高校专区
一阶方法在随机和确定性矩阵上的普遍性
机构 * Bocconi University（博科尼大学） ； UC Davis（加州大学戴维斯分校） ； Johns Hopkins University（约翰霍普金斯大学） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 研究一阶方法在随机和确定性矩阵上的动态行为，通过分析输入矩阵的极限交通分布，推导出确定性矩阵的极限动态，并设计新的AMP迭代方法统一多种变体。
多模态不确定推断的统一框架
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Human Language Technology Center of Excellence（人类语言技术卓越中心）
AI总结 本文提出UMUI框架，通过多模态数据生成校准的概率估计，引入CLUE模型实现跨模态细粒度概率推理，实验表明其在多种模态上表现优于基线模型。
Comments Update citations
基于面部视频的脉冲信号恢复：带有正则化的随机插值方法
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 本文提出RIS-iPPG方法，通过正则化随机插值提升面部视频中脉冲信号的恢复质量与不确定性估计，实验表明其在三个数据集上表现优异。
多语言语言模型中的计算病变分离共享和语言特定的脑对齐
机构 * The University of Manchester（曼彻斯特大学） ； City University of Hong Kong（香港城市大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Institute of Automation, CAS（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 研究通过多语言大语言模型创建计算病变，揭示语言处理的共享与特定机制，发现共享核心减少整体脑编码相关性，而语言特定病变保持跨语言分离但削弱匹配母语的脑预测性。
Comments 23 pages, 5 figures, Journal format
在边缘计算中利用空闲计算资源进行基础模型训练
机构 * The University of Edinburgh（爱丁堡大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Cisco Research（思科研究院）
AI总结 本文提出Cleave框架，通过利用边缘设备的异构计算资源，实现与云训练相媲美的性能，并在设备异构性和故障恢复方面取得显著优势。
Comments Extended abstract version of this paper appeared in ACM MobiCom 2025. Workshop version of this paper appeared in EuroMLSys 2026
SatReg：基于回归的神经架构搜索用于轻量级卫星图像分割
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 SatReg通过回归方法在边缘平台实现轻量级遥感分割，利用CM-UNet作为教师模型，减少搜索空间，通过知识蒸馏高效训练学生模型，提升部署效率。
多模态Transformer中线性注意力的应用
机构 * University of Maryland（马里兰大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文研究了线性注意力在多模态框架中的应用，通过减少计算开销并保持性能，证明了线性注意力在多模态Transformer中的有效性。
Comments Workshop on Any-to-Any Multimodal Learning (Any2Any), CVPR 2026
奇怪的泛化是异常脆弱的
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 研究通过扩展实验验证了模型在狭窄领域微调后出现意外特性的问题，发现此类现象异常脆弱，仅在特定模型和数据集上出现，且可通过简单提示干预消除。
利用SDO/HMI磁图和混合神经网络预测日冕物质抛射与日闪的关系
机构 * Institute for Space Weather Sciences, New Jersey Institute of Technology（新泽西理工学院空间天气科学研究所） ； Department of Computer Science, New Jersey Institute of Technology（新泽西理工学院计算机科学系） ； Big Bear Solar Observatory, New Jersey Institute of Technology（新泽西理工学院大熊太阳天文台） ； Center for Solar-Terrestrial Research, New Jersey Institute of Technology（新泽西理工学院日地研究中心） ； Johns Hopkins University Applied Physics Laboratory（约翰霍普金斯大学应用物理实验室） ； Research Center for Astronomy and Applied Mathematics, Academy of Athens（雅典学院天文学与应用数学研究中心） ； Department of Astrophysical Sciences, Princeton University（普林斯顿大学天体物理科学系）
AI总结 本文提出一种混合神经网络方法，结合视觉Transformer和LSTM，利用SDO/HMI磁图时间序列预测日闪与日冕物质抛射关联性，验证了方法有效性并发现磁通量抵消可能触发相关日冕物质抛射。
Comments 14 pages, 8 figures
专家专业化在MoEs中的神话：为什么路由反映几何，而非领域专业知识
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文研究了MoEs中专家专业化的机制，指出路由依赖于隐藏状态相似性，而非领域专业知识，并揭示了专业化的几何属性及在不同数据下的表现。
DERM-3R：一种资源高效的多模态代理框架，用于皮肤病诊断和治疗的现实世界临床应用
机构 * School of Pharmacy, Nanjing University of Chinese Medicine（南京中医药大学药学院） ； Department of Dermatology, the Gulou Hospital of Traditional Chinese Medicine of Beijing（北京鼓楼中医医院皮肤科） ； Infectious disease department, Dongfang Hospital, Beijing University of Chinese Medicine（北京中医药大学东方医院感染科） ； College of Art and Science, university of Washington（华盛顿大学文理学院） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Fudan Unversity（复旦大学） ； Zhejiang Lab（之江实验室） ； University College London（伦敦大学学院） ； Department of Dermatology, Inner Mongolia Hospital of Traditional Chinese Medicine（内蒙古自治区中医医院皮肤科） ； International Campus of Zhejiang University（浙江大学国际校区）
AI总结 本文提出DERM-3R框架，通过三个协作代理解决皮肤病诊断中的细粒度病变识别、多视角病变表示和综合推理问题，展示了其在资源受限下的高效性能。
提升稳定性的一般化过程变分自编码器
机构 * University of Oxford（牛津大学） ； Pacific Northwest National Laboratory（太平洋西北国家实验室） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出SEGP-VAE，通过高维视频数据间接训练低维线性时不变系统，利用概率与可解释物理模型结合的方法，通过半收缩系统参数限制提升训练稳定性。
解开OPD之谜：大型语言模型中的长度膨胀与稳定策略
机构 * Department of Computer Science, Rice University, Houston, USA（莱斯大学计算机科学系，美国休斯顿） ； Department of Computer Science, University of North Carolina at Charlotte, Charlotte, USA（北卡罗来纳大学夏洛特分校计算机科学系，美国夏洛特） ； Department of Computer Science, Johns Hopkins University, Baltimore, USA（约翰霍普金斯大学计算机科学系，美国巴尔的摩） ； Department of Computer and Data Sciences, Case Western Reserve University（凯斯西储大学计算机与数据科学系）
AI总结 本文研究了OPD训练中长度膨胀问题，提出StableOPD框架结合参考 divergence 约束和rollout混合蒸馏，有效稳定训练并提升性能。
语言模型学习了什么以及何时？隐式课程假说
机构 * Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） ； Department of Computer Science, Data Science and AI Institute, Johns Hopkins University（约翰霍普金斯大学计算机科学系、数据科学与人工智能研究所） ； Khoury College of Computer Science, Northeastern University（东北大学Khoury计算机科学学院） ； Department of Computer Science, University of Southern California（南加州大学计算机科学系）
AI总结 研究通过设计简单可组合任务，发现模型技能以可组合顺序出现，且在不同模型间一致，表明预训练过程具有结构性。
arXiv2Table：面向基于大语言模型的文献综述表生成的现实基准测试与评估
机构 * Center for Speech and Language Processing, Johns Hopkins University（约翰霍普金斯大学语音与语言处理中心） ； Department of Computer Science and Engineering, HKUST（香港科技大学计算机科学与工程系）
AI总结 本文提出arXiv2Table基准，通过模拟真实用户需求和噪声，评估大语言模型生成文献综述表的能力，实验表明方法优于基线，但任务难度仍高。
Comments ACL 2026 Main Conference
大语言模型与经典机器学习：在使用高维表格数据预测新冠死亡率中的表现
机构 * Research Institute for Gastroenterology and Liver Diseases, Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学胃肠病与肝病研究所） ； Faculty of Medicine, Isfahan University of Medical Sciences（伊斯法罕医科大学医学院） ； Faculty of Business and Information Technology, Ontario Tech University（安大略理工大学商业与信息技术学院） ； School of Medicine, Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学医学院） ； Digestive Disease Research Institute, Tehran University of Medical Sciences（德黑兰医科大学消化疾病研究所） ； Department of Surgery, The Johns Hopkins University（约翰霍普金斯大学外科学系） ； Student Research Committee, School of Nursing and Midwifery, Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学护理与助产学院学生研究委员会） ； MPH department, Shiraz University of Medical Sciences（设拉子医科大学公共卫生硕士系） ； Department of Emergency Medicine, School of Medicine, Safety Promotion and Injury Prevention Research Center, Imam Hossein Hospital, Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学伊玛目侯赛因医院医学院急诊医学系安全促进与伤害预防研究中心） ； Karsh Division of Gastroenterology and Hepatology, Cedars-Sinai Medical Center（西达赛奈医疗中心卡什胃肠病与肝病科） ； Department of Medicine, Stanford University（斯坦福大学医学系） ； Division of Data Driven and Digital Health (D3M), The Charles Bronfman Institute for Personalized Medicine, Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院查尔斯·布朗夫曼个性化医学研究所数据驱动与数字健康部） ； Infectious Diseases and Tropical Medicine Research Center, Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学传染病与热带医学研究中心） ； Department of Infectious Diseases, Loghman Hakim Hospital, Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学洛格曼·哈基姆医院传染病科） ； National Institute for Health and Care Research (NIHR), Nottingham Biomedical Research Centre, Hearing Sciences, Mental Health and Clinical Neurosciences, School of Medicine, University of Nottingham（诺丁汉大学医学院国家健康与护理研究所诺丁汉生物医学研究中心听力科学、心理健康与临床神经科学）
AI总结 本文比较了经典特征机器学习模型与大语言模型在预测新冠死亡率中的性能，发现经典模型在处理高维表格数据方面仍占优势，但通过微调大语言模型可显著提升其效果。
Comments Code is available at: https://github.com/mohammad-gh009/Large-Language-Models-vs-Classical-Machine-learning and https://github.com/Sdamirsa/Tehran_COVID_Cohort. The datasets are available from the corresponding author on reasonable request (sdamirsa@ymail.com)
Journal ref Scientific Reports 15, 42712 (2025)
从论文到属性表：一种基于优先级的LLM工作流用于材料数据提取
机构 * Department of Applied Mathematics and Statistics, Johns Hopkins University（约翰霍普金斯大学应用数学与统计系） ； Department of Mechanical Engineering, Johns Hopkins University（约翰霍普金斯大学机械工程系）
AI总结 本文提出一种基于优先级的LLM工作流，用于从科研论文中自动提取和重建结构化材料实验数据，通过整合文本、表格、图表和物理推导信息，以合金劈裂强度为案例，实现了高精度的数据提取与验证。
符号模拟在宇宙学中的应用：在不牺牲精度的情况下加速宇宙学分析
机构 * Astrophysics, University of Oxford（牛津大学天体物理学） ； IAP（巴黎天体物理研究所） ； Department of Physics and Astronomy, Johns Hopkins University（约翰霍普金斯大学物理与天文学系）
AI总结 本文提出符号模拟方法，用于加速宇宙学分析，通过提高计算效率和内存使用，实现与传统数值方法一致的精度。
Comments 22 pages, 6 figures. Invited contribution for the Royal Society Philosophical Transactions A special issue "Symbolic regression in the physical sciences"
Journal ref Philos Trans A Math Phys Eng Sci (2026) 384 (2317): 20240585
ReCellTy：领域特定的知识图谱检索增强型大语言模型推理工作流用于单细胞注释
机构 * Shandong University（山东大学） ； Qilu Hospital of Shandong University（山东大学齐鲁医院） ； Johns Hopkins University（约翰霍普金斯大学） ； Cognicore Artificial Intelligence Co., Ltd.（科智人工智能有限公司）
AI总结 本文提出ReCellTy，通过整合生物信息知识图谱和多任务推理工作流，提升单细胞注释的准确性与自动化水平，改进人类评估得分和语义相似度，缩小大中小语言模型性能差距。
AdaProb: 通过自适应概率实现高效的机器遗忘
机构 * Johns Hopkins University（约翰霍普金斯大学） ； The Pennsylvania State University（宾夕法尼亚州立大学）
AI总结 本文提出AdaProb方法，通过自适应概率实现高效隐私保护的数据遗忘，实验显示其在遗忘误差、对抗攻击防护和计算效率方面均优于现有方法。
盲性拒绝：语言模型拒绝帮助用户规避不公正、荒谬和不合法的规则
机构 * Vanderbilt University（范德堡大学） ； University of Michigan（密歇根大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 研究探讨语言模型在面对不公正规则时的拒绝行为，发现模型在无安全风险情况下仍拒绝帮助，且其拒绝行为与规范推理能力脱节。
Comments 9 pages body text, 38 pages total, 4 figures
ARIA：自适应检索智能助手——面向领域特定工程教育的多模态RAG框架
机构 * Dalian University of Technology（大连理工大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 ARIA通过多模态内容提取管道和e5-large-v2模型，实现领域特定工程教育的智能教学助手，展现高精度和教学一致性，验证了其在课程相关问题上的高准确率和响应质量。
一次生命学习：从无指导探索中推断随机环境的符号世界模型
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Allen Institute for AI（艾伦人工智能研究所） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出OneLife框架，通过条件激活的程序法则在概率编程框架中推断随机环境的动态，实现从无指导探索中学习复杂环境的动力学，优于基线方法。
Comments Accepted to ICLR 2026. Project page: https://onelife-worldmodel.github.io/; 44 pages
通过临床验证的退化建模将光子计数CT转化为常规胸部CT
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of California, San Francisco（加州大学旧金山分校） ； Harvard Medical School（哈佛医学院） ； Emory University（埃默里大学） ； Nvidia（英伟达） ； Johns Hopkins Medicine（约翰霍普金斯医学）
AI总结 本文提出SUMI方法，利用高质光子计数CT作为参考，通过建模真实退化过程，将低质常规CT提升至高质量图像，实现了在胸部CT中的显著性能提升。
推理模型早期退出后的熵
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Netflix Research（Netflix研究院） ； Cornell University（康奈尔大学）
AI总结 本文提出熵后</Think>信号(EAT)用于检测和防止推理模型过度思考，通过减少冗余推理token消耗提升效率，在数学问题数据集上验证了其有效性。
Comments Code and data assets are available at https://github.com/xidulu/EAT
生成用于长文本音频摘要的合成医生-患者对话
机构 * Idiap Research Institute（Idiap 研究所） ； University of Zurich（苏黎世大学） ； The Ohio State University（俄亥俄州立大学） ； Université de Toulon, Aix Marseille Univ, LIS, CNRS（土伦大学，艾克斯-马赛大学，计算机与系统实验室，法国国家科学研究中心） ； Stenograf ； Johns Hopkins University Bloomberg School of Public Health（约翰·霍普金斯大学布隆伯格公共卫生学院） ； Colorado School of Mines（科罗拉多矿业学院） ； Allegheny Health Network（阿勒格尼健康网络） ； University of Pittsburgh Medical Center（匹兹堡大学医学中心） ； ILLS, CNRS（ILLS，法国国家科学研究中心） ； Solventum ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出生成合成医生-患者对话数据的方法，用于长文本音频摘要任务，通过多阶段流程生成包含音频和参考笔记的数据集，评估显示级联方法优于端到端模型。
Comments Submitted for review at Interspeech 2026
什么使一个好的回应？对定性访谈质量的实证分析
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文通过实证分析，探讨了定性访谈中哪些因素能预测回应质量，发现直接相关性是主要预测因素，同时指出某些常用指标不具预测性。
Comments 24 pages, 14 figures
面向非线性模型的基于贝叶斯的最优实验设计：利用马尔可夫链蒙特卡罗方法
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； Sandia National Laboratories（桑迪亚国家实验室）
AI总结 本文提出一种面向预测目标的贝叶斯最优实验设计方法，用于非线性模型，通过马尔可夫链蒙特卡罗方法估计预测目标的期望信息增益，提升实验设计的效率和准确性。
Comments 28 pages, 19 figures
Journal ref SIAM/ASA Journal on Uncertainty Quantification 14 (2026) 19-47
你的预训练扩散模型秘密知道修复
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文揭示预训练扩散模型固有修复能力，通过直接学习文本编码器输出的提示嵌入解锁，提出扩散桥框架解决训练与推理不一致问题，实现高效修复模型。
Comments Project page: https://sudraj2002.github.io/yptpage/
一个标记值得一个标记：高效生成世界建模与Delta标记
机构 * Amazon（亚马逊） ； Eindhoven University of Technology（埃因霍温理工大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出DeltaTok和DeltaWorld，通过将视频特征差值编码为单个连续标记，实现高效生成世界建模，减少参数和计算量，提升预测多样性。
Comments CVPR 2026. Code and weights: https://deltatok.github.io
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