高校专区
FLAME：适应性专家混合用于连续多模态多任务学习
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 FLAME提出了一种可扩展的专家混合框架，支持多任务预训练和连续学习，通过模态特定路由器处理不同模态的任务，同时利用低秩内存子空间压缩专家知识，提升参数效率和减少灾难性遗忘。
Comments 37 pages, 25 figures, 6 tables
通过基础模型生成的数字孪生表示实现鲁棒的手术自动化
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出基于数字孪生的感知方法，结合LLM代理与dVRK平台，实现手术任务规划的鲁棒性与泛化能力，为手术自动化提供新的解决方案。
SegSTRONG-C: 在非对抗性生成扰动下稳健分割手术工具 -- 一个EndoVis'24挑战
机构 * Johns Hopkins University（约翰霍普金斯大学） ； The Chinese University of Hong Kong（香港中文大学） ； Intuitive Surgical Inc.（Intuitive Surgical公司） ； University of Arizona（亚利桑那大学） ； Chonnam National University（全州大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Kyung Hee University（庆熙大学） ； University H（大学H）
AI总结 SegSTRONG-C挑战旨在研究模型在非对抗性扰动下的退化问题，通过生成清洁与扰动样本，评估工具分割算法的鲁棒性，并揭示提升鲁棒性的关键方向。
核心-环分解：解大规模固定点问题的去中心化
机构 * Purdue University（普渡大学） ； The University of Hong Kong（香港大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出核心-环分解方法，通过分离写入所有权与只读评估上下文，解决严格分解导致的结构偏差问题，实现去中心化多智能体系统中大规模固定点问题的准确求解。
X-Voice：通过零样本跨语言语音克隆让每个人都能说30种语言
机构 * MoE Key Lab of Artificial Intelligence, X-LANCE Lab, Shanghai Jiao Tong University（摩埃人工智能重点实验室、X-LANCE实验室、上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Center for Language and Speech Processing, Johns Hopkins University（语言与语音处理中心、约翰霍普金斯大学） ； Geely（吉利） ； Dataocean AI（数据海洋人工智能） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学）
AI总结 X-Voice通过双阶段训练和多语言语音合成架构，实现零样本跨语言语音克隆，优于现有多语言系统并在性能上接近大规模模型。
Comments 16 pages, 4 figures, 9 tables
基于判别因子化的黑盒模型分类
机构 * JHU（约翰·霍普金斯大学）
AI总结 本文提出判别因子化方法，用于区分高质量与低质量查询集，通过查询预算衰减指数方式提升黑盒模型分类性能，实验验证了其在审计任务中的有效性。
关于神经扩展定律的不变性与普遍性
机构 * Johns Hopkins University（约翰霍普金斯大学） ； NTT Research（NTT研究） ； MIT（麻省理工学院） ； Johns Hopkins University, Bayesian Health（约翰霍普金斯大学，贝叶斯健康）
AI总结 本文探讨如何建立通用的神经扩展定律，通过识别不变量，使定律能在不同领域间可靠传输，验证了在语言、视觉和语音任务中的有效性，并展示了跨领域应用。
Comments 23 pages, 6 figures, 11 tables
随机优化中整数变量的样本复杂度
机构 * Dept. of Applied Mathematics & Statistics（应用数学与统计学系） ； Johns Hopkins University（约翰霍普金斯大学） ； Microsoft Research (Redmond)（微软研究院（红mond）） ； Dept. of Computer Science, PUC-Rio（计算机科学系，巴西圣保罗大学）
AI总结 本文研究了随机优化中整数变量的样本复杂度，发现整数优化在某些情况下可能需要更多或更少的样本，取决于目标函数和约束的结构。
并非所有标记都需要40步：扩散变换器中的异质步分配用于高效视频生成
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出HSA算法，通过根据速度动态分配不同时间空间标记的步数预算，提升视频生成效率，实验表明在加速运行时表现优于现有方法。
Comments Project page: https://ernestchu.github.io/hsa
AdpSplit：基于误差的自适应分裂以加速3D高斯点云中的几何发现
机构 * Arizona State University（亚利桑那州立大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 AdpSplit通过基于误差的自适应分裂操作减少3DGS训练时间，同时保持渲染质量，在多个数据集上实现9.2%-22.3%的加速。
MolmoAct2：面向现实部署的动作推理模型
机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） ； National University of Singapore（新加坡国立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Amazon（亚马逊公司） ； University of Michigan（密歇根大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出MolmoAct2，一个完全开放的动作推理模型，通过改进架构和引入新数据集，在五个方面提升性能，展示了在多个基准测试中优于现有模型的成果。
Comments 31 pages, project page: https://allenai.org/blog/molmoact2
引导的LLM激活不是满射的
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 研究探讨了激活引导是否能通过文本提示实现，证明引导行为在实际中无法通过提示复现，区分了白盒引导与黑盒提示的差异。
Comments 10 pages main text. ICLR 2026 Workshops (Sci4DL, Re-Align)
TREC 2025 RAGTIME 跟踪任务概述
机构 * Johns Hopkins University Human Language Technology Center of Excellence（约翰霍普金斯大学人机语言技术卓越中心） ； University of Glasgow（格拉斯哥大学） ； Allen Institute for AI（人工智能研究院）
AI总结 TREC 2025 RAGTIME 跟踪任务旨在研究多语言源文档的报告生成，包含阿拉伯语、中文、英语和俄语新闻故事的文档集，涵盖多语言报告生成、英语报告生成和多语言信息检索三个任务，共13支队伍提交125次运行。
Comments 14 pages, 3 figures, final version of the RAGTIME 2025 overview paper
CT和X射线中骨盆骨折分割技术的基准测试：PENGWIN 2024挑战总结
机构 * Beijing Rossum Robot Technology Co., Ltd.（北京罗素机器人科技有限公司） ； Key Laboratory of Biomechanics and Mechanobiology, Ministry of Education, Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University（生物力学与机械生物学重点实验室，教育部，北京生物医学创新中心，生物科学与医学工程学院，北航） ； Department of Computer Science, Johns Hopkins University（计算机科学系，约翰霍普金斯大学） ； Division of Medical Image Computing, German Cancer Research Center (DKFZ)（医学影像计算部，德国癌症研究中心（DKFZ）） ； Helmholtz Imaging, Heidelberg（海德堡大学医院影像中心） ； Smart Medical Imaging, Learning and Engineering (SMILE) Lab, Medical UltraSound Image Computing（智能医学影像、学习与工程（SMILE）实验室，医学超声影像计算）
AI总结 本文通过PENGWIN 2024挑战评估了CT和X射线中骨盆骨折分割技术，发现CT分割准确率较高，但X射线分割仍需进一步改进，揭示了分割方法的多样性及片段定义的不确定性。
Comments PENGWIN 2024 Challenge Report
ZScribbleSeg: 一种综合分割框架，包含高效标注建模和scribble监督最大化
机构 * School of Data Science, Fudan University, Shanghai, 200433, China（复旦大学数据科学学院） ； Department of Electrical and Computer Engineering, Johns Hopkins University, Baltimore, USA（约翰霍普金斯大学电气与计算机工程系）
AI总结 本文提出ZScribbleSeg框架，通过最大化scribble监督和随机模拟实现高效标注，结合先验知识提升医学图像分割性能，适用于六个任务。
Comments Accepted by Medical Image Analysis
迈向可靠的LLM评估：在自适应基准测试中纠正胜利者偏差
机构 * Purdue University（普渡大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Purdue University, USA（美国普渡大学）
AI总结 本文研究了自适应基准测试中胜利者偏差问题，提出SIREN方法以提高评估可靠性，通过冻结短名单、分离选择与评估并采用高斯乘子bootstrap进行不确定性量化，实验证明其在有限预算下能提供有效的置信区间和比较。
极粗的反馈信号足以学习与人类对齐的视觉表征
机构 * Department of Cognitive Science, Johns Hopkins University（约翰霍普金斯大学认知科学系）
AI总结 研究探讨了粗略反馈信号对视觉表征对齐的影响，发现即使仅区分8类，网络表征也能达到甚至超越细粒度模型的对齐程度，并更接近人类感知相似性判断。
Comments 21 Pages, 6 Figures
通过线性函数近似缓解大规模马尔可夫游戏中多智能体的诅咒
机构 * CMU Machine Learning Department（卡内基梅隆大学机器学习系） ； Machine Learning Department, Carnegie Mellon University（机器学习系，卡内基梅隆大学） ； Department of Electrical and Computer Engineering, Johns Hopkins University（约翰霍普金斯大学电气与计算机工程系）
AI总结 本文提出通过线性函数近似解决大规模马尔可夫游戏中多智能体的样本复杂度诅咒，开发了在生成模型和新提出的在线交互设置中具有证明数据效率的算法。
LC4-DViT：基于变形视觉Transformer的土地覆盖创建用于土地覆盖分类
机构 * HKUST（香港科技大学） ； SSE, The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）电子工程系） ； JHU（约翰·霍普金斯大学） ； NUS（新加坡国立大学） ； MUST（慕斯大学）
AI总结 本文提出LC4-DViT框架，结合生成数据创建与变形感知视觉Transformer，提升高分辨率土地覆盖制图精度，优于基线模型和传统网络。
Comments This work has been submitted to the IEEE for possible publication.The project is available at https://github.com/weicongpang/LVC2-DViT.git
离散时间动力系统中非线性外系统不变流形的混合物理信息神经网络
机构 * Modelling Engineering Risk & Complexity, Scuola Superiore Meridionale（工程风险与复杂性建模，南方高级学校） ； Dept. of Chemical Engineering, Worcester Polytechnic Institute（化学工程系，沃思希尔理工大学） ； Dept. of Chemical & Biomolecular Engineering, Johns Hopkins University（化学与生物分子工程系，约翰霍普金斯大学） ； Dept. of Applied Mathematics and Statistics, Johns Hopkins University（应用数学与统计学系，约翰霍普金斯大学） ； Medical School, Department of Urology, Johns Hopkins University（医学院，泌尿科，约翰霍普金斯大学） ； Institute of Science and Technology for Energy and Sustainable Mobility, Consiglio Nazionale delle Ricerche（能源与可持续交通科学技术研究所，国家研究委员会）
AI总结 本文提出混合物理信息机器学习框架，用于近似由外源自主动态驱动的离散时间动力系统的不变流形。通过结合多项式级数与浅层神经网络，该方法在低至中等维数流形中有效，结合多项式和神经网络的优势，提升精度与收敛性。
Comments 33 pages (29 pages of main text and Appendix, 4 of Supplement), 7 Figures (5 in the main text and Appendix and 2 in the Supplement)
多任务学习在跨异质MRI场强的颅骨合成CT生成中的概念验证研究
机构 * F.M. Kirby Research Center for Brain Imaging, Kennedy Krieger Institute（F.M. Kirby脑成像研究中心，Kennedy Krieger研究所） ； Neurosection, Division of MR Research, Russell H. Morgan Department of Radiology and Radiological Science, Johns Hopkins University School of Medicine（神经科，磁共振研究部，约翰·霍普金斯大学医学院放射学与放射科学系） ； Department of Biomedical Engineering, Johns Hopkins University（生物医学工程系，约翰·霍普金斯大学） ； Department of Biomedical Engineering, Case Western Reserve University（生物医学工程系，凯斯西储大学） ； Department of Biomedical Engineering, Columbia University（生物医学工程系，哥伦比亚大学） ； Department of Neuroscience, Columbia University（神经科学系，哥伦比亚大学） ； Department of Radiology, Mayo Clinic（放射科，梅奥诊所） ； Neuroradiology and Neurosurgery, Mayo Clinic College of Medicine and Science（神经放射学与神经外科，梅奥诊所医学院与科学学院）
AI总结 本文提出一种深度学习框架，用于在不同MRI场强和协议下实现稳定的颅骨合成CT生成，通过模块化结构提升鲁棒性，并在多中心数据集上验证了其优于传统方法的性能。
Comments Published in Medical Physics (2026). DOI: 10.1002/mp.70429
Journal ref Medical Physics, 53(5): e70429, 2026
编码代理能否在计算材料科学中复现研究成果？
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 研究探讨编码代理在计算材料科学领域复现研究结果的能力，提出AutoMat基准测试，发现当前LLM代理在复现复杂科学流程时表现有限，存在流程不完整、方法偏差等问题。
ReLay：为更好的理解而定制的LLM生成的通俗摘要，但代价是什么？
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Virginia（弗吉尼亚大学） ； University of Colorado Anschutz（科罗拉多大学安舒茨分校） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Chicago Pritzker School of Medicine（芝加哥大学普ritzker法学院） ； National Library of Medicine, National Institutes of Health（国家医学图书馆，国家卫生研究院） ； University of Washington（华盛顿大学）
AI总结 ReLay研究通过评估五种LLM在两种个性化方法中的表现，探讨了个性化通俗摘要对理解提升与安全性的平衡问题。
零样本二元视觉语言安全分类中的提示诱导分数方差
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Independent（独立）
AI总结 研究发现零样本视觉语言模型安全分类器的单提示首词概率在语义等价提示改写下不可靠，提出训练自由的均值集成方法提升模型性能，推荐提示家族评估与均值聚合作为标准无标签可靠性基准。
Comments Preprint. 19 pages, 5 figures
电子结构数据中跨材料的惊人冗余性由内在低维性解释
机构 * Department of Mechanical and Aerospace Engineering, Michigan Technological University, Houghton, MI, USA.（机械与航空航天工程系，密歇根技术大学，霍顿，MI，美国） ； Hopkins Extreme Materials Institute, Johns Hopkins University, Baltimore, MD, USA.（霍普金斯极端材料研究所，约翰霍普金斯大学，巴尔的摩，MD，美国） ； Department of Materials Science and Engineering, University of California, Los Angeles, CA, USA.（材料科学与工程系，加州大学洛杉矶分校，CA，美国） ； Center for Artificial Intelligence, Michigan Technological University, Houghton, MI, USA.（人工智能中心，密歇根技术大学，霍顿，MI，美国）
AI总结 研究揭示电子结构数据中存在显著冗余，归因于数据的低内在维数，通过随机剪枝可大幅减少数据集规模，同时保持预测准确性，提出基于覆盖的剪枝策略能以更少数据维持化学精度和模型泛化能力。
可泛化稀疏视角3D重建从无约束图像
机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出GenWildSplat框架，通过学习几何先验在无场景优化情况下实现稀疏视角户外3D重建，利用外观适配器和语义分割处理光照和遮挡，实现跨不同光照和遮挡模式的泛化。
Comments Project Page: https://genwildsplat.github.io/
TwinGate: 通过非对称对比学习实现对不可追踪流量中分解性劫持的有状态防御
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Microsoft Research Asia（微软亚洲研究院） ； Peking University（北京大学） ； University of California, Merced（加州大学默塞德分校）
AI总结 针对LLM中分解性劫持威胁，TwinGate通过非对称对比学习在共享潜在空间中聚类语义不同但意图匹配的恶意片段，同时利用冻结编码器抑制良性主题重叠导致的误报，实现高效防御。
AttriBE: 量化身体嵌入中属性表达性以用于识别与鉴定
机构 * Department of Electrical and Computer Engineering, Johns Hopkins University（约翰霍普金斯大学电气与计算机工程系） ； Department of Biomedical Engineering, Johns Hopkins University（约翰霍普金斯大学生物医学工程系） ； Department of Electrical and Computer Engineering, University of Maryland（马里兰大学电气与计算机工程系） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系）
AI总结 本文提出AttriBE方法，通过二次神经网络量化身体嵌入中属性表达性，发现BMI在深层网络中表达最强，且在跨光谱条件下的属性趋势单调增加，表明结构信息在跨模态识别中更为重要。
精神科下游LLM任务中的可靠性审计：LLM生成的住院风险评分
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文探讨了LLM在精神科住院风险评分中的可靠性问题，通过合成患者数据评估提示设计和非临床信息对预测稳定性的影响，揭示了非临床信息对模型输出的显著影响。
IDOBE：传染病爆发预测基准生态系统
机构 * Biocomplexity Institute, University of Virginia（生物复杂性研究所，弗吉尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Biocomplexity Institute and Department of Computer Science, University of Virginia（生物复杂性研究所与计算机科学系，弗吉尼亚大学） ； University of Pittsburgh（匹兹堡大学）
AI总结 本文提出IDOBE，一个专注于爆发预测的编纂流行病时间序列数据集，通过衍生分割生成超过10000个爆发案例，采用多种信息理论和分布度量方法评估数据集多样性，并利用11种基线模型进行多时间跨度短期预测，评估NMSE、MAPE及NWIS等指标。
Comments 11 pages, 6 figures
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