高校专区
面向大语言模型的可解释交通流预测
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） ； Johns Hopkins University（约翰霍普金斯大学） ； Department of Civil and System Engineering（土木与系统工程系）
AI总结 本文提出xTP-LLM模型，利用大语言模型生成可解释的交通流预测，首次将LLM应用于交通预测的可解释性研究。
Comments 31pages, 16 figures
Journal ref Communications in Transportation Research, vol. 4, 100150, 2024
仅编码器图像配准
机构 * School of Artificial Intelligence and Robotics, Hunan University（人工智能与机器人学院，湖南大学） ； Cornell University（康奈尔大学） ； 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 Electrical and Computer Engineering, National University of Singapore（电气与计算机工程系，国立新加坡大学）
AI总结 EOIR通过仅编码器架构实现图像配准的高精度与高效率平衡，利用卷积网络线性化局部强度和和谐化全局对比度变化，构建拉普拉斯特征金字塔以逐步生成全微分变形。
Comments accepted by IEEE Transactions on Circuits and Systems for Video Technology
一种大规模异构三维磁共振脑成像数据集用于自监督学习
机构 * Department of Computer Science, University of Copenhagen（计算机科学系，哥本哈根大学） ； Pioneer Centre For AI（人工智能先锋中心） ； Copenhagen Research Centre for Biological and Precision Psychiatry（哥本哈根生物与精准精神病学研究中心） ； Mental Health Centre Copenhagen（哥本哈根心理健康中心） ； Copenhagen University Hospital（哥本哈根大学医院） ； Rigshospitalet（皇家医院） ； Radiological AI Testcenter（放射学AI测试中心） ； Athinoula A. Martinos Center for Biomedical Imaging（Athinoula A. Martinos生物医学成像中心） ； Massachusetts General Hospital and Harvard Medical School（麻省总医院和哈佛医学院） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 FOMO300K是一个大规模异构三维磁共振脑成像数据集，旨在支持自监督学习在医学影像中的发展和评估。
ReasAlign: 基于推理增强的安全对齐以抵御提示注入攻击
机构 * Washington University in St. Louis（华盛顿大学圣路易斯分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； NVIDIA（NVIDIA公司） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 ReasAlign通过结构化推理和测试时缩放机制，有效防御提示注入攻击，实现安全与效用的最佳平衡。
Comments 15 pages, 10 figures
自适应标签错误检测：一种用于误标数据检测的贝叶斯方法
机构 * Department of Biomedical Engineering, Johns Hopkins University（约翰霍普金斯大学生物医学工程系） ； Systems, Synthetic, and Quantitative Biology Program, Harvard University（哈佛大学系统、合成与定量生物学项目） ； Yale School of Medicine（耶鲁医学院） ； Department of Biostatistics, Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学布卢姆伯格公共卫生学院生物统计学系） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Department of Radiology and Radiological Science, Johns Hopkins University School of Medicine（约翰霍普金斯大学医学院放射学与放射科学系） ； Malone Center for Engineering in Healthcare, The Whiting School of Engineering, Johns Hopkins University（约翰霍普金斯大学医疗工程中心，工程学院）
AI总结 本文提出ALED方法，通过深度卷积神经网络提取特征并利用高斯分布建模，实现对误标数据的高效检测，实验显示其在医学影像数据集上显著提升检测灵敏度。
Comments 10 pages, 5 figures
AutoToM: 通过自动化代理建模实现基于模型的心理推理扩展
机构 * Peking University（北京大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 AutoToM通过自动化代理建模实现可扩展、稳健且可解释的心理推理，优于现有方法并支持在线心理推理。
Comments NeurIPS 2025 (Spotlight). 42 pages, 11 figures, 15 tables. Website at https://chuanyangjin.com/AutoToM/
研究检索增强生成系统在无法回答、无法欺骗、现实、多跳查询上的应用
机构 * Yale University（耶鲁大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Human Language Technology Center of Excellence（语言技术中心卓越中心） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出了一种自动创建难以欺骗、现实、无法回答和多跳查询的流程，以更真实地测试RAG系统的性能。
Comments ECIR 2026
基于在线张量LDA的大规模政治文本分析
机构 * Harvard University（哈佛大学） ； NVIDIA（英伟达） ； Johns Hopkins University（约翰霍普金斯大学） ； California Institute of Technology（加州理工学院）
AI总结 本文提出了一种可扩展的TLDA方法，用于大规模政治文本分析，实现了高效计算和内存使用，支持对大规模社交媒体数据的深入研究。
Comments 64 pages, 11 figures
Journal ref Polit. Anal. 34 (2026) 53-77
知晓而不做：在大语言模型中收敛的道德与发散的行为
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Chinese University of Hong Kong（香港中文大学） ； Rutgers University（罗格斯大学）
AI总结 研究揭示了大语言模型在价值对齐训练下仍存在知识与行为之间的不一致，通过ValAct-15k数据集发现模型在情境决策上高度一致，但自我报告与实际行为关联较弱。
Comments 9 pages, 7 figures
基于Web代理的权限声明
机构 * University of Oxford（牛津大学） ； Institute for Decentralized AI（去中心化人工智能研究所） ； Centre for the Governance of AI（人工智能治理中心） ； Coral Protocol（珊瑚协议） ； Cooperative AI Foundation（协作人工智能基金会） ； Webair ； Johns Hopkins University（约翰霍普金斯大学） ； Witan Labs（Witan实验室） ； Stanford University（斯坦福大学） ； Microsoft（微软） ； UT Austin（得克萨斯大学奥斯汀分校）
AI总结 本文提出 agent-permissions.json，一种轻量级声明，用于规范 Web 代理的交互权限，以提升自动化应用与网站所有者的协调性。
Comments Authored by the Lightweight Agent Standards Working Group https://las-wg.org/
对生成式AI研究的人文学科挑衅
机构 * Emory University（埃默里大学） ； Princeton University（普林斯顿大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Colorado Boulder（科罗拉多大学丹佛分校） ； University of Washington（华盛顿大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Richmond（里士满大学） ； Cornell University（康奈尔大学）
AI总结 本文提出八个针对生成式AI研究的人文学科观点，强调人文学科在AI发展中的重要性，并呼吁抵制将人文学科研究纳入计算机科学领域。
Comments revised draft; final version in preparation
证明时间：评估科学思想判断的基准
机构 * Harvard University（哈佛大学） ； Mass General Brigham（麻省总医院） ； Boston Children’s Hospital（波士顿儿童医院） ； Brandeis University（布兰迪大学） ； Yale University（耶鲁大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 PoT通过半可验证的基准框架评估科学思想判断，利用时间分区和未来可验证的目标，结合离线沙盒实现可扩展的评估。
Comments under review
模块化端到端自动驾驶范式中的软件硬件协同优化：一种统一的优化方法、仿真环境和评估指标框架
机构 * School of Transportation, Southeast University（东南大学交通学院） ； School of Electronic Science and Engineering, Southeast University（东南大学电子科学与工程学院） ； Department of Civil and Systems Engineering, Johns Hopkins University（约翰霍普金斯大学土木与系统工程系）
AI总结 本文提出了一种模块化端到端自动驾驶范式的软件硬件协同优化框架，通过统一的优化方法、仿真环境和评估指标，有效降低推断延迟和能耗，提升系统整体性能。
Comments 17pages,6 figures,6 tables
对抗提示攻击的防御学习表面启发式
机构 * University of Southern California（南加州大学） ； University of California, Berkeley（加州大学伯克利分校） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Amazon（亚马逊公司） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文研究了对抗提示攻击防御中表面启发式的问题，发现现有方法易受表面模式影响，提出受控数据集和系统评估以揭示监督微调的局限性。
AURA-CVC: 自主超声引导的机器人辅助中心静脉置管
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Siemens Healthineers（西门子医疗） ； University of Maryland（马里兰大学） ； Penn State University（宾夕法尼亚州立大学）
AI总结 AURA-CVC提出了一种自主超声引导的机器人辅助中心静脉置管系统，实现了从扫描初始化到针头插入的全流程自动化，通过深度学习和运动规划技术在高保真度仿真人体上验证，展示了其在临床应用中的潜力。
Comments Accepted in International Journal of Computer Assisted Radiology and Surgery (IJCARS) 2026
MixDPO：建模偏好强度以实现多元对齐
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 MixDPO通过建模偏好强度差异，提升多样的偏好对齐性能，同时保持子群体偏好，适用于高异质性场景。
MaxCode: 一种用于自动代码优化的max-奖励强化学习框架
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Amazon Web Services（亚马逊网络服务）
AI总结 MaxCode通过max-reward强化学习框架提升代码优化性能，实现20.3%的绝对速度提升和10.1%的相对排名提升。
高效噪声LLM-as-a-Judge评估
机构 * Departments of Biostatistics and Computer Science, Johns Hopkins University（生物统计学与计算机科学系，约翰霍普金斯大学） ； Department of Statistics, University of California, Berkeley（统计学系，加州大学伯克利分校） ； Department of Biostatistics, University of California, Los Angeles（生物统计学系，加州大学洛杉矶分校） ； Department of Biostatistics, Johns Hopkins University（生物统计学系，约翰霍普金斯大学）
AI总结 本文提出了一种高效方法，通过半参数效率理论统一了测量误差校正和预测驱动推断，以提高LLM-as-a-judge评估的准确性。
ReVision: 通过显式3D运动建模改进视频扩散
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 ReVision通过整合参数化的3D运动模型，提升视频生成中复杂动作和交互的真实性和可控性。
Comments TMLR camera-ready version. Project Page: https://revision-video.github.io/
MVT：基于分类对齐的土地覆盖标签的掩码导向视觉-语言模型
机构 * HKUST（香港科技大学） ； JHU（约翰·霍普金斯大学） ； CUHKSZ（香港中文大学） ； NUS（新加坡国立大学） ； MUST（穆斯林大学）
AI总结 MVT通过三阶段框架结合类无关掩码证据与基于分类的场景解释，提升遥感土地覆盖标签的准确性和信息性。
Comments The project is available at https://charlescsyyy.github.io/MVT
音乐源恢复挑战赛概述
机构 * Independent Researcher（独立研究者） ； Johns Hopkins University（约翰霍普金斯大学） ； The Chinese University of Hong Kong（香港中文大学） ； Sony AI（索尼人工智能） ； King's College London（伦敦国王学院）
AI总结 音乐源恢复挑战赛评估了不同系统在恢复退化音频中乐器声部的性能，揭示了不同乐器恢复难度差异及各系统表现
当前智能体无法利用世界模型作为前瞻性工具
机构 * UIUC（伊利诺伊大学香槟分校） ； THU（清华大学） ； JHU（约翰霍普金斯大学） ； Columbia（哥伦比亚大学）
AI总结 本文研究了当前智能体能否利用世界模型作为工具提升前瞻性认知，发现其在模拟调用和结果整合方面存在显著不足。
Comments 36 Pages, 13 Figures, 17 Tables (Meta data updated)
识别部件：3D部件分割与命名
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 ALIGN-Parts提出了一种高效的一次性3D部件分割与命名方法，通过集合对齐任务实现开放词汇匹配，构建统一本体并引入新指标。
Comments Project page at https://name-that-part.github.io
具有人格意识和可解释性的自行车适应性评估：一种视觉-语言模型方法
机构 * University of Alabama（阿拉巴马大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Stony Brook University（石溪大学） ； University of Florida（佛罗里达大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出一种视觉-语言模型框架，通过人格意识和可解释性方法评估自行车适应性，解决道路环境复杂性和用户感知异质性问题。
具有物理信息的高斯过程回归用于混凝土本构建模：一种数据驱动的改进现象模型
机构 * Hopkins Extreme Materials Institute（霍普金斯极端材料研究所） ； Johns Hopkins University（约翰霍普金斯大学） ； Dept. of Civil and Systems Engineering（土木与系统工程系） ； Karagozian and Case, Inc.（卡罗金和凯斯公司） ； Dept. of Mechanical Engineering（机械工程系）
AI总结 本文提出了一种基于物理信息的高斯过程回归方法，用于改进混凝土的本构建模，通过引入约束条件提升模型的准确性和可靠性，同时保持模型的可解释性和效率。
群体敏感的离线上下文老虎机
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出了一种群体敏感的离线上下文老虎机优化框架，通过引入群体奖励差异约束，减少策略学习中的群体间奖励不平等，同时保持整体性能的竞争性。
CoSER：一个综合的文学数据集和框架，用于训练和评估LLM角色扮演和人设模拟
机构 * Fudan University（复旦大学） ； StepFun ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 CoSER通过高质量文学数据集和开放模型，训练和评估LLM角色扮演能力，其70B模型在多个基准测试中超越GPT-4o。
Comments Accepted by ICML 2025
具有物理约束的自编码器辅助贝叶斯优化用于高维缺陷敏感单晶结构的精修
机构 * Bredesen Center for Interdisciplinary Research, University of Tennessee, Knoxville, USA（跨学科研究中心，田纳西大学） ； Center for Advanced Material Science and Manufacturing, University of Tennessee, Knoxville, TN 37996, USA（先进材料科学与制造中心，田纳西大学） ； Department of Physics and Astronomy, University of Tennessee, Knoxville, TN 37996, USA（物理与天文学系，田纳西大学） ； Georgia Institute of Technology, Atlanta, GA 30332, USA（佐治亚理工学院） ； Virginia Polytechnic Institute and State University, Blacksburg, VA 24061, USA（弗吉尼亚理工大学） ； Department of Materials Science and Engineering, University of Tennessee, Knoxville, TN 37996, USA（材料科学与工程系，田纳西大学） ； Department of Physics and Astronomy, Institute for Quantum Matter, Johns Hopkins University, Baltimore, MD 21218（物理与天文学系，量子物质研究所，约翰霍普金斯大学） ； Department of Materials Science and Engineering, Johns Hopkins University, Baltimore, MD 21218（材料科学与工程系，约翰霍普金斯大学） ； The Ralph O’Connor Sustainable Energy Institute, Johns Hopkins University, Baltimore, MD 21218（罗伯特·奥康纳可持续能源研究所，约翰霍普金斯大学） ； Advanced Photon Source, Argonne National Lab, Lemont, IL 60439, USA（先进光子源，阿贡国家实验室） ； University of Tennessee-Oak Ridge Innovation Institute, Knoxville, TN 37996, USA（田纳西大学奥本创新研究所）
AI总结 本文提出结合物理约束变分自编码器与贝叶斯优化的方法，用于高维缺陷敏感单晶结构的精修，以提高精修效率和准确性。
Comments 15 pages, 8 figures
引导属性的Matryoshka稀疏自编码器蒸馏
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出DMSAEs方法，通过迭代蒸馏过程提取一致的稀疏特征核心，提升SAEBench指标并验证跨稀疏性水平的特征转移能力。
通过精度分解实现混合潜在混淆的因果发现
机构 * Vanderbilt University Medical Center（范德比尔特大学医学中心） ； Johns Hopkins University（约翰霍普金斯大学） ； MD Anderson Cancer Center（MD安德森癌症中心）
AI总结 DCL-DECOR通过精度分解分离混合潜在混淆，有效恢复因果图结构并提高有向边识别精度。
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