高校专区
端到端训练用于统一的标记化和潜在去噪
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Adobe（Adobe公司）
AI总结 本文提出UNITE模型，通过端到端训练实现统一的标记化和潜在扩散，无需对抗损失或预训练编码器，在图像和分子领域达到接近SOTA的性能。
Comments First two authors contributed equally. Project: https://xingjianbai.com/unite-tokenization-generation/ Code: https://github.com/ShivamDuggal4/UNITE-tokenization-generation
混合小专家：克服多实例学习中的线性层瓶颈
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； Emory University（埃默里大学） ； MD Anderson Cancer Center（MD安德森癌症中心）
AI总结 本文提出MAMMOTH模块，通过低秩变换提升多实例学习中任务特定特征提取，实验显示其在130种配置中提升性能，平均提升3.8%。
Comments Published in ICLR 2026 (37 pages, 16 figures)
关于基于约束的因果发现中条件独立性测试数量的探讨
机构 * Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（埃里克和文黛斯中心，MIT和哈佛Broad研究所） ； Centre de Formació Interdisciplinària Superior, Universitat Politècnica de Catalunya（跨学科高级培训中心，加泰罗尼亚理工大学） ； Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院）
AI总结 本文提出一种复杂度更低的算法，通过减少条件独立性测试数量提升因果发现效率，同时证明了约束方法的理论下限。
精密光学系统闭环机器人组装、对齐与自我恢复框架
机构 * Research Laboratory of Electronics, Massachusetts Institute of Technology（麻省理工学院电子研究实验室） ； NSF Institute for Artificial Intelligence and Fundamental Interactions (IAIFI) and the Department of Physics, Massachusetts Institute of Technology（国家科学基金会人工智能与基本相互作用研究所（IAIFI）和麻省理工学院物理系） ； Nokia Bell Labs（诺基亚贝尔实验室） ； School of Electrical, Computing and Energy Engineering, Arizona State University（亚利桑那州立大学电气、计算与能源工程学院）
AI总结 本文提出一个机器人框架，实现精密光学系统的自动构建、对齐与维护，通过层级计算机视觉、优化和定制工具实现闭环自主操作，展示了桌面激光腔的全自动构建及自我恢复能力。
进步的价格：价格性能与AI的未来
机构 * MIT FutureTech, CSAIL, Cambridge, MA, USA（麻省理工学院未来科技、计算机科学与人工智能实验室，马萨诸塞州剑桥市） ； MIT FutureTech, Sloan, Cambridge, MA, USA（麻省理工学院未来科技、斯隆管理学院，马萨诸塞州剑桥市）
AI总结 本文研究了AI模型在基准测试中的性能与成本关系，发现价格性能显著下降，但前沿模型运行成本因模型规模和推理需求增加而上升。
视频内容定制中的首帧至关重要
机构 * University of Maryland（马里兰大学） ； USC（南加州大学） ； MIT（麻省理工学院） ； NVIDIA（NVIDIA公司）
AI总结 本文揭示视频生成模型将首帧视为概念记忆缓冲区，通过少量训练示例实现鲁棒且通用的视频内容定制。
Comments Accepted to CVPR 2026
提升系统优化代理AI的连贯性与持续性
机构 * MIT（麻省理工学院）
AI总结 本文提出Engram架构，通过解耦长周期探索与单一上下文窗口约束，提升代理AI在多领域系统优化中的连贯性和持续性。
情感感知量化用于离散语音表示：对情感保留的分析
机构 * The University of Melbourne, Australia（墨尔本大学） ； Massachusetts Institute of Technology, USA（麻省理工学院） ； Monash University, Australia（墨尔本大学）
AI总结 研究探讨了残差向量量化对离散语音表示中情感信息的影响，提出情感感知量化方法以提升情感感知的保留度，并改进低比特率下的情感识别性能。
AI可以应用在哪里？来自工作活动深度本体的洞察
机构 * Sloan School of Management, Massachusetts Institute of Technology（麻省理工学院斯隆管理学院） ； Mens, Manus, and Machina, Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联盟研究技术机构）
AI总结 本文通过构建工作活动的深度本体，系统分析AI的应用领域，发现高价值AI市场集中在信息类活动，揭示了AI在不同工作活动中的分布特征。
CALM：用于大音频-语言模型的类条件稀疏注意力向量
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Tuebingen AI Center（图宾根人工智能中心） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
AI总结 本文提出CALM，一种用于小样本分类的类条件稀疏注意力向量方法，通过学习类依赖的重要性权重提升音频和音频视觉分类性能，实验显示在多个基准上优于传统投票方法。
Comments 11 pages, 6 figures
学习解释语言模型中的权重差异
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出Diff Interpretation Tuning方法，通过合成标签权重差异训练适配器，使模型能用自然语言描述微调后的修改。
Comments Project code and links to weight diffs, adapters, and training data can be found at https://github.com/Aviously/diff-interpretation-tuning
关于使用Lasso回归的签名一致性
机构 * UC Berkeley Department of Industrial Engineering and Operations Research（伯克利大学工业工程与运筹学系） ； Peking University School of Mathematical Sciences and Laboratory for Mathematical Economics and Quantitative Finance（北京大学数学科学学院及数学经济学与量化金融实验室） ； Peking University School of Mathematical Sciences, Center for Statistical Science, National Engineering Laboratory for Big Data Analysis and Applications, and Laboratory for Mathematical Economics and Quantitative Finance（北京大学数学科学学院、统计科学中心、大数据分析与应用国家工程实验室及数学经济学与量化金融实验室） ； MIT Sloan School of Management and Laboratory for Financial Engineering（麻省理工学院斯隆管理学院及金融工程实验室）
AI总结 本文研究了使用Lasso回归的签名一致性，理论和数值分析表明，Lasso在有限样本和渐近情况下的一致性取决于时间序列过程与布朗运动的接近程度及维度相关性。
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