高校专区
AGAPI-Agents：用于在AtomGPT.org上加速材料设计的开放访问智能代理人工智能平台
机构 * Johns Hopkins University（约翰霍普金斯大学） ； West Virginia University（西弗吉尼亚大学）
AI总结 研究智能代理人工智能系统中工具访问对预测准确性的影响，核心方法是构建AGAPI平台整合多种模型与工具，主要贡献是明确其在材料设计中能提高精度、展示多步骤工作流程且证实工具在特定情况下不可或缺。
Comments 35 pages, 5 figures
无参数和组条件在线共形预测
机构 * Data Science and AI Institute (DSAI), Johns Hopkins University（数据科学与人工智能研究院（DSAI），约翰霍普金斯大学） ； Mathematical Institute for Data Science (MINDS), Johns Hopkins University（数据科学数学研究院（MINDS），约翰霍普金斯大学） ； Department of Biomedical Engineering, Johns Hopkins University（生物医学工程系，约翰霍普金斯大学） ； Department of Computer Science, Johns Hopkins University（计算机科学系，约翰霍普金斯大学） ； Amazon Responsible AI（亚马逊负责任人工智能）
AI总结 提出一种无参数算法用于组条件在线共形预测，在保证组条件覆盖的同时无需调参，并在合成和真实数据上验证了其有效性和可靠性。
AtomBench：传统超导体中生成晶体重建模型的基准测试框架
机构 * Department of Physics and Astronomy, West Virginia University（物理与天文学系，西弗吉尼亚大学） ； Department of Materials Science and Engineering, Whiting School of Engineering, The Johns Hopkins University（材料科学与工程系，韦廷工程学院，约翰霍普金斯大学）
AI总结 研究针对生成晶体重建模型，提出可扩展、模型无关的AtomBench框架，在传统超导体晶体重建任务中比较四个模型，用多种指标衡量重建保真度，得出各模型表现及相关结论，还开源该框架供社区使用。
MLLM-LLaVA-FL：多模态大语言模型辅助联邦学习
机构 * Duke University（杜克大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Maryland College Park（马里兰大学学院市分校） ； Lenovo Research（联想研究院）
AI总结 针对联邦学习中数据异质性问题，提出MLLM-LLaVA-FL框架，利用多模态大语言模型，通过全球视觉文本预训练、客户端本地训练和服务器端全局对齐三个阶段，提升联邦学习性能。
Comments Accepted to WACV 2025
Journal ref IEEE/CVF Winter Conference on Applications of Computer Vision (WACV 2025)
ProPS：面向自然语言条件化说话人嵌入分布的提示式画像合成
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 针对现有说话人嵌入提取器仅具备描述性不具备生成性的问题，提出ProPS框架，基于自然语言提示生成符合指定属性的说话人嵌入分布，支撑可控语音生成任务。
模型置信度引导的多图像融合眼底图像糖尿病视网膜病变诊断方法
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Wilmer Eye Institute, Department of Ophthalmology, Johns Hopkins University（约翰霍普金斯大学威尔默眼科研究所） ； Department of Biomedical Engineering, Johns Hopkins University（约翰霍普金斯大学生物医学工程系） ； Bakar Computational Health Sciences Institute, University of California San Francisco（加州大学旧金山分校巴卡计算健康科学研究所） ； Department of Ophthalmology, University of California San Francisco（加州大学旧金山分校眼科系） ； Division of Clinical Informatics and Digital Transformation, University of California San Francisco（加州大学旧金山分校临床信息学与数字化转型 division）
AI总结 针对资源有限地区糖网病早期筛查需求，提出置信度引导的多图像融合框架，整合多眼底视图提升诊断置信度与准确率，性能优于传统图像质量级联流水线，适配低延迟移动筛查场景。
SPEARBench：面向流式语音转语音语言模型的自然度评估基准
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） ； Amazon Inc.（亚马逊公司）
AI总结 针对现有基准无法评估流式语音转语音模型对话自然度的问题，构建多维度评估基准SPEARBench，可从多维度评测模型，发现当前模型在多类对话行为维度仍与人类存在差距。
Comments Corresponding Website: https://thomasthebaud.github.io/SPEAR-benchmark-website/#welcome
利用环境信号探测地理空间自监督学习表示
机构 * Johns Hopkins Applied Physics Laboratory（约翰·霍普金斯大学应用物理实验室） ； Johns Hopkins University（约翰·霍普金斯大学）
AI总结 针对地理空间自监督学习表示内在信息分析不足问题，用匹配的ERA5环境变量探测其对环境信号的编码能力，发现相关指标可区分下游性能相近模型，还开源了配套标注数据集。
当智能体的记忆留存却不外露：持久化个人智能体中的隐秘内存注入攻击
机构 * Nanyang Technological University（南洋理工大学） ； CFAR, A*STAR（CFAR，A*STAR） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 针对持久化个人智能体的隐秘内存注入威胁，构建多场景基准测试集WhisperBench，提出单次邮件投送的黑盒攻击框架MemGhost，可跨架构、跨防御实现高成功率的长期智能体入侵。
Comments 25 pages, 8 figures. Preprint
使用ViT和基于堆叠的集成方法的自动多模态青光眼检测框架
机构 * Department of Computer Science and Engineering, Shahjalal University of Science and Technology（肖哈尔大学科学与技术学院计算机科学与工程系） ； Department of Electrical Engineering, Qatar University（卡塔尔大学电气工程系） ； Department of Electronics and Communication Engineering, Kuwait College of Science and Technology（科威特科学与技术学院电子与通信工程系） ； Department of Interdisciplinary Engineering, Kennesaw State University（肯尼斯州立大学跨学科工程系） ； Department of Biomedical Engineering, School of Medicine, Johns Hopkins University（约翰霍普金斯大学医学院生物医学工程系） ； Department of Biomedical Engineering, University of Oxford（牛津大学生物医学工程系） ； Department of Computer Science and Engineering, Vellore Institute of Technology（维洛雷理工学院计算机科学与工程系）
AI总结 研究在样本级和患者级设置下的青光眼检测，提出整合眼底图像与临床数据的自动多模态框架，用ViT提取特征，经典机器学习模型分类，堆叠集成优化性能，实验验证其高性能并部署为网络平台。
面向大规模场景重建的结构感知高斯泼溅
机构 * Tongji University（同济大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Westwell Technology Co., Ltd（上海西井科技股份有限公司） ； Beijing University of Technology（北京工业大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 针对大规模场景中稀疏观测区域导致的高斯过度密集和冗余问题，提出SIG调度器，通过信号结构恢复视角同步图像监督与高斯频率，并引入球约束高斯控制优化，显著提升效率与渲染质量。
TurnNat：双人口语对话中轮流自然性的自动评估
机构 * Center for Language and Speech Processing（语言与语音处理中心） ； Johns Hopkins University（约翰霍普金斯大学） ； Amazon Research（亚马逊研究院） ； Amazon（亚马逊）
AI总结 提出TurnNat框架，通过因果轮流预测模型估计双说话人语音活动状态，利用负对数似然度量时序异常性，实现对话级轮流自然性自动评估。
TRACE: 双人语音中基于时间关系的对话韵律同步检测
机构 * Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； 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） ； Amazon Research（亚马逊研究院） ； Amazon（亚马逊）
AI总结 提出TRACE框架，通过窗口级声学嵌入建模双人交互的时间序列，结合对话上下文和关系信息，在DyadEE数据集上实现97.01%的情感韵律同步检测准确率。
通过 KV 缓存压缩的视角重新思考 LoRA 内存
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文研究文档级问答中参数侧内存（LoRA适配器）与上下文侧内存（KV缓存）的交互，发现LoRA在KV缓存压缩严重时能显著提升性能，并建议将文档LoRA视为解码时的参数化内存而非文档编码器。
无套利条件下使用变分自编码器的收益率曲线动力学
机构 * Department of Applied Mathematics and Statistics, Johns Hopkins University, USA（应用数学与统计学系，约翰霍普金斯大学，美国）
AI总结 提出一种物理信息生成框架，通过两阶段架构（学生t条件变分自编码器+动态水平注入和神经随机微分方程）解决深度学习统计灵活性与固定收益理论约束的冲突，在多个主权货币上显著降低预测误差并实现无套利。
Comments This is the full script (version 2) of our paper, which is awaiting submission to financial journals/conferences, after modifying and double-checking the reference lists
流形上的学习：通过表示编码器解锁标准扩散变压器
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 研究利用表示编码器进行生成建模时标准扩散变压器收敛失败的问题，指出根本原因是几何干扰，提出黎曼流匹配与雅可比正则化方法，使标准扩散变压器无需宽度缩放就能收敛。
Comments ECCV 2026
Phi-SegNet：用于医学图像分割的相位集成监督
机构 * mHealth Lab, Department of Biomedical Engineering, Bangladesh University of Engineering and Technology（孟加拉工程与技术大学生物医学工程系mHealth实验室） ； 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） ； Center for Bioengineering Innovation and Design, Department of Biomedical Engineering, Johns Hopkins University（约翰霍普金斯大学生物工程创新与设计中心，生物医学工程系）
AI总结 研究针对医学图像分割跨模态泛化难问题，提出Phi-SegNet架构，在架构和优化层面融入相位感知信息，含双特征掩码模块与逆傅里叶注意力块，经实验取得优异性能，为泛化分割框架发展提供新思路。
Comments 13 pages, 9 figures
期权对冲的强化学习：静态隐含波动率拟合与短失意识表现
机构 * Department of Mathematics, University of Texas at Austin（德克萨斯大学奥斯汀分校数学系） ； Cornell Ann S. Bowers College of Computing and Information Science, Cornell University（康奈尔大学安·S·鲍威尔计算机与信息科学学院） ； School of Social Sciences, Nanyang Technological University（南洋理工大学社会科学学院） ； Krieger School of Arts and Sciences, Johns Hopkins University（约翰霍普金斯大学克里格尔艺术与科学学院）
AI总结 本文提出RLOP方法，通过结合风险厌恶和交易成本改进QLBS框架，评估期权定价模型在静态和动态维度的表现，强调实际对冲效果的重要性。
利用气候追踪填补排放监测的差距
机构 * Nicholas Institute for Energy Environment & Sustainability（能源环境与可持续性研究所） ； Department of Electrical Engineering and Computer Science（电气工程与计算机科学系） ； WattTime（WattTime公司） ； Johns Hopkins Applied Physics Laboratory（约翰霍普金斯应用物理实验室） ； Marine Science Institute（海洋科学研究所） ； TransitionZero（TransitionZero公司） ； Duke University（杜克大学） ； Global Fishing Watch（全球渔业监测） ； CTrees（CTrees公司）
AI总结 通过评估现有排放数据集，发现可提升排放数据实用性的机会，基于此提出气候追踪框架及数据集，综合现有数据并填补空白，为排放监测和缓解规划提供支持。
多环境数据的贝叶斯不变性建模
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, Columbia University（统计学系，哥伦比亚大学） ； Department of Computer Science, Columbia University（计算机科学系，哥伦比亚大学） ； Warrington College of Business, University of Florida（佛罗里达大学沃林顿商学院） ； Department of Statistics, University of Michigan（统计学系，密歇根大学）
AI总结 研究多环境数据的不变性预测问题，提出贝叶斯不变性预测模型BIP，通过将不变特征索引编码为潜在变量并后验推断恢复，证明后验一致性等，设计变分近似VI-BIP，在模拟和真实数据中表现更优。
NEvo: 神经引导的动态视觉选择性视频合成
机构 * EPFL（苏黎世联邦理工学院） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 提出神经引导视频合成框架NEvo，通过进化搜索优化视频刺激以激活目标脑区，揭示视觉皮层动态选择性，并发现侧流对社会动态特征的敏感性。
Comments 10 pages, 6 figures
患者特异性关节式数字孪生：基于单次全身CT扫描
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 提出从单次全身CT扫描构建患者特异性关节式数字孪生的方法，通过SMPL模型拟合、解剖感知绑定和姿态重定向，实现姿态可控的解剖模型，验证了其在保持骨骼几何和放射学结构方面的有效性。
CALM: 可解释的跨模态对齐用于从非配对数据中发现生物标志物
机构 * Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系） ； School of Data Science, University of Virginia（弗吉尼亚大学数据科学学院） ； Department of Psychology, University of Virginia（弗吉尼亚大学心理学系） ； Department of Neurology, University of Virginia（弗吉尼亚大学神经病学系） ； Departments of Computer Science and Biology, Johns Hopkins University（约翰霍普金斯大学计算机科学与生物学系）
AI总结 提出CALM框架，通过线性投影对齐脑区和遗传通路的潜在分布，从完全不相交的人群中学习可解释的跨模态关联，在自闭症谱系障碍数据上优于现有方法。
Comments Accepted to MICCAI 2026
符合性策略控制
机构 * Johns Hopkins University（约翰霍普金斯大学） ； New York University（纽约大学）
AI总结 本文提出一种基于安全参考策略的符合性校准方法，用于在不违反安全约束的前提下，使优化但未测试的策略能够安全地进行探索，并在有限样本下提供理论保证。
Comments International Conference on Machine Learning (ICML), 2026
CreativityPrism：大语言模型创造力的跨域评估框架
机构 * University of Pittsburgh（匹兹堡大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Notre Dame（诺特丹大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 提出CreativityPrism框架，整合发散思维、创意写作和逻辑推理三个领域的八项任务，从质量、新颖性和多样性三个维度评估LLM创造力，发现前沿模型在创意写作和逻辑推理上领先，但在发散思维上无显著优势，且各维度间相关性弱。
Comments Published in Transactions on Machine Learning Research (06/2026)
基于扰动高斯集成的主动视角选择用于层析重建
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Australian National University（澳大利亚国立大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 针对稀疏视角CT重建中视角选择问题，提出扰动高斯集成框架，通过不确定性建模和密度引导扰动选择最优视角，有效消除几何伪影。
Comments Accepted to ECCV 2026. Project page: https://perturbed-gaussian-ensemble.cvmlgroup.web.illinois.edu/
通过逻辑网格谜题评估LLM推理中的隐性偏见
机构 * Rutgers University（罗格斯大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 提出PRIME框架，利用逻辑网格谜题系统探测LLM在复杂推理中受社会刻板印象的影响，发现模型在解与刻板印象一致时推理更准确。
Comments 26 pages (including appendix)
FaceMoE：用于低分辨率人脸识别的专家混合模型
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 针对低分辨率人脸识别中特征提取困难和域差距问题，提出FaceMoE，采用专家混合Transformer架构，通过多个FFN专家和top-k路由器实现分辨率感知特征提取，在十一个数据集上超越现有方法。
Comments ECCV 2026, Project Page: https://kartik-3004.github.io/FaceMoE/
跨空间蒸馏：用现代扩散教师训练一步学生模型
机构 * Qualcomm AI Research（高通AI研究院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Johns Hopkins University（约翰霍普金斯大学） ； Rutgers University（罗格斯大学）
AI总结 提出跨空间蒸馏框架，通过轻量级潜在接口Bridge解决教师与学生模型潜在空间不匹配问题，实现异构教师蒸馏到紧凑学生模型，显著提升性能。
Comments ECCV 2026
保持几何的正交初始化用于RLVR中的低秩适应
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Meta Superintelligence Labs（Meta超级智能实验室） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 针对RLVR中LoRA初始化问题，提出保持几何的正交初始化方法（RLPO和RLMO），理论证明其最小化与全微调差距，实验表明稳定训练且优于标准LoRA。
Comments 30 pages, accepted to ICML 2026
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