高校专区
具有任务无关调优的噪声自适应扩散采样用于逆问题
机构 * Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore（高性能计算研究所，科技研究局，新加坡） ； Institute for Infocomm Research, Agency for Science, Technology and Research, Singapore（信息通信研究所，科技研究局，新加坡） ； Johns Hopkins University（约翰·霍普金斯大学）
AI总结 本文提出噪声空间Hamilton蒙特卡洛方法，用于逆问题求解，避免局部极值并提升鲁棒性，通过噪声空间探索提升重建质量。
Comments Accepted by ICLR 2026
结果-可行动性差距：理解从业者如何在实际中评估大语言模型产品
机构 * HCI \& Design Section IT University of Copenhagen Copenhagen Denmark ； Centre for Human-Inspired Artificial Intelligence, Cambridge University Cambridge United Kingdom ； Computer Science Johns Hopkins University Baltimore Maryland United States ； Engineering University of Michigan Ann Arbor Michigan United States ； IT University of Copenhagen ； Centre for Human-Inspired Artificial Intelligence, Cambridge University ； Johns Hopkins University ； University of Michigan
AI总结 研究探讨从业者如何评估大语言模型产品，发现'结果-可行动性差距'问题，提出策略帮助从业者从非正式评估转向系统化评估。
WildDet3D: 在真实世界中扩展可提示的3D检测
机构 * Allen Institute for AI（人工智能研究院） ； University of Washington（华盛顿大学） ； Cornell University（康奈尔大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出WildDet3D，一种统一的几何感知架构，支持文本、点和框提示，并在推理时整合辅助深度信号。同时，构建了最大的开放3D检测数据集WildDet3D-Data，包含13.5K类别的100万张图像，在多个基准测试中取得新突破。
Comments code: https://github.com/allenai/WildDet3D website: https://allenai.github.io/WildDet3D/
体衰的步态特征：基于迁移学习的深度步态模型用于可扩展的体衰评估
机构 * Department of Electrical and Computer Engineering（电气工程系） ； Johns Hopkins University（约翰霍普金斯大学） ； Division of Geriatrics and Gerontology Medicine（老年医学科） ； Johns Hopkins University School of Medicine（约翰霍普金斯大学医学院） ； Department of Computer Science（计算机科学系） ； Center for Movement Studies（运动研究中心） ； Kennedy Krieger Institute（肯尼迪-克里格尔研究所） ； Department of Physical Medicine and Rehabilitation（康复医学系） ； Department of Biomedical Engineering（生物医学工程系）
AI总结 本文提出公开的基于轮廓的体衰步态数据集，评估预训练步态识别模型在有限数据下的适应性，展示迁移学习对性能的影响，并通过可解释性分析验证步态特征的生物力学关联。
EditVerse：通过上下文学习统一图像和视频编辑与生成
机构 * Adobe Research（Adobe研究院） ； CUHK（中国香港大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 本文提出EditVerse框架，通过统一token序列实现图像和视频生成编辑，利用自注意力机制实现跨模态知识迁移，实验表明其在视频编辑任务中达到SOTA水平。
BASIL：大型语言模型中趋炎附势行为的贝叶斯评估
机构 * Northeastern University（东北大学） ； Johns Hopkins University（约翰霍普金斯大学） ； West Virginia University（西弗吉尼亚大学）
AI总结 本文提出BASIL框架，通过贝叶斯方法区分LLM中的趋炎附势行为与理性信念更新，评估模型在不确定任务中的理性表现，展示校准和微调策略能有效减少贝叶斯不一致性。
神经算子：数据是否是你建模世界所需的一切？对数据驱动科学ML范式的洞察
机构 * Department of Computer Science, Purdue University（普渡大学计算机科学系） ； Hopkins Extreme Materials Institute, Johns Hopkins University（约翰霍普金斯大学霍普金斯极端材料研究所）
AI总结 本文探讨数据驱动方法如何补充传统技术解决工程和物理问题，并指出机器学习方法的开放性问题，强调神经算子在离散性和分辨率不变性方面的优势。
HumanLLM：通过人类认知模式基准测试和改进LLM拟人化
机构 * Fudan University（复旦大学） ； Hello Group（Hello集团） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 HumanLLM通过构建244种心理模式和11359种场景，评估LLM拟人化的有效性，发现认知建模比单纯模拟行为更重要，其8B模型在参数更少的情况下优于Qwen3-32B。
Comments Accepted to ACL 2026 Main Conference
拓扑驱动的nnU-Net与MedNeXt融合用于塞内加尔非洲数据集上的准确脑肿瘤分割
机构 * Institute of Engineering, Thapathali Campus, Nepal（尼泊尔工程学院，塔帕塔利校区） ； Gandaki College of Engineering and Science, Pokhara University, Pokhara, Nepal（加德基工程与科学学院，博克拉大学，博克拉，尼泊尔） ； Nepal Engineering College, Changunarayan-4, Bhaktapur, Nepal（尼泊尔工程学院，恰纳拉亚纳-4，巴赫塔普尔，尼泊尔） ； Madan Bhandari University of Science and Technology, Chitlang, Nepal（马丹·班达里科学与技术大学，奇塔朗，尼泊尔） ； Montreal Neurological Institute, McGill University, Montreal, QC, Canada（蒙特利尔神经研究所，麦吉尔大学，蒙特利尔，魁北克，加拿大） ； Department of Biomedical Engineering, McGill University（麦吉尔大学生物医学工程系） ； Medical Artificial Intelligence Laboratory (MAI Lab), Lagos, Nigeria（医学人工智能实验室（MAI实验室），拉各斯，尼日利亚） ； Department of Physics, Federal University of Technology, Minna, Nigeria（物理系，联邦技术大学，米纳，尼日利亚） ； Department of Computer Science, Johns Hopkins University（计算机科学系，约翰霍普金斯大学） ； Department of Radiology and Radiological Science, Johns Hopkins School of Medicine（放射学与放射科学系，约翰霍普金斯医学院） ； Nepal Applied Mathematics and Informatics Institute for Research (NAAMII), Nepal（尼泊尔应用数学与信息学研究所（NAAMII），尼泊尔） ； Institute of Engineering, Purbanchal Campus, Nepal（尼泊尔工程学院，普尔班恰尔校区）
AI总结 针对低收入国家脑肿瘤分割挑战，本文通过拓扑优化融合nnU-Net与MedNeXt模型，利用预训练数据提升分割精度，降低预测变形误差。
学习仿射不变的近operator
机构 * Mathematical Institute for Data Science, Johns Hopkins University（数据科学数学研究所，约翰霍普金斯大学）
AI总结 本文提出AE-LPNs，通过神经网络参数化学习精确的近operator，具备平移和缩放不变性，提升噪声和仿射变换下的鲁棒性。
Comments 9 pages, 4 figures, Accepted at ICASSP 2026
面向频率的流匹配用于高质量图像生成
机构 * Johns Hopkins University（约翰霍普金斯大学） ； ByteDance（字节跳动）
AI总结 本文提出FreqFlow，通过时间依赖的自适应加权将频率感知条件融入流匹配框架，以提升图像生成的全局结构和细节质量，在ImageNet-256上取得最佳FID成绩。
Comments Accepted by CVPR 2026
可解释风险评估中的联合分数阈值优化
机构 * Center for Health Systems and Policy Modeling, Department of Health Policy and Management（健康系统与政策建模中心，健康政策与管理系） ； Malone Center for Engineering in Healthcare, Johns Hopkins University（医疗工程中心，约翰霍普金斯大学） ； Center for Systems Science and Engineering, Department of Civil and Systems Engineering（系统科学与工程中心，土木与系统工程系） ； Department of Physical Medicine and Rehabilitation, School of Medicine, Johns Hopkins University（康复医学系，医学学院，约翰霍普金斯大学） ； Johns Hopkins Hospital（约翰霍普金斯医院） ； Department of Physical Therapy, University of Nevada, Las Vegas（物理治疗系，内华达大学拉斯维加斯分校）
AI总结 本文提出一种混合整数规划框架，解决医疗风险评估中标签稀缺和分类成本不对称的问题，通过优化分数权重和阈值实现可解释性。
用评分奖励模型治愈大语言模型数学推理中的奇迹步骤
机构 * School of Data Science, The Chinese University of Hong Kong, Shenzhen, China（数据科学学院，香港中文大学（深圳）） ； UC Berkeley（加州大学伯克利分校） ； Zhejiang University（浙江大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Renmin University of China（中国人民大学） ； Xiaohongshu Inc.（小红书公司）
AI总结 本文通过评分奖励模型解决大语言模型数学推理中的奇迹步骤问题，通过系统分析和人类验证建立失败模式分类，提升推理准确性和可靠性。
Comments Accepted by ACL 2026 Main, 22 pages, 10 figures, 7 Tables
隐式神经表示：信号处理视角
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）
AI总结 本文从信号处理角度探讨隐式神经表示的发展，分析其在频谱行为、采样理论和多尺度表示中的应用，讨论了从传统坐标网络到高级设计的演变，以及在医学成像、压缩和3D场景表示中的应用。
TwinOR：动态手术室的逼真数字双胞胎用于具身AI研究
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Johns Hopkins Medical Institutions（约翰霍普金斯医学机构）
AI总结 TwinOR通过构建高保真的动态手术室数字双胞胎，为具身AI研究提供安全可控的仿真环境，实现厘米级精度的手术室几何重建与动态交互模拟，验证了其在视觉定位和几何理解任务中的真实感。
Journal ref International Journal of Computer Assisted Radiology and Surgery, 2026
基于有限图信息的可迁移图神经网络采样
机构 * Department 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） ； Department of Statistics and Data Science, Yale University（统计与数据科学系，耶鲁大学） ； Department of Electrical and Computer Engineering, University of Rochester（电气与计算机工程系，罗切斯特大学）
AI总结 本文研究了在有限图信息下，通过特征驱动的子图采样提升图神经网络的可迁移性，通过特征-图对齐方法保留图运算的谱特性，实验证明最大化拉普拉斯迹可提升模型迁移能力和减少泛化差距。
Comments Submitted to IEEE TSP
分解泛化：通用、习惯性和事件性陈述的模型
机构 * University of Rochester（罗切斯特大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出语义框架建模泛化表达，构建涵盖Universal Dependencies数据集，并验证类型级和词级信息在预测泛化表达中的有效性。
Journal ref Transactions of the Association for Computational Linguistics, 2019, Volume 7
通过奖励进行 scouting：由 VLM-TO-IRL 驱动的电子竞技玩家选拔
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Cornell University（康奈尔大学）
AI总结 本文提出一种基于逆强化学习的电子竞技玩家选拔框架，通过学习专业选手的奖励函数，利用多模态双分支架构和 GAIL 目标实现玩家风格匹配评估，提升人才发现效率。
零消融高估了DINO视觉变换器中注册内容的依赖性
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins Applied Physics Laboratory（约翰霍普金斯应用物理实验室）
AI总结 研究通过零消融实验发现，DINOv2+和DINOv3的注册内容对分类和分割任务至关重要，但其他替换控制方法如均值替换、噪声替换和跨图像注册洗牌能保持性能，表明注册内容并非绝对必要。
Comments 12 pages, 10 figures, to be published in CVPR 2026 HOW Vision Interpretability Workshop Proceedings
物理引导的光学反演实现对孤立屏幕的非接触侧通道攻击
机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Weidian Corporation（伟迪安公司） ； Zhejiang Provincial Key Laboratory of Low Altitude Ubiquitous Networking Technology（浙江省低空 ubiquitous 网络技术重点实验室） ； Faculty of Information Science and Engineering（信息科学与工程学院） ； University of Leicester（莱斯特大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出一种非接触侧通道攻击方法，通过物理引导的光学反演技术，克服投影映射的奇异雅可比谱和光传输不可逆压缩问题，实现高保真度的屏幕内容恢复。
通过对抗强化学习合成和部署最大鲁棒控制屏障函数
机构 * Department of Electrical and Computer Engineering, Princeton University（普林斯顿大学电气工程与计算机科学系） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系）
AI总结 本文提出了一种新的鲁棒控制屏障函数框架，用于一般非线性系统在有界不确定性下的安全控制，结合对抗强化学习实现鲁棒Q-CBF约束，验证了在倒立摆和四足机器人中的有效性。
Comments 8 pages, 2 figures. This work has been submitted to the IEEE for possible publication
SyncFix：通过多视图同步修复3D重建
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Virginia（弗吉尼亚大学）
AI总结 SyncFix通过多视图同步在扩散过程中修复3D重建的语义和几何不一致，利用联合潜在桥接匹配问题提升重建质量，即使在无干净参考图像时也能生成高质量结果。
Comments Project website: https://syncfix.github.io/
基于零样本函数编码器的可微预测控制
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出一种可微框架，用于零样本自适应控制非线性动态系统参数族。通过结合函数编码器神经ODE和可微预测控制，实现高效的自监督学习显式控制策略，无需重新训练即可适应新系统。
RECOVER：基于大语言模型的术后胃肠癌远程患者监测系统设计
机构 * University of California, Irvine（加州大学尔湾分校） ； Northeastern University（东北大学） ； Johns Hopkins University（约翰霍普金斯大学） ； New York University（纽约大学） ； MedStar Health Research Institute（梅斯塔健康研究院） ； Creighton University（克里普顿大学） ； Georgetown University（乔治城大学）
AI总结 本文设计了基于大语言模型的RECOVER系统，用于术后胃肠癌的远程患者监测，通过临床整合提升术后护理效率，并探讨了AI伦理与未来发展方向。
非参数稀疏在线学习Koopman算子
机构 * Coordinated Science Laboratory, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校协调科学实验室） ； Department of Mathematics and Computer Science, Royal Military College of Canada（加拿大皇家军事学院数学与计算机科学系） ； Department of Electrical and Computer Engineering, University at Albany, SUNY（纽约州立大学水牛城大学电气与计算机工程系） ； Applied Physics Labs, Johns Hopkins University（约翰霍普金斯大学应用物理实验室） ； Department of Electrical and Computer Engineering, Coordinated Science Laboratory, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电气与计算机工程系，协调科学实验室）
AI总结 本文提出一种非参数稀疏在线学习Koopman算子的方法，通过随机近似迭代学习，实现对非线性动力系统的动态建模，并在误设定情况下提供收敛保证。
Comments 44 pages
多层级指令层级在大语言模型代理中的应用
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出Many-Tier Instruction Hierarchy (ManyIH) 以解决多源指令冲突，通过12层级的测试任务验证模型在复杂冲突场景下的表现，揭示了细粒度可扩展指令冲突解决的迫切需求。
可重复的强化学习与线性函数逼近
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出可重复的强化学习算法，针对线性函数逼近问题，设计了高效的随机设计回归和协方差估计算法，并在生成模型和片段设置中实现了可证明高效的可重复RL算法，通过实验验证了其对神经策略的一致性影响。
Comments ICLR 2026
CoLA：一种用于揭示子集训练中隐私风险的泄露攻击框架
机构 * King Abdullah University of Science and Technology（国王阿卜杜勒-阿齐兹大学科学与技术学院） ； Provable Responsible AI and Data Analytics Lab（可证责任AI与数据分析实验室） ； National University of Singapore（新加坡国立大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出CoLA框架，揭示子集训练中隐私泄露问题，通过两种攻击场景分析训练成员和选择参与的隐私风险，扩展隐私范围至数据-模型供应链。
领域特定潜在表示提高基于扩散的医学图像超分辨率的保真度
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Department of Biomedical Engineering, Mbarara University of Science and Technology（姆巴拉大学科学与技术学院生物医学工程系） ； Johns Hopkins University（约翰霍普金斯大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Makerere University（Makerere大学） ； Federal University of São Paulo（圣保罗联邦大学） ； Technical University of Applied Sciences Lübeck (TH Lübeck)（吕贝克应用技术大学） ； Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院）
AI总结 本文通过替换通用稳定扩散VAE为领域特定的MedVAE，显著提升了医学图像超分辨率的PSNR，验证了领域特定自动编码器对重建质量的关键影响。
文档选择对查询导向文本分析的影响
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文评估了七种文档选择策略对四种文本分析方法在两个数据集上的影响，发现语义或混合检索策略能有效避免弱策略的弊端，确立数据选择为方法学决策。
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