高校专区
StraightTrack：面向混合现实导航系统的穿刺K线植入系统
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Johns Hopkins Medicine（约翰霍普金斯医学）
AI总结 StraightTrack通过混合现实导航系统提高经皮K线植入的精度，减少线弯曲问题，提升骨折固定的可靠性。
Journal ref Healthcare Technology Letters Vol. 11 Issue 6 2024
ProtRLSearch: 一种基于大语言模型的多轮多模态蛋白质搜索代理，通过强化学习进行训练
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Hangzhou Institute for Advanced Study（杭州高等研究院） ； Shenzhen Institutes of Advanced Technology（深圳先进技术研究所） ； Institute of Information Engineering（信息工程研究所） ； Johns Hopkins University（约翰霍普金斯大学） ； Henan University（河南大学）
AI总结 ProtRLSearch通过强化学习训练，利用多模态输入提升蛋白质搜索的准确性和效率，解决传统方法在多模态整合和搜索过程约束上的不足。
增强多样性推理以应对主观问题
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出MultiRole-R1框架，通过引入视角多样性和token级多样性提升主观推理性能，实验显示其在主观任务和高级数学推理中均取得显著提升。
解耦动态丰富性与表示学习：迈向实用测量
机构 * Oxford University（牛津大学） ； Seoul National University（首尔国立大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出了一种计算高效且性能无关的丰富性度量标准，用于分析动态丰富性与表示学习之间的关系，并探讨了训练因素对丰富性的影响。
Comments Published at ICLR 2026
求解带标签MRI的非线性盲逆问题：结合物理和深度生成先验
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Johns Hopkins School of Medicine（约翰霍普金斯医学院）
AI总结 本文提出了一种结合物理和深度生成先验的非线性盲逆框架，用于带标签MRI，实现了解剖恢复、高分辨率 cine 图像合成和运动估计的统一处理。
Comments Accepted at CVPR 2026
向量化的自适应直方图用于稀疏斜森林
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Google（谷歌）
AI总结 本文提出了一种向量化的自适应直方图方法，用于优化稀疏斜森林的训练速度，通过动态切换直方图与排序技术，提升了训练效率，并提供了GPU和混合CPU-GPU的实现。
方向性推理轨迹变化（DRTC）：在推理模型中识别关键轨迹段
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 DRTC通过过程因果方法识别推理模型中的关键轨迹段，揭示特定上下文元素如何引导推理轨迹。
大规模多模态基础模型：一种捕捉交互的专用专家混合框架
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出了一种大规模多模态基础模型框架，通过量化模态间的时间依赖性，改进混合专家路由机制，提升跨模态交互处理能力。
Comments Published at International Conference on Learning Representations (ICLR) 2026 as a conference paper. 28 pages, 16 figures, 10 tables
基于机器学习的下一代群体动力学多尺度建模：通过机器学习实现微观与宏观建模尺度的衔接
机构 * Modelling Engineering Risk and Complexity, Scuola Superiore Meridionale（工程风险与建模，南方高等学院） ； Institute of Science and Technology for Energy and Sustainable Mobility, Consiglio Nazionale delle Ricerche（能源与可持续交通科学研究所，国家研究理事会） ； Department of Chemical and Biomolecular Engineering, Department of Applied Mathematics and Statistics & Department of Urology, Johns Hopkins University（化学与生物分子工程系，应用数学与统计学系及泌尿科，约翰霍普金斯大学）
AI总结 本文提出基于机器学习的多尺度建模方法，通过在潜在空间中学习并重构高维空间的动力学，实现群体动力学的高效模拟。
Comments 43 pages (16 pages of Appendix), 16 figures (11 in Appendix)
FlowPortrait：基于强化学习的音频驱动肖像视频生成
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 FlowPortrait通过强化学习框架结合多模态模型和人类对齐评估系统，提升音频驱动肖像视频生成的质量和表现力。
人形机器人作为内窥手术中的第一助手
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Johns Hopkins Medical Institutions（约翰霍普金斯医学院） ； NVIDIA Corporation（NVIDIA公司）
AI总结 本文展示了一人形机器人通过遥控协助完成尸体内窥手术，验证了其在手术辅助中的可行性并指出了后续发展的挑战。
通过锚定实现模型一致性
机构 * Department of Computer and Information Sciences, University of Pennsylvania（计算机与信息科学系，宾夕法尼亚大学） ； Department of Computer Science, The Johns Hopkins University（计算机科学系，约翰霍普金斯大学）
AI总结 本文提出了一种基于锚定的技术，用于证明四种常见机器学习算法在独立模型不一致度上的界限，通过调整训练参数减少模型预测的不一致性。
Pix2Key: 通过语义分解和自监督视觉字典学习实现可控的开放词汇检索
机构 * Johns Hopkins University, Baltimore, US（约翰霍普金斯大学） ； Amazon.com, Seattle, US（亚马逊公司）
AI总结 Pix2Key通过语义分解和自监督视觉字典学习，实现可控的开放词汇检索，提升检索精度和多样性。
ViT-Linearizer: 将二次知识蒸馏到线性时间视觉模型中
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 ViT-Linearizer通过激活匹配和掩码预测方法，将ViT的二次自注意力知识蒸馏到线性时间递归模型中，提升高分辨率任务效率并改进Mamba架构性能。
面向常规和罕见OR事件可控视频合成
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Technical University Munich（慕尼黑技术大学） ； Johns Hopkins Medical Institutions（约翰霍普金斯医学机构）
AI总结 本文提出了一种可控视频合成框架，用于生成手术室中常规和罕见事件，以支持环境智能模型的发展。
Comments Accepted to IPCAI 2026 and submitted to IJCARs
通过不确定性感知奖励实现的自进化大语言模型代理
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Arizona State University（亚利桑那州立大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Purdue University（普渡大学）
AI总结 SELAUR通过将不确定性直接融入奖励设计，提升大语言模型在多步决策中的探索效率和学习稳定性。
Comments Accepted by PAKDD'26
注意力式模型中成对交互学习的最小最大速率
机构 * Department of Applied Mathematics, Tel Aviv University（特拉维夫大学应用数学系） ； School of Mathematics, Sun Yat-sen University（中山大学数学学院） ； Department of Mathematics, Johns Hopkins University（约翰霍普金斯大学数学系） ； School of Computer Science, Tel Aviv University（特拉维夫大学计算机科学学院）
AI总结 本文研究了注意力式模型中学习成对交互的最小最大速率，得出了与样本量和参数设置无关的收敛速率公式，并揭示了注意力机制的统计效率。
DOTResize: 通过基于离散最优传输的神经元合并减少LLM宽度
机构 * Center for Language and Speech Processing, Johns Hopkins University, Baltimore, MD, USA（语言与语音处理中心，约翰霍普金斯大学，巴尔的摩，MD，美国） ； Human Language Technology Center of Excellence, Johns Hopkins University, Baltimore, MD, USA（人工智能语言技术卓越中心，约翰霍普金斯大学，巴尔的摩，MD，美国）
AI总结 DOTResize通过离散最优传输方法实现神经元宽度缩减，作为剪枝的补充手段，有效降低计算成本。
多模态任意模态的多向量索引压缩
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出注意力引导聚类方法，用于在任意模态中高效压缩多向量索引，提升检索性能。
Comments 12 pages, 4 figures
带有未知质量分布预测的滑雪租赁
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 该研究提出了一种在未知质量分布预测下滑雪租赁问题的算法，通过分布预测改进了传统方法，实现了在预测误差为零时O(sqrt(b))的加性损失和预测误差任意大时O(b log b)的鲁棒性。
一个非常大的视频推理套件
机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。
Comments Homepage: https://video-reason.com/
DECAF：动态包络上下文感知融合用于从EEG中重建语音包络
机构 * Laboratory for Computational Audio Perception, Johns Hopkins University, USA（计算听觉感知实验室，约翰霍普金斯大学，美国）
AI总结 DECAF通过动态状态空间融合模型结合EEG神经估计与语音上下文预测，提升从EEG重建语音包络的准确性与连贯性。
Comments Accepted at ICASSP 2026
安全且可解释的多模态路径规划用于多智能体协作
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 CaPE通过多模态路径规划实现安全且可解释的多智能体协作，利用视觉-语言模型和模型基于规划器确保路径调整的安全性和可解释性。
对高自动化AI系统中自动化风险的量化：一种贝叶斯框架用于故障传播和最优监管
机构 * Whiting School of Engineering（惠特инг工程学院） ； Johns Hopkins University（约翰霍普金斯大学） ； Harrisburg University of Science and Technology（哈里斯堡科学技术大学）
AI总结 本文提出了一种贝叶斯框架，用于量化高自动化AI系统中的风险，通过分解预期损失为故障概率、传播概率和严重性，提供部署导向的风险治理工具。
由编码器嵌入驱动的图神经网络用于改进节点学习
机构 * Department of Applied Mathematics and Statistics (AMS), Johns Hopkins University（应用数学与统计学系，约翰霍普金斯大学） ； Microsoft Research（微软研究院） ； Department of Applied Mathematics and Statistics (AMS), the Center for Imaging Science (CIS), and the Mathematical Institute for Data Science (MINDS), Johns Hopkins University（应用数学与统计学系，影像科学中心，数据科学数学研究所，约翰霍普金斯大学）
AI总结 本文提出了一种基于编码器嵌入的图神经网络框架，通过结构感知的初始化提升节点学习性能，实验表明在多种任务中均取得显著效果。
具备上下文感知的非对称集成用于通过主动查询和血管注意力的可解释早产视网膜病变筛查
机构 * m-Health Lab, Department of Biomedical Engineering, Bangladesh University of Engineering（m-Health实验室，生物医学工程系，孟加拉国工程大学） ； Center for Bioengineering Innovation（生物工程创新中心） ； Design, Department of Biomedical Engineering, Johns Hopkins University, Baltimore, MD, USA（设计，生物医学工程系，约翰霍普金斯大学，巴尔的摩，MD，美国）
AI总结 本文提出具备上下文感知的非对称集成模型，通过主动查询和血管注意力技术，实现早产视网膜病变筛查的高准确率和可解释性。
Comments 16 pages, 6 figures
补丁化中的缩放定律：一张图像等于50,176个标记并更多
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Florida（佛罗里达大学）
AI总结 研究探讨了补丁化中的缩放定律，发现减小补丁大小可提升模型性能，最终达到像素标记化，并在ImageNet-1k上实现了84.6%的准确率。
在TinyML中实现去中心化的资源共享：用于协作学习的无线双层 gossip 平行 SGD
机构 * Department of Computing, Imperial College London（帝国理工学院伦敦分校计算机系） ； Nottingham Trent University（诺丁汉特伦特大学） ； Trasna-Solutions Ltd.（Trasna-Solutions有限公司） ； Department of Computer Science and Electrical Engineering, University of Maryland Baltimore County（马里兰大学巴尔的摩县计算机科学与电气工程系） ； 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 本文提出了一种双层gossip平行SGD框架，用于在资源受限的边缘设备上实现去中心化的联邦学习，通过高效模型聚合和通信结构，提升协作学习的准确性和效率。
Journal ref IEEE Pervasive Computing, 2026
黑盒安全评估的根本限制：从潜在上下文条件化的信息论和计算障碍
机构 * Whiting School of Engineering（韦斯利工程学院） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文研究了黑盒安全评估的根本限制，揭示了潜在上下文条件化策略在部署风险估计中的信息论和计算障碍，提出了被动和自适应评估的下界以及计算分离的结论。
无配对图像到图像翻译的自监督语义桥
机构 * Stanford University（斯坦福大学） ； LLNL（劳伦斯利弗莫尔国家实验室） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出自监督语义桥框架，通过整合外部语义先验实现无配对图像到图像翻译的高保真度，提升医学图像合成效果。
Comments 36 pages
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