高校专区
学会选择：一种基于赋权与语义通信的自适应方法选择多智能体系统
机构 * Faculty of Science, Technology and Medicine（科学、技术与医学学院） ； University of Luxembourg（卢森堡大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Luxembourg Institute of Science and Technology（卢森堡科学与技术研究院）
AI总结 提出一种结合上下文赌博机、结构化智能体间通信和语义检查点的多智能体框架，通过保持动作-结果因果一致性来提升科学计算工作流中自适应决策的收敛性、鲁棒性和泛化能力。
通过边际似然进行联合模型与数据稀疏化
机构 * RIKEN Center for AI Project, Tokyo, Japan（日本东京RIKEN人工智能项目中心） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系）
AI总结 提出通过边际似然联合学习特征和样本相关性，实现同时模型与数据稀疏化的贝叶斯方法，在保持共轭性和闭式更新的同时提升鲁棒性。
Comments 36 pages, 8 figures, 12 tables (incl. appendix); published at ICML 2026
SMolLM: 小型语言模型学习小型分子语法
机构 * Carey Business School Johns Hopkins University（约翰霍普金斯大学Carey商学院）
AI总结 本文提出SMolLM，一个53K参数的小型权重共享Transformer，通过固定层次结构学习SMILES语法，在ZINC-250K数据集上以95%的有效性生成分子，优于参数多10倍的GPT模型。
Comments 19 pages, 5 figures, 11 tables
奇偶性的计算高效可复现学习及其应用
机构 * Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Department of Computer Science, Bar-Ilan University（巴伊兰大学计算机科学系）
AI总结 本文提出首个计算高效的奇偶性可复现学习算法，证明可复现学习在一般分布上严格超越SQ学习，并揭示其与差分隐私在样本复杂度上的分离。
一种可解释的基于指纹的视觉Transformer辅助诊断Kabuki和Wiedemann-Steiner综合征
机构 * Dept. of Computer Science, Vanderbilt University（范德比尔特大学计算机科学系） ； Dept. of Genetics and Molecular Medicine, Landspitali University Hospital（陆斯帕蒂医院遗传学与分子医学系） ； Louma G. Laboratory of Epigenetics Research, Faculty of Medicine, University of Iceland（爱沙尼亚大学医学系表观遗传学研究实验室） ； McKusick-Nathans Dept. of Genetic Medicine, Johns Hopkins University School of Medicine（约翰霍普金斯大学医学院遗传医学部） ； Faculty of Electrical and Computer Engineering University of Iceland（爱沙尼亚大学电气与计算机工程系）
AI总结 本研究提出一种基于视觉Transformer的深度学习模型，利用指纹图像区分Kabuki综合征（KS）和Wiedemann-Steiner综合征（WSS）患者与健康对照，并通过注意力可视化增强可解释性，为罕见遗传病的非侵入性诊断提供新工具。
TelecomTS：面向时间序列与语言分析的多模态可观测性数据集
机构 * Yale University（耶鲁大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出TelecomTS，一个来自5G电信网络的大规模多模态可观测性数据集，通过保留绝对尺度信息的异质协变量和多样化下游任务（异常检测、根因分析、多模态问答），揭示了现有模型在处理可观测性数据的高噪声、突变特性时的不足。
通过早退机制控制语言模型中有害上下文的风险
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Amsterdam（阿姆斯特丹大学） ； Amazon AGI（亚马逊人工智能实验室） ； Amazon Alexa（亚马逊Alexa）
AI总结 提出一种结合动态早退预测与无分布风险控制的方法，限制有害上下文对语言模型性能的退化，并在有益上下文中实现计算效率提升。
Comments Accepted to ICML 2026
来自显式和隐式证据的个人视觉记忆
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Adobe Research（Adobe研究）
AI总结 本文提出个人视觉记忆基准和VisualMem混合架构，通过显式与隐式视觉证据增强AI代理的长期记忆，显著提升个性化任务性能。
Comments Project Page: https://viettmab.github.io/visualmem-page/
SEMAGIC: 从野外图像中学习语义一致的可变形3D表示
机构 * Johns Hopkins University（约翰霍普金斯大学） ； CISPA Helmholtz Center for Information Security（信息安全霍普金斯中心）
AI总结 针对现有可变形3D重建方法语义对应不稳定的问题，提出SEMAGIC框架，通过特征级一致性损失和顶点索引条件变形，在重建过程中强制语义一致性，从而提升类别级语义对应性能。
逃离语言先验：通过模态感知策略优化缓解音频推理中的后期模态崩溃
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Tencent Hunyuan（腾讯文言）
AI总结 针对多模态大语言模型在强化学习后训练中因统一策略梯度忽略模态依赖性而导致的后期模态崩溃问题，提出模态感知策略优化（MAPO）框架，通过模态相关性掩码和辅助注意力损失分支动态聚焦梯度并维持跨模态推理，在复杂音频推理基准上取得新最优结果。
从自身潜在表示而非token学习：样本复杂度理论
机构 * Institute of Physics（物理研究所） ； University of Cambridge（剑桥大学） ； Johns Hopkins University（约翰霍普金斯大学） ； EPFL（苏黎世联邦理工学院）
AI总结 本文通过概率上下文无关语法数据，证明潜在预测方法在样本复杂度上相比token级SSL具有指数级优势，并分析了多尺度层次结构的必要性。
Comments 10 pages, 5 figures in main. 28 pages, 14 figures, 1 table in all
你只需对齐一次：通过种子智能体在多智能体系统中传播合作行为
机构 * Arcarae ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Northwestern University（西北大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出对齐传播现象，通过种子智能体在自然语言交互中传播合作行为，在红黑游戏中将合作率从24.8%提升至62.2%，并零样本迁移至Sugarscape场景。
当提示扰动破坏你的A/B测试：一种用于生成式调查的有效统计检验
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 针对生成式调查中LLM对提示设计敏感的问题，提出一种置换检验方法，在包含扰动结构的统计模型下保持有效性，并给出预算分配建议。
ICICLE: 利用上下文文档扩展检索
机构 * National Taiwan University（台湾大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 提出ICICLE框架，通过上下文文档的docid生成实现增量式生成检索，避免重新训练和灾难性遗忘。
PICACO: 通过总相关优化实现大语言模型的多元情境价值对齐
机构 * Johns Hopkins University, Baltimore, MD, USA（约翰霍普金斯大学） ； North Carolina State University, Raleigh, NC, USA（北卡罗来纳州立大学） ； Microsoft Research Asia, Beijing, China（微软亚洲研究院） ； Tongji University, Shanghai, China（同济大学）
AI总结 针对情境对齐中价值冲突导致的指令瓶颈问题，提出PICACO方法，通过优化元指令并最大化指定价值与模型响应的总相关，无需微调即可实现多元价值平衡对齐。
Comments ICML 2026
重新思考早退神经网络的校准
机构 * Jagiellonian University（雅盖隆大学） ； Warsaw University of Technology（华沙理工大学） ； IDEAS Research Institute（IDEAS研究院） ； Johns Hopkins University（约翰霍普金斯大学） ； Doctoral School of Exact and Natural Sciences（精确与自然科学博士学院）
AI总结 本文质疑校准对早退神经网络性能的充分性，提出早退失败预测（EEFP）以同时考虑预测正确性和计算成本，并设计轻量级改进方法，实现更优的成本-准确率权衡。
通过前向-反向扩散步骤链采样数据
机构 * Johns Hopkins University（约翰霍普金斯大学） ； EPFL（瑞士联邦理工学院） ； University of Göttingen（哥廷根大学）
AI总结 提出U-turn链，通过扩散模型的短前向-反向步骤迭代构造马尔可夫链，结合Metropolis-Hastings校正从能量修正目标中采样，并发现最小U-turn动力学经历由数据流形碎片化驱动的遍历性破缺相变。
RadJEPA：基于联合嵌入预测架构的胸部X光放射学编码器
机构 * Department of Computer Science and Engineering, Indian Institute of Technology Bombay（印度理工学院孟买分校计算机科学与工程系） ； Department of Biomedical Engineering, Johns Hopkins University（约翰霍普金斯大学生物医学工程系） ； Koita Centre for Digital Health, Indian Institute of Technology Bombay（印度理工学院孟买分校Koita数字健康中心）
AI总结 提出RadJEPA，一种无需语言监督的自监督框架，通过联合嵌入预测架构在约84万张无标签胸部X光图像上预训练，学习预测掩码区域的潜在表示，在放射学报告生成等任务中达到或超越现有基线。
使用联合泊松反卷积和微分同胚配准的贝叶斯体内突触追踪
机构 * Department of Biomedical Engineering, Johns Hopkins University（约翰霍普金斯大学生物医学工程系） ； Department of Neuroscience, Johns Hopkins University（约翰霍普金斯大学神经科学系） ； Kavli Neuroscience Discovery Institute, Johns Hopkins University（约翰霍普金斯大学Kavli神经科学发现研究所） ； 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所） ； Department of Applied Mathematics and Statistics, Johns Hopkins University（约翰霍普金斯大学应用数学与统计学系）
AI总结 提出一种基于模板的贝叶斯框架，通过联合泊松反卷积和微分同胚配准，同时实现突触检测、去噪、荧光强度推断、组织运动校正和置信区间估计，用于低信噪比体内显微镜数据中的突触追踪。
可解释的跨疾病推理：基于低剂量计算机断层扫描的心血管风险评估
机构 * Department of Computer Science, Emory University（埃默里大学计算机科学系） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Department of Radiation Oncology（放射肿瘤学部） ； Winship Cancer Institute, Emory University（埃默里大学Winship癌症研究所）
AI总结 提出一种可解释的跨疾病推理框架，通过提取肺部发现、基于医学知识进行跨器官机制推理，并结合心脏子体积特征，从低剂量胸部CT中实现心血管风险评估，在NLST队列中AUC达0.919。
基于局部神经算子的分布式参数系统无方程粗粒度控制
机构 * Hopkins Extreme Materials Institute and Department of Chemical and Biomolecular Engineering, Johns Hopkins University（霍普金斯极端材料研究所和化学与生物分子工程系，约翰霍普金斯大学） ； Dipartimento di Matematica e Applicazioni ”Renato Caccioppoli”, Università degli studi di Napoli Federico II（Renato Caccioppoli数学与应用系，那不勒斯费德里克二世大学） ； Department of Chemical and Biomolecular Engineering and Department of Applied Mathematics and Statistics, Johns Hopkins University（化学与生物分子工程系和应用数学与统计学系，约翰霍普金斯大学）
AI总结 提出一种数据驱动方法，利用局部神经算子学习短时解算子，结合Krylov子空间方法计算稳态和降阶模型，实现无显式粗粒度方程的高维分布式参数系统控制。
Comments 8 pages, 2 figures
X-Edit: 面向医学视觉Transformer的精确、显式且可解释的零空间编辑
机构 * Fudan University（复旦大学） ； Johns Hopkins University（约翰霍普金斯大学） ； National University of Singapore（新加坡国立大学） ； University of Sydney（悉尼大学）
AI总结 提出X-Edit框架，通过因果定位和零空间投影实现医学图像分类中ViT模型的精确错误修正，避免灾难性遗忘。
Comments Early accepted by MICCAI 2026
T2S-MPC：面向时变动力学的时间嵌入在线自适应模型预测控制
机构 * JHU Department of Applied Mathematics and Statistics, Johns Hopkins University, MD, USA（约翰霍普金斯大学应用数学与统计学系） ； CMU Department of Electrical and Computer Engineering, Carnegie Mellon University, PA, USA（卡内基梅隆大学电气与计算机工程系）
AI总结 提出T2S-MPC框架，通过时间嵌入和双时间尺度更新在线学习残差动力学模型，实现快速时变环境下的自适应模型预测控制，在四旋翼任务中优于经典和神经MPC方法。
跨域能量引导扩散生成用于动态偏移强化学习
机构 * Duke University（杜克大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 提出CEDGE框架，利用能量引导扩散模型生成目标域轨迹，解决动态偏移下离线强化学习的域适应问题。
Comments 29 pages, 3 figures, and 14 tables
自监督对比学习用于心脏磁共振序列分类
机构 * Department of Radiology and Radiological Science, Johns Hopkins University School of Medicine（放射科与放射科学系，约翰霍普金斯大学医学院） ； Department of Electrical and Computer Engineering, Johns Hopkins University（电气与计算机工程系，约翰霍普金斯大学） ； Department of Computer Science, University of North Carolina at Chapel Hill（计算机科学系，北卡罗来纳大学教堂山分校） ； Department of Radiology, University of Colorado Denver Anschutz Medical Campus（放射科，科罗拉多大学丹佛分校安舒茨医学中心） ； Department of Radiology, Second Xiangya Hospital, Central South University（放射科，中南大学湘雅医院） ； Department of Cardiology, Johns Hopkins University School of Medicine（心血管科，约翰霍普金斯大学医学院） ； Department of Diagnostic Imaging, Brown University Health（诊断影像科，布朗大学健康中心）
AI总结 针对预训练ViT在心脏MR领域迁移效果差的问题，提出基于图像的自监督对比学习适应策略，在内部数据集上优于监督训练，并泛化到外部MR数据集，四个常见序列分类AUC超过0.75。
具身人工智能的安全性：风险、攻击与防御综述
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； City University of Hong Kong（香港城市大学） ； Jilin University（吉林大学） ； Singapore Management University（新加坡管理大学） ； Deakin University（德肯大学） ； Tongji University（同济大学） ； Nanyang Technological University（南洋理工大学） ； Chinese Academy of Sciences（中国科学院） ； The University of Melbourne（墨尔本大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文综述了具身AI在感知、认知、规划、行动及交互全流程中的安全风险、攻击与防御方法，提出了多层次分类体系，并指出了多模态感知融合脆弱性、规划不稳定及人机交互可信度等关键挑战。
Comments Survey paper; 75 pages, 4 figures, 18 tables; v2 expands embodied-specific coverage of agentic threats, World Action Model threats, and contextual risk mitigation, with over 100 new references added. Project page: https://x-zheng16.github.io/Awesome-Embodied-AI-Safety/
图神经算子的谱框架：收敛保证与权衡
机构 * Applied Mathematics and Statistics（应用数学与统计学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出统一谱框架，分析图神经算子在无正则性、全局Lipschitz连续和分段Lipschitz连续假设下的收敛率与权衡。
BODHI：精确的操作系统内核规范推断
机构 * Department of Applied Mathematics and Statistics（应用数学与统计学系） ； Johns Hopkins University（约翰霍普金斯大学） ； Department of Computer Science（计算机科学系）
AI总结 提出一种领域知识提示方法BODHI，通过结构化C到Python翻译指南增强少样本提示，在OSV-Bench基准上将Pass@1从55.10%提升至96.73%，缩小了通用代码生成与形式规范合成之间的差距。
Sensor2Sensor: 自动驾驶的跨本体传感器转换
机构 * Waymo ； Johns Hopkins University（约翰霍普金斯大学） ； Google DeepMind（谷歌DeepMind） ； University of Washington（华盛顿大学）
AI总结 提出Sensor2Sensor生成模型，将单目行车记录仪视频转换为多模态传感器数据（多视角相机图像和LiDAR点云），通过4D高斯泼溅重建和扩散架构解决无配对数据问题，为自动驾驶开发解锁外部数据源。
Comments Accepted by CVPR 2026
EXOTIC: 一种用于极小极大优化的精确、乐观、基于树的算法
机构 * Department of Electrical and Computer Engineering, and Data Science and AI Institute at Johns Hopkins University（约翰霍普金斯大学电气与计算机工程系及数据科学与人工智能研究院） ； Institute for Computational and Mathematical Engineering at Stanford University（斯坦福大学计算与数学工程研究所） ； Center for Systems and Control, IIT Bombay（印度理工学院班加罗尔系统与控制中心）
AI总结 针对凸-非凹和非凸-凹极小极大优化问题，提出一种基于Sion极小极大定理扩展的重新表述，并设计EXOTIC算法结合迭代凸优化与乐观分层树搜索，以计算全局极小极大值，理论保证最优性间隙上界，实验优于梯度方法，并首次精确求解三人以上博弈的安全策略。
Comments 35 pages, 2 figures, 3 tables
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