical Engineering, Carnegie Mellon University（化学工程系，卡内基梅隆大学） ； Department of Chemistry, Carnegie Mellon University（化学系，卡内基梅隆大学） ； Wilton E. Scott Institute for Energy Innovation, Carnegie Mellon University（威尔顿·E·斯科特能源创新研究所，卡内基梅隆大学）
AI总结 本文基于人工智能模型的安全性、安全性和伦理问题，提出在评估人工智能模型时应优先考虑高后果风险，如大规模公众危害（如大流行病），并应在部署前进行评估，以建立针对性的AI安全评估方法，确保工具的安全性和防止潜在危害。
Comments 9 pages, 1 figure, 3 tables, 1 box
超越转录：借助音频的迭代同行编辑解锁高质量的对话语音总结
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 该研究通过比较音频和转录本总结的质量，探讨了同行编辑在提升语音总结质量中的作用，并发现音频总结在信息量和压缩程度上不如转录本总结，但通过迭代同行编辑可以弥补这一差距。
Comments Accepted in LREC 2026
MARQUIS：视频检索增强生成的三阶段流水线
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Human Language Technology Center of Excellence（人机语言技术卓越中心）
AI总结 本文提出MARQUIS三阶段流水线，通过查询扩展、融合和重排序、校准的结构化证据提取以及从提取证据生成文章，解决了视频检索增强生成中检索和生成的不足，提升了检索性能和文章生成质量。
Comments Accepted as an oral presentation at the ACL 2026 Workshop MAGMaR Systems. 27 pages, 4 figures. Code can be found here: https://github.com/debashishc/marquis
生物启发的基于事件的视觉伺服控制用于地面机器人
机构 * Department of Electrical & Computer Engineering, Northeastern University（东北大学电气与计算机工程系） ； Laboratory for Computational Sensing and Robotics, Johns Hopkins University（约翰霍普金斯大学计算感知与机器人实验室） ； Department of Mechanical Engineering, Johns Hopkins University（约翰霍普金斯大学机械工程系）
AI总结 本文提出了一种基于生物启发的1D事件视觉伺服框架，用于在结构化环境中运行的地面机器人，通过动态视觉传感器和多模式刺激直接合成非线性状态反馈项，实现了高效低延迟的控制。
LPG: 在潜在策略护栏中平衡效率与政策推理
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出LPG框架，通过学习动态政策的语义潜在推理，在保持高安全准确率的同时实现低延迟的政策执行。
基于KL松弛和策略梯度的可扩展双因果最优传输
机构 * Department of Applied Mathematics and Statistics, Data Science and AI Institute, and Mathematical Institute for Data Science, Johns Hopkins University（应用数学与统计学系、数据科学与人工智能学院以及数据科学数学研究所，约翰霍普金斯大学） ； Department of Statistics, Oxford-Man Institute of Quantitative Finance, and Nuffield College, University of Oxford（统计系、牛津-曼定量金融研究所以及牛津大学努尔菲尔德学院） ； Management Science & Engineering Department, Stanford University（管理科学与工程系，斯坦福大学） ； School of Mathematical Sciences, Peking University（北京大学数学科学学院）
AI总结 本文提出了一种基于KL松弛和策略梯度的可扩展双因果最优传输方法，通过引入KL惩罚项将硬约束转化为可处理的散度惩罚，从而解决连续分布和长时域下双因果耦合约束的计算难题，展示了在稳健子对冲和时间序列统计降缩等应用中的有效性。
人工不耐受：临床文档中的污名化语言扭曲大型语言模型决策
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 研究探讨了大型语言模型在处理包含污名化语言的临床文档时是否继承并传播人类偏见，发现所有模型在决策上都存在显著偏见，且对语言框架敏感，需加强算法防护以确保公平性和鲁棒性。
Comments 9 pages
保障自主性：如何用运筹学赋能和协调生成式AI系统
机构 * Carey Business School, Johns Hopkins University（约翰霍普金斯大学卡里商学院） ； Data Science and AI Institute, Johns Hopkins University（约翰霍普金斯大学数据科学与人工智能研究院） ； Institute for Data, Systems and Society, Operations Research Center, Department of Civil and Environmental Engineering, Massachusetts Institute of Technology（麻省理工学院数据、系统与社会研究所，运筹学中心，土木与环境工程系） ； Purdue University（普渡大学） ； H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院H.米尔顿·斯图尔特工业与系统工程学院）
AI总结 本文探讨生成式AI在向自主决策系统转变过程中，如何通过运筹学方法提升系统的可行性、鲁棒性和风险控制能力。
Comments Authors are listed alphabetically; Production and Operations Management (POM), 2026
少监督，多观察：基于原型引导的提示方法实现无训练核实例分割
机构 * Stony Brook University（石溪大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出SPROUT框架，通过组织学先验知识构建滑片特定参考原型，利用部分最优传输方案指导特征对齐，使SAM模型无需训练即可实现精准核分割。
Comments ICML 2026; 44 pages, 25 figures, 26 tables; Code at https://github.com/Y-Research-SBU/SPROUT
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