Massachusetts Institute of Technology（麻省理工学院）

Data Augmentation via Causal-Residual Bootstrapping

通过因果残差自助法进行数据增强

Mateusz Gajewski, Sophia Xiao, Bijan Mazaheri

机构 * Poznań University of Technology（波兹南技术大学） ； Thayer School of Engineering（泰勒工程学院） ； Broad Institute of MIT and Harvard（哈佛大学和麻省理工学院Broad研究所） 纠错

AI总结 本文提出一种基于独立机制原理的数据增强方法，通过排列边际概率分布构建模型的残差，提升预测准确性，并在线性高斯条件下提供理论支持。

Sonar-MASt3R: Real-Time Opti-Acoustic Fusion in Turbid, Unstructured Environments

Sonar-MASt3R：在浑浊、无结构环境中实时优化声学融合

Amy Phung, Richard Camilli

机构 * Applied Ocean Physics and Engineering, Woods Hole Oceanographic Institution, Deep Submergence Laboratory, Woods Hole, MA, USA（应用海洋物理与工程，伍兹霍尔海洋研究所，深潜实验室，马萨诸塞州伍兹霍尔，美国） ； Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院，剑桥，马萨诸塞州，美国） 纠错

AI总结 本文提出Sonar-MASt3R方法，通过实时提取光学相机数据的密集对应关系并与声学3D重建的几何线索结合，提升在浑浊环境中的鲁棒性。

Comments This paper has been accepted for publication in ICRA 2026. Copyright IEEE

Resolving Interference (RI): Disentangling Models for Improved Model Merging

消除干扰（RI）：解耦模型以提升模型合并

Pratik Ramesh, George Stoica, Arun Iyer, Leshem Choshen, Judy Hoffman

机构 * University of Washington（华盛顿大学） ； Microsoft Research（微软研究院） ； MIT（麻省理工学院） ； IBM Research（IBM研究院） ； University of California, Irvine（加州大学 Irvine 分校） 纠错

AI总结 本文提出RI方法，通过解耦专家模型以实现功能正交，减少跨任务干扰，提升模型合并性能和泛化能力。

MAD: Microenvironment-Aware Distillation -- A Pretraining Strategy for Virtual Spatial Omics from Microscopy

MAD：微环境感知蒸馏——一种从显微镜获取虚拟空间组学的预训练策略

Jiashu Han, Kunzan Liu, Yeojin Kim, Saurabh Sinha, Sixian You

机构 * Research Laboratory of Electronics, Massachusetts Institute of Technology（麻省理工学院电子研究实验室） ； Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电气工程与计算机科学系） ； The Wallace H. Coulter Department of Biomedical Engineering, Georgia Institute of Technology（佐治亚理工学院Wallace H. Coulter生物医学工程系） ； H. Milton Stewart School of Industrial & Systems Engineering, Georgia Institute of Technology（佐治亚理工学院H. Milton Stewart工业与系统工程学院） 纠错

AI总结 MAD通过联合自蒸馏显微镜图像的形态视图和微环境视图，学习细胞中心嵌入，实现细胞亚型分类、转录组预测等任务的最先进性能。

Comments 34 pages, 6 figures; under review

Resource Rational Contractualism Should Guide AI Alignment

资源理性契约主义应指导AI对齐

Sydney Levine, Matija Franklin, Tan Zhi-Xuan, Secil Yanik Guyot, Lionel Wong, Daniel Kilov, Yejin Choi, Joshua B. Tenenbaum, Noah Goodman, Seth Lazar, Iason Gabriel

机构 * Harvard（哈佛大学） ； MIT（麻省理工学院） ； Google Deepmind（谷歌DeepMind） ； Australian National University（澳大利亚国立大学） ； Stanford Psychology Department（斯坦福心理学系） ； Stanford（斯坦福大学） ； Computer Science Department（计算机科学系） 纠错

AI总结 本文提出资源理性契约主义框架，通过认知启发式方法提升AI决策效率与适应性，解决大规模契约达成成本高问题。

Comments 24 pages, 10 figures

Journal ref International Association for Safe and Ethical AI, 2026