高校专区
打破冻结子空间：用于大语言模型预训练低秩优化的重要性采样
机构 * Rice University（Rice大学） ； University of North Carolina at Charlotte（北卡罗来纳州立大学） ； University of Minnesota Twin Cities（明尼苏达大学双城分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出了一种具有可证明收敛性的低秩优化方法，用于大语言模型预训练，以解决主导子空间在预训练中冻结的问题，并在实验中表现出优越的性能。
Comments NeurIPS 2025
具有增强约束优化求解器和D-最优采样的物理信息多项式混沌展开
机构 * Brno University of Technology, Brno, Czech Republic（布拉格技术大学） ； Johns Hopkins University, Baltimore, USA（约翰霍普金斯大学）
AI总结 本研究通过引入高效约束优化求解器和D-最优采样策略，改进了物理信息多项式混沌展开方法，提升了其在高维不确定性量化中的性能和稳定性。
基于高斯过程的自监督学习
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） ； Apple（苹果公司）
AI总结 本文提出GPSSL，利用高斯过程进行自监督学习，通过高斯过程先验优化表示，提升表示平滑性和不确定性量化能力，在多种任务中表现更优。
上下文混合用于长视频生成
机构 * Stanford University（斯坦福大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出上下文混合（MoC）模块，通过稀疏注意力路由解决长视频生成中的长上下文记忆问题，提升模型在长序列中的效率与一致性。
Comments Project page: https://primecai.github.io/moc/
Compactor: 基于近似杠杆分数的校准查询无关KV缓存压缩
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 Compactor通过近似杠杆分数实现查询无关的KV缓存压缩，减少内存占用并提升性能，适用于多种语言模型部署场景。
TREC 2025 VQA 轨道中 HLTCOE 评估团队：视觉问答任务
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Human Language Technology Center of Excellence（人文语言技术卓越中心）
AI总结 HLTCOE 评估团队在 TREC 2025 VQA 轨道中提出了一种列表学习框架，通过结合生成模型与判别排名，提升答案生成的语义精度和排名一致性。
Comments 7 pages, 1 figure
基于大语言模型的时序数据预测中的上下文学习与少样本学习
机构 * Department of Computer Science（计算机科学系） ； Texas Tech University（德克萨斯理工大学） ； Advanced Academic Programs Science（高级学术计划科学） ； Johns Hopkins University（约翰霍普金斯大学） ； Cumberland University（坎布里奇大学）
AI总结 本文研究了基于大语言模型的时序数据预测，探讨了上下文学习、零样本和少样本学习方法，发现TimesFM在预测性能上表现最佳。
看得更多，改变更少：面向对比增强的解剖感知扩散模型
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Copenhagen（哥本哈根大学） ； University of Virginia（弗吉尼亚大学） ； University of Bologna（博洛尼亚大学） ； Italian Institute of Technology（意大利理工学院） ； University of Zurich（苏黎世大学） ； ETH AI Center（ETH人工智能中心） ； Istanbul Medipol University（伊斯坦布尔梅迪波尔大学） ； Jagiellonian University（雅盖隆大学） ； NVIDIA（NVIDIA公司） ； Johns Hopkins Medicine（约翰霍普金斯医学） ； University of California, San Francisco（旧金山大学）
AI总结 SMILE是一种解剖感知扩散模型，通过结构感知监督和统一推理，在医学图像对比增强中实现更准确且临床有价值的图像生成。
期望-最大化作为可扩展医学智能的引擎
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Bologna（博洛尼亚大学） ； Italian Institute of Technology（意大利理工学院） ； University Hospital Basel（巴塞尔大学医院） ； DKFZ（德累斯顿生物医学研究中心） ； Jagiellonian University（雅盖隆大学） ； University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, San Francisco（旧金山大学） ； NVIDIA（NVIDIA公司） ； Johns Hopkins Medicine（约翰霍普金斯医学）
AI总结 ScaleMAI通过期望-最大化过程统一数据标注与模型开发，生成大规模标注数据集并提升肿瘤诊断性能。
双路径区域引导注意力网络用于地面反作用力和力矩回归
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出双路径区域引导注意力网络，通过整合空间和时间先验，实现对地面反作用力和力矩的高精度回归。
dVLM-AD：通过可控推理增强扩散视觉语言模型以实现驾驶
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； NVIDIA（英伟达） ； Stanford University（斯坦福大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 dVLM-AD通过可控推理提升扩散视觉语言模型，实现更一致的驾驶推理与规划性能。
忒修斯之船网络（类似忒修斯之船）
机构 * MIT CSAIL, CBMM（麻省理工学院计算机科学与人工智能实验室，CBMM） ； Department of Cognitive Science, Johns Hopkins University（约翰霍普金斯大学认知科学系）
AI总结 忒修斯之船网络（NoT）通过解耦优化与部署，实现训练架构到目标架构的逐步转换，保留性能并拓展推理架构的可能性。
Comments Preprint. 24 pages, 9 figures, 8 tables
通过分层条件扩散模型解开蛋白质生成之谜
机构 * University of Tulsa（塔尔萨大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Indiana University Bloomington（印第安纳大学布卢明顿分校） ； Auburn University（阿伯茨维尔大学）
AI总结 本文提出了一种分层条件扩散模型，整合序列和结构信息，以高效生成功能导向的蛋白质，并引入新的评估指标评估生成质量。
学习解决带约束双层控制协同设计问题
机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室） ； University of Virginia（弗吉尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出了一种框架，利用现代微分技术学习解决带约束双层优化问题，展示神经网络在参数双层优化中的高效近似能力。
多视图图学习与图元组
机构 * Department of Applied Mathematics and Statistics（应用数学与统计学系） ； Johns Hopkins University（约翰霍普金斯大学） ； Flatiron Institute（Flatiron研究所）
AI总结 本文提出多视图图元组框架，通过异质信息传递架构提升图神经网络的表现力，应用于分子属性预测和宇宙学参数推断，展现其在处理密集图数据中的优势。
Comments Accepted as a poster at the TAG-DS 2025 Workshop (Topology, Algebra, and Geometry in Data Science). OpenReview: https://openreview.net/forum?id=s4ezAuj5xM
ParlAI Vote：一个用于分析大型语言模型中性别和政治偏见的网络平台
机构 * Purdue University（普渡大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Vanderbilt University（范德比大学） ； University of Toronto（多伦多大学） ； The University of Melbourne（墨尔本大学）
AI总结 ParlAI Vote是一个用于分析大型语言模型中性别和政治偏见的网络平台，通过可视化和交互功能揭示LLMs在政治分析中的系统性偏见。
Comments online demo: https://euro-parl-vote-demo.vercel.app/; Video: https://www.youtube.com/@Jinrui-sf2jg
生成视频中的物体比看起来更慢：模型遭受次地球重力并目前还不知道伽利略原理...
机构 * Indian Institute of Science（印度科学研究院） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 研究发现视频生成器在重力表示上存在偏差，通过针对性适配可提升其重力模拟精度。
Comments https://gravity-eval.github.io/
通过叶均值进行决策树嵌入
机构 * Department of Applied Economics and Statistics, University of Delaware（应用经济学与统计学系，德雷克大学） ； Department of Statistics, Operations, and Data Science, Temple University（统计学、运营与数据科学系，泰普尔大学） ； 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（AMS）、成像科学中心（CIS）和数据科学数学研究所（MINDS），约翰霍普金斯大学）
AI总结 本文提出决策树嵌入方法，通过叶均值构建可解释特征表示，结合线性判别分析实现高效分类，平衡了准确率与计算效率。
Comments 9 pages
DenoiseGS：基于高斯重建的爆破去噪模型
机构 * Shanghai Jiao Tong University（上海交通大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 DenoiseGS通过高斯自一致性损失和对数加权频率损失，实现了高效且高质量的爆破去噪，显著优于现有方法并提升推理速度。
Comments Update Abstract
如何测量文本中的隐私？文本匿名化度量的调查
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文通过系统调查澄清文本隐私度量标准，分析六个隐私概念与法律标准的契合度，为隐私评估提供指导。
Comments 13 pages, 1 figure, 1 table. To be published in Findings of the Association for Computational Linguistics (AACL-IJCNLP 2025). Related resources at: https://github.com/ryxGuo/privacy-metrics-survey
通过指令遵循意图分析缓解间接提示注入
机构 * NVIDIA ； 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 IntentGuard通过分析指令遵循意图，有效缓解间接提示注入攻击，保持模型性能并降低攻击成功率
基于轮廓的步态基础模型
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Shenzhen University（深圳大学）
AI总结 FoundationGait是首个可扩展的自监督预训练框架，用于步态理解，通过大规模预训练在多个数据集上实现稳健的步态识别性能。
DiffProtect: 用扩散模型生成对抗示例以保护面部隐私
机构 * Johns Hopkins University（约翰霍普金斯大学） ； City University of Hong Kong（香港城市大学） ； University of St Andrews（圣安德鲁大学）
AI总结 DiffProtect利用扩散模型生成高质量对抗示例，提升面部隐私保护的视觉质量和攻击成功率
Comments Code is at https://github.com/joellliu/DiffProtect/
USB：统一合成大脑框架用于双向病理-健康生成与编辑
机构 * Department of Electrical and Computer Engineering, Data Science and AI Institute, Johns Hopkins University（电气与计算机工程系，数据科学与人工智能研究所，约翰霍普金斯大学）
AI总结 USB提出统一合成大脑框架，实现病理与健康脑图像的双向生成和编辑，通过配对扩散机制和一致性指导算法提升生成质量与解剖一致性。
Comments 16 pages, 17 figures
算法社交媒体信息流中重新排序偏见影响情感极化
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Washington（华盛顿大学） ； Northeastern University（东北大学） ； Stanford University（斯坦福大学）
AI总结 通过实时重新排序信息流，研究暴露于反民主内容如何影响情感极化，提供因果证据并建立独立评估方法。
Journal ref Science; Volume 390 | Issue 6776; 27 November 2025
ProxT2I：通过近端扩散实现高效的奖励引导文本到图像生成
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Amazon（亚马逊）
AI总结 ProxT2I通过近端扩散和奖励引导方法，提升文本到图像生成的效率和人类偏好对齐，实现高效且轻量的生成效果。
超越分数：近端扩散模型
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） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）
AI总结 本文提出近端扩散模型，通过近端映射替代分数，实现理论和实践上的改进，显著提升收敛速度。
场景作为标记：多尺度正常分布变换标记器用于通用3D视觉-语言理解
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Microsoft（微软公司）
AI总结 NDTokenizer3D通过多尺度NDT表示和解码器实现通用3D视觉-语言理解，提升3D场景任务性能。
群平均用于物理应用：零训练成本下的精度提升
机构 * Center for Cosmology and Particle Physics（宇宙与粒子物理中心） ； Department of Physics（物理系） ； New York University（纽约大学） ； Department of Applied Mathematics & Statistics and Mathematical Institute for Data Science（应用数学与统计系及数据科学数学研究所） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出通过群平均技术在零训练成本下提升物理应用中模型的预测精度，实验表明该方法能有效降低评估损失并改善连续动态预测效果。
Comments 10 pages, 2 figures, 1 table, Machine Learning and the Physical Sciences Workshop, NeurIPS 2025
Journal ref Machine Learning and the Physical Sciences Workshop, NeurIPS 2025
FlowTok: 在文本和图像标记之间无缝流动
机构 * ByteDance Seed（字节跳动种子） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 FlowTok通过将图像编码为紧凑的1D标记，实现文本与图像模态间的无缝流动，提升效率与性能。
Comments Project page at https://tacju.github.io/projects/flowtok.html
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