高校专区
在图模型下学习$\mathsf{AC}^0$
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Duke University（杜克大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出在图模型下学习$\mathsf{AC}^0$电路的亚指数时间算法，克服了传统产品结构的限制，扩展了低次多项式逼近的应用范围。
Comments 57 pages
FrontierFinance: 一个长期计算机使用的真实金融任务基准
机构 * Kensho Technologies ； S&P Global（标普全球） ； MIT（麻省理工学院）
AI总结 本文提出FrontierFinance基准，通过25个复杂金融建模任务评估AI在金融领域的长期表现，展示人类专家在任务完成和输出质量上的优势。
神经量子态的表达性：从瓦尔什复杂性视角出发
机构 * Department of Physics, Massachusetts Institute of Technology（麻省理工学院物理系） ； Department of Physics, Harvard University（哈佛大学物理系）
AI总结 研究神经量子态的表达能力，通过瓦尔什复杂性分析其在奇偶模式上的分布，揭示浅层加法网络在特定条件下无法生成高复杂性的限制，以及深度对加法神经量子态的重要性。
Comments 5 pages, 2 figures. (v2) added acknowledgement
SigLino：高效多教师蒸馏用于聚类视觉基础模型
机构 * Technology Innovation Institute（技术创新研究所） ； Tuebingen AI Center/University of Tuebingen（图宾根人工智能中心/图宾根大学） ； MIT-IBM Watson AI Lab（MIT-IBM Watson AI实验室）
AI总结 本文提出SigLino，一种高效的聚类视觉基础模型，通过同时蒸馏SigLIP2和DINOv3的知识到密集和专家混合学生中，提升了多教师蒸馏的效率与效果。
Comments 17 pages, 8 figures, 11 tables
大语言模型评估作为张量补全：低秩结构与半参数效率
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Purdue University（普渡大学）
AI总结 本文将大语言模型评估视为低秩潜在评分张量的半参数推断问题，通过成对比较数据进行张量补全，提出了一种基于信息算子和影响函数的偏差修正估计器，解决了异质信息算子带来的挑战。
LMI-Net：通过可微投影层实现的线性矩阵不等式约束神经网络
机构 * Laboratory for Information and Decision Systems (LIDS), Massachusetts Institute of Technology（麻省理工学院信息与决策系统实验室（LIDS））
AI总结 本文提出LMI-Net，一种通过可微投影层强制满足线性矩阵不等式约束的神经网络，通过 Douglas-Rachford 分裂实现前向传播，并通过隐式微分支持高效反向传播，提升在分布偏移下的可行性。
人工智能与集体决策：增强合法性与失败者同意
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Oxford University（牛津大学）
AI总结 研究探讨AI如何通过收集个体经验增强集体决策的合法性，并通过可视化工具提升信任与社会凝聚力，即使决策与个人偏好相悖。
Comments 11 pages + appendix
盲区质量：一种用于量化机器学习系统部署覆盖风险的Good-Turing框架
机构 * University of Maryland, Baltimore County (UMBC)（马里兰大学巴尔的摩县分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Ambient Scientific Inc（Ambient Scientific公司）
AI总结 本文提出盲区质量框架，用于量化机器学习系统部署覆盖风险，通过Good-Turing方法估计概率质量，识别关键风险区域，为工业实践提供数据收集和约束优化指导。
Comments 15 pages, 7 figures, 1 table; submitted to Journal of Machine Learning Research (JMLR)
ID-Sim：一种以身份为中心的相似性度量
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Adobe Research（Adobe研究院）
AI总结 本文提出ID-Sim，一种以身份为中心的相似性度量，通过高质量图像数据集和生成合成数据，提升身份识别和生成任务的评估能力。
Comments SB and CH equal advising; Project page https://juliachae.github.io/id_sim.github.io/
Agora：通过基于人类声音的AI人设教授共识寻找技能
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Oxford（牛津大学）
AI总结 Agora通过AI平台利用LLM组织真实人类声音，帮助用户通过制定和修订政策建议、听取支持与反对观点并获得反馈来提升共识寻找能力，初步研究显示其能有效提升用户视角转换能力。
Comments Short version: Accepted to ACM CHI Extended Abstracts 2026 (https://doi.org/10.1145/3772363.3798888); Long version under review
TeamPath: 构建多模态病理专家的推理AI助手
机构 * Interdepartmental Program in Computational Biology and Biomedical Informatics, Yale University（耶鲁大学计算生物学与生物医学信息学跨学科项目） ； Department of Biostatistics, Yale University（耶鲁大学生物统计学系） ； Broad Institute of MIT and Harvard（博德研究所） ； Department of Complexity Science and Engineering, The University of Tokyo（东京大学复杂科学与工程系） ； Center for Advanced Intelligence Project, RIKEN（理化学研究所先进智能项目中心） ； Department of Pathology, Yale University（耶鲁大学病理学系） ； Department of Anatomical Pathology, Singapore General Hospital（新加坡中央医院解剖病理学系） ； Center for Biomedical Data Science, Duke–NUS Medical School, Singapore, Singapore（杜克-新加坡国立大学医学院生物医学数据科学中心） ； Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
AI总结 TeamPath通过强化学习和路由增强方案，整合多模态数据提升病理诊断与跨模态生成能力，为临床提供可靠的信息交流系统。
Comments 45 pages, 6 figures
通过专家参与学习推进AI研究助手
机构 * Yale University（耶鲁大学） ； Broad Institute of MIT and Harvard（麻省理工学院-哈佛大学博德研究所） ； Google DeepMind（谷歌DeepMind） ； Stanford University（斯坦福大学） ； Genentech（基因泰克） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Cornell University（康奈尔大学） ； Harvard University（哈佛大学）
AI总结 本文提出ARIEL框架，通过专家验证任务评估大语言模型和多模态模型在生物医学领域的表现，发现提示工程和轻量级微调能提升文本覆盖，计算扩展策略增强视觉问答能力，构建了集成文本和视觉线索的AI助手，提出可检验的机理假设。
Comments 43 pages, 7 figures
多变量批量贝叶斯优化在材料研究中的应用：合成数据对噪声敏感性和问题景观效应的分析
机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Aalto University（阿尔托大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文通过合成数据研究噪声敏感性和问题景观对贝叶斯优化的影响，分析了噪声水平、批量选择方法和获取函数对优化结果的影响，为材料研究中的实验优化提供指导。
对冲与非肯定：量化大语言模型在人权问题上的对齐
机构 * Google Deepmind（谷歌DeepMind） ； Massachusetts Institute of Technology（麻省理工学院） ； Independent Researcher（独立研究员） ； Google（谷歌） ； AI Accountability Lab, Trinity College Dublin（都柏林圣三一学院人工智能问责实验室）
AI总结 研究通过系统框架量化LLM在不同群体身份上的对冲与非肯定行为，发现群体身份是主要影响因素，通过引导和正交化技术可有效缓解偏差。
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