高校专区
面向需求响应服务基线估计的通用合成控制方法
机构 * Institute for Data Processing and Electronics, Karlsruhe Institute of Technology（数据处理与电子研究所，卡尔斯鲁厄理工学院） ； 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 本文提出通用合成控制方法，通过引入外生特征和滞后负荷数据，提升基线估计的动态预测能力，实验显示在有限数据下效果显著。
驾驶风险源自所需二维联合规避加速度
机构 * School of Vehicle and Mobility, Tsinghua University, Beijing 100084, China（车辆与移动系统学院，清华大学，北京100084，中国） ； State Key Laboratory of Intelligent Green Vehicle and Mobility, Beijing 100084, China（智能绿色车辆与移动国家重点实验室，北京100084，中国） ； School of Traffic & Transportation Engineering, Central South University, Changsha 410000, China（交通与运输工程学院，中南大学，长沙410000，中国） ； Singapore-MIT Alliance for Research and Technology (SMART), Massachusetts Institute of Technology, Singapore 138602, Singapore（新加坡-麻省理工联合研究技术联盟（SMART），麻省理工学院，新加坡138602，新加坡） ； School of Automotive Engineering, Chang’an University, Xi’an 710064, China（汽车工程学院，长安大学，西安710064，中国）
AI总结 本文提出二维规避加速度模型，用于更准确地量化碰撞风险，通过分析所有可能的规避方向，定义风险为所需最小相对加速度矢量的模，该方法在多个数据集上表现出更早的显著预警和更好的碰撞预测能力。
Comments 23 pages, 5 figures; supplementary information provided as an ancillary file
LLM催眠：利用用户反馈进行未经授权的知识注入以影响所有用户
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； IBM Research（IBM研究院）
AI总结 研究揭示语言模型通过用户反馈进行知识注入的漏洞，通过反馈信号可操控模型行为，导致事实错误、代码漏洞和虚假新闻。
RAYEN：在神经网络中施加硬凸约束
机构 * Institute for Research in Technology, ICAI School of Engineering, Comillas Pontifical University（技术研究 institute，ICAI 工程学院，Comillas 大学） ； Aerospace Controls Laboratory, Massachusetts Institute of Technology（航空航天控制实验室，麻省理工学院）
AI总结 RAYEN通过高效方法在神经网络输出或潜在变量中施加硬凸约束，保证训练和测试时的约束满足，支持多种约束类型，显著提升性能。
使零知识证明具备AI专用集成电路
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Google（谷歌）
AI总结 MORPH框架通过重新设计零知识证明内核，利用AI专用集成电路的矩阵吞吐量和能效，提升NTT和MSM的性能，实现10倍的吞吐量提升。
Comments Design Automation Conference 2026
Privatar: 通过安全卸载实现可扩展的隐私保护多用户VR
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Google（谷歌） ； Purdue University/NVIDIA（普渡大学/NVIDIA） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； AMD
AI总结 Privatar通过安全卸载实现多用户VR的可扩展隐私保护，利用领域知识在本地设备保留高能量频率组件，减少信息泄露，同时采用分布感知最小扰动技术提升隐私保障与效用。
Comments Proceedings of the 7th Machine Learning and System Conference (MLSys)
比特币交易费用的模型与估计
机构 * MIT Department of Economics（麻省理工学院经济系） ； MIT EECS（麻省理工学院电子工程与计算机科学系） ； MIT Media Lab Digital Currency Initiative（麻省理工学院媒体实验室数字货币倡议）
AI总结 本文基于区块链数据构建了比特币交易费用选择的结构模型，通过高频mempool面板数据分析了拥堵对延迟的影响及交易者行为对费用的作用。
Comments 53 pages
PINNs在湍流中的不确定性量化：贝叶斯推断与斥力集合
机构 * Division of Applied Mathematics, Brown University（布朗大学应用数学系） ； Department of Computing and Mathematical Sciences, California Institute of Technology（加州理工学院计算与数学科学系） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系）
AI总结 本文提出了一种概率扩展的PINN框架，结合贝叶斯方法、麦克斯韦-玻尔兹曼抽样和斥力深度集合，以提高湍流建模中的不确定性校准，通过Van der Pol振荡器和圆柱绕流测试案例验证了其有效性。
基于生成PDE基础模型的流推进
机构 * Department of Mechanical Engineering（机械工程系） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出Flow Marching算法，结合物理动力学误差分析，构建生成PDE基础模型，通过联合采样噪声和时间步长，学习统一速度场以减少长期漂移并实现不确定性感知的生成。同时引入P2VAE和FMT提升效率，实现大规模预训练。
Comments This work has been substantially expanded and superseded by arXiv:2602.11229
通过多尺度高斯学习残基水平蛋白质动力学
机构 * CSAIL, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） ； Dept. of Mathematics, Massachusetts Institute of Technology（麻省理工学院数学系）
AI总结 本文提出DynaProt框架，通过多变量高斯方法从静态结构预测蛋白质动力学，实现残基灵活性预测和协方差矩阵重建，具有更少参数和高精度。
Comments ICLR 2026
关于逆问题、参数估计和领域泛化
机构 * MIT（麻省理工学院）
AI总结 本文提出逆问题中参数估计的理论分析框架，区分连续与离散估计，探讨可逆与不可逆退化过程，并揭示领域泛化中的关键漏洞。
SFTMix：通过混合配方提升语言模型指令微调
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Zoom Video Communications（Zoom视频通讯）
AI总结 本文提出SFTMix方法，通过混合不同置信度的数据提升指令微调效果，适用于指令遵循和医疗特定任务，展示了在不同模型和数据集上的广泛适用性。
Comments Accepted by ACL 2026
一种基于机器学习的两阶段自适应鲁棒优化方法
机构 * Sloan School of Management, Massachusetts Institute of Technology（斯隆管理学院，麻省理工学院） ； Operations Research Center, Massachusetts Institute of Technology（运筹学研究中心，麻省理工学院）
AI总结 本文提出基于机器学习的两阶段线性自适应鲁棒优化方法，通过生成策略预测最优决策和最坏场景，提升求解效率和准确性。
图-智能体：一种基于图的多智能体LLM协作框架
机构 * UNC Chapel Hill（UNC夏洛茨维尔分校） ； Eigent AI（Eigent人工智能） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Stanford University（斯坦福大学）
AI总结 本文提出Graph-of-Agents框架，通过节点采样、边构建和消息传递提升多智能体协作效率，仅用3个智能体在多个基准测试中优于使用全部6个智能体的基线方法。
Comments ICLR 2026
通过跨模型分歧补充自一致性以进行不确定性量化
机构 * MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； WPI（伍斯特理工学院） ； IFM MBZUAI（MBZUAI人工智能研究所）
AI总结 本文通过引入epistemic不确定性项，改进了自一致性估计的不确定性量化，提升了模型在低不确定性下的选择性回避性能。
DART：通过蒸馏-审计-修复训练缓解差异意识LLM中的危害漂移
机构 * Emory University（埃默里大学） ； MIT（麻省理工学院）
AI总结 本文提出DART方法，通过蒸馏、审计和修复训练缓解LLM中因准确性提升导致的危害漂移问题，提升模型在处理差异相关任务时的准确性和安全性。
Comments Accepted to Findings of ACL 2026
FLARE：一种数据高效的替代模型，用于预测定向能量沉积中的位移场
机构 * Massachusetts Institute of Technology（麻省理工学院） ； GE Vernova Advanced Research Center（GE Vernova先进研究中心）
AI总结 本文提出FLARE模型，通过线性仿射重建在权重空间中高效预测定向能量沉积的位移场，提升了设计迭代和工艺优化中的准确性。
Comments 14 pages, 7 figures
AVRT：通过单模态教师模型实现音频-视觉推理迁移
机构 * University of Tübingen, Germany（图宾根大学） ； MIT, Cambridge MA, USA（麻省理工学院） ； IBM Research, USA（IBM研究院） ； MIT-IBM Watson AI Lab, USA（麻省理工-IBM沃森人工智能实验室） ； Tuebingen AI Center, Germany（图宾根人工智能中心）
AI总结 本文提出AVRT框架，通过单模态教师模型生成高质量音频-视觉推理轨迹，并利用LLM合并模型整合轨迹，从而在多模态设置中实现推理迁移，取得音视频和音频任务的最优效果。
在分布偏移下增强和选择适合的预后模型
机构 * Operations Research Center, Massachusetts Institute of Technology（麻省理工学院运筹学中心） ； Sloan School of Management, Massachusetts Institute of Technology（麻省理工学院斯隆管理学院） ； Department of Surgery, Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心外科部）
AI总结 研究挑战了外部校准保证模型通用性的假设，提出两种策略提高跨队列预后模型的可移植性，通过六个真实世界手术队列验证了协变量和结局相似性对校准的影响。
睡眠的突破：一种无接触方法用于准确睡眠阶段检测的Sleepal AI灯
机构 * Hong Kong Xsmart Century Technology Co., Ltd.（香港Xsmart世纪科技有限公司） ； Urban Mobility Lab, Massachusetts Institute of Technology（城市移动实验室，麻省理工学院） ； Singapore-MIT Alliance for Research and Technology (SMART) Centre（新加坡-麻省理工联盟研究技术中心） ； Department of Respiratory and Critical Care Medicine, Binzhou Medical University Hospital（呼吸与危重症医学科，滨州医学院医院） ； Interdisciplinary Center of Sleep Medicine, Charité – Universitätsmedizin Berlin（睡眠医学跨学科中心，夏里特-柏林大学医学中心）
AI总结 本文提出了一种基于雷达的无接触睡眠监测方法，通过多尺度呼吸和运动特征训练深度学习模型，实现了高精度的睡眠阶段检测，验证了Sleepal AI灯在睡眠评估中的可靠性。
Comments 20 pages, 12 figures, 4 tables. Preprint version; intended submission to Physiological Measurement
降级到升级：优化器简化增强了大语言模型去学习的鲁棒性
机构 * The OPTML Lab, Dept. CSE, Michigan State University（奥普特ML实验室，计算机科学与工程系，密歇根州立大学） ； MIT-IBM Watson AI Lab, IBM Research（MIT-IBM沃森人工智能实验室，IBM研究院）
AI总结 本文研究优化器对大语言模型去学习鲁棒性的影响，发现降级优化器能提升鲁棒性，提出混合优化器提升去学习效果。
ORThought: 物流优化建模的基准测试与自动化
机构 * ZJU-UIUC Institute, Zhejiang University（浙江大学浙大-伊利诺伊大学联合学院） ； School of Transportation, Jilin University（吉林大学交通运输学院） ； Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联合研究所） ； Department of Civil and Environmental Engineering, Imperial College London（伦敦帝国理工学院土木与环境工程系）
AI总结 本文提出ORThought框架，通过引入专家级建模原理，解决物流优化建模中的基准不足、多智能体框架不稳定及评估深度不足等问题，实验证明其在复杂约束下表现优异。
Comments The paper has been accepted by Artificial Intelligence for Transportation
具有功能响应的超材料生成反向设计：可解释学习
机构 * Texas A&M University（德克萨斯大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Northwestern University（西北大学）
AI总结 本文提出基于随机森林的可解释生成反向设计方法RIGID，用于快速生成满足特定功能需求的超材料设计，相较于传统方法更高效且能考虑更多性能指标。
Comments Accepted by Advanced Intelligent Systems
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