Massachusetts Institute of Technology（麻省理工学院）

Improved large-scale graph learning through ridge spectral sparsification

通过岭谱稀疏化实现大规模图学习的改进

Daniele Calandriello, Ioannis Koutis, Alessandro Lazaric, Michal Valko

机构 * SequeL team, INRIA Lille - Nord Europe, France（SequeL团队，INRIA里尔-北欧，法国） ； Facebook AI Research, Paris, France（Facebook人工智能研究，巴黎，法国） ； MIT, USA（麻省理工学院，美国） ； New Jersey Institute of Technology, USA（新泽西理工学院，美国） 纠错

AI总结 本文提出GSQUEAK算法，通过维护有效电阻的小子集高效稀疏化图拉普拉斯矩阵，在分布式流式设置中实现快速谱近似。

Comments International Conference on Machine Learning (ICML 2018)

Measuring Creativity in the Age of Generative AI: Distinguishing Human and AI-Generated Creative Performance in Hiring and Talent Systems

在生成式AI时代测量创造力：区分人类与AI生成的创造力表现于招聘与人才系统

Yigal Rosen, Ilia Rushkin

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Ignis AI 纠错

AI总结 本文提出通过嵌入空间中的创意生成与转换来量化创造力，揭示AI环境下创意输出的双峰分布特征，强调在生成式AI时代，独特性而非流畅性成为衡量人类创造力的关键指标。

Comments Research Paper Presented at the BIG.AI@MIT Conference, April 2, 2026

ESGLens: An LLM-Based RAG Framework for Interactive ESG Report Analysis and Score Prediction

ESGLens：一种基于大语言模型的RAG框架，用于交互式ESG报告分析与评分预测

Tsung-Yu Yang, Meng-Chi Chen

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出ESGLens框架，结合检索增强生成与提示工程提取，自动化提取ESG报告结构化信息、交互式问答及评分预测，通过GRI标准指导提取和回归模型预测，评估结果显示ChatGPT嵌入与神经网络模型在环境指标上的相关性达到0.48。

Comments (20 pages, 3 figures)

A multimodal and temporal foundation model for virtual patient representations at healthcare system scale

面向医疗系统规模的多模态与时间基础模型：虚拟患者表示

Andrew Zhang, Tong Ding, Sophia J. Wagner, Caiwei Tian, Ming Y. Lu, Rowland Pettit, Joshua E. Lewis, Alexandre Misrahi, Dandan Mo, Long Phi Le, Faisal Mahmood

机构 * Department of Pathology, Mass General Brigham, Harvard Medical School（病理学系，马萨诸塞州总医院与哈佛医学院） ； Cancer Program, Broad Institute of Harvard and MIT（癌症计划，哈佛-麻省理工Broad研究所） ； Data Science Program, Dana-Farber Cancer Institute（数据科学计划，达纳-法伯癌症研究所） ； Health Sciences and Technology, Harvard-MIT（健康科学与技术，哈佛-麻省理工） ； Harvard John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛约翰·A·保罗森工程与应用科学学院，哈佛大学） ； Department of Biomedical Informatics, Harvard Medical School（生物医学信息学系，哈佛医学院） ； Electrical Engineering and Computer Science, Massachusetts Institute of Technology (MIT)（电气工程与计算机科学，麻省理工学院（MIT）） ； School of Computer and Communication Sciences, EPFL, Lausanne, Switzerland（计算机与通信科学学院，EPFL，瑞士洛桑） 纠错

AI总结 本文提出Apollo模型，整合多模态和时间信息，构建虚拟患者表示，用于预测疾病风险、治疗反应等，展示其在医疗计算中的潜力。

Rodrigues Network for Learning Robot Actions

罗德里格斯网络用于学习机器人动作

Jialiang Zhang, Haoran Geng, Yang You, Congyue Deng, Pieter Abbeel, Jitendra Malik, Leonidas Guibas

机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出罗德里格斯网络，通过引入运动学先验知识提升机器人动作学习性能，验证了其在动作预测和手部重建中的有效性。

Comments ICLR 2026

Learn2Synth: Learning Optimal Data Synthesis Using Hypergradients for Brain Image Segmentation

Learn2Synth: 利用超梯度学习最优数据合成用于脑图像分割

Xiaoling Hu, Xiangrui Zeng, Oula Puonti, Juan Eugenio Iglesias, Bruce Fischl, Yael Balbastre

机构 * Massachusetts General Hospital and Harvard Medical School（麻省总医院和哈佛医学院） ； Danish Research Centre for Magnetic Resonance, Copenhagen University Hospital（丹麦磁共振研究中心，哥本哈根大学医院） ； Centre for Medical Image Computing, University College London（医学影像计算中心，伦敦大学学院） ； Computer Science and AI Laboratory, Massachusetts Institute of Technology（计算机科学与人工智能实验室，麻省理工学院） ； Department of Experimental Psychology, University College London（实验心理学系，伦敦大学学院） 纠错

AI总结 通过超梯度学习优化数据合成参数，提升脑图像分割网络在真实数据上的性能，避免依赖真实数据训练。

Comments 16 pages, 5 figures. Accepted by ICCV'25. Bruce Fischl and Yael Balbastre are co-senior authors

Parallel-SFT: Improving Zero-Shot Cross-Programming-Language Transfer for Code RL

并行SFT：改进代码RL的零样本跨编程语言转移

Zhaofeng Wu, Shiqi Wang, Boya Peng, Anuj Goyal, Melanie Kambadur, Sebastian Ruder, Yoon Kim, Chloe Bi

机构 * Meta Superintelligence Labs（Meta超智能实验室） ； MIT（麻省理工学院） 纠错

AI总结 本文提出零样本跨编程语言转移任务，通过并行SFT策略提升代码RL在不同语言间的迁移能力，发现通用化SFT初始化能提升模型泛化性能。

Task-Dependent Evaluation of LLM Output Homogenization: A Taxonomy-Guided Framework

任务依赖性的大语言模型输出同质化评估：一种基于分类学的框架

Shomik Jain, Jack Lanchantin, Maximilian Nickel, Candace Ross, Karen Ullrich, Ashia Wilson, Jamelle Watson-Daniels

机构 * FAIR at Meta（Meta 的 FAIR 研究院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出基于任务分类学的框架，通过任务依赖的采样技术提升输出多样性，挑战多样性与质量的权衡观念。

Centering Ecological Goals in Automated Identification of Individual Animals

以生态目标为中心的个体动物自动识别

Lukas Picek, Timm Haucke, Lukáš Adam, Ekaterina Nepovinnykh, Lasha Otarashvili, Kostas Papafitsoros, Tanya Berger-Wolf, Michael B. Brown, Tilo Burghardt, Vojtech Cermak, Daniela Hedwig, Justin Kitzes, Sam Lapp, Subhransu Maji, Daniel Rubenstein, Arjun Subramonian, Charles Stewart, Silvia Zuffi, Sara Beery

机构 * University of West Bohemia in Pilsen（西波西米亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； LUT University（卢特大学） ； Conservation X Labs（保护X实验室） ； Queen Mary University of London（伦敦玛丽女王大学） ； The Ohio State University（俄亥俄州立大学） ； Giraffe Conservation Foundation（犀牛保护基金会） ； University of Bristol（布里斯托大学） ； Czech Technical University in Prague（布拉格捷克技术大学） ； Cornell Lab of Ornithology（哥伦布鸟类实验室） ； University of Pittsburgh（匹兹堡大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Princeton University（普林斯顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Rensselaer Polytechnic Institute（伦斯勒理工学院） ； CNR（意大利国家研究委员会） 纠错

AI总结 本文探讨了自动识别个体动物在生态研究中的应用，指出当前方法与实际生态数据处理存在不匹配，强调需以生态问题为导向提升识别的实用性与可信度。

pAI/MSc: ML Theory Research with Humans on the Loop

pAI/MSc：人机协同的机器学习理论研究系统

Mahmoud Abdelmoneum, Pierfrancesco Beneventano, Tomaso Poggio

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Perseus Labs（Perseus实验室） 纠错

AI总结 pAI/MSc旨在通过人机协同减少将假设转化为文献支持的论文草稿所需的人力指导，专注于机器学习理论及相关量化领域。

Comments 34 pages, 7 tables

Too Sharp, Too Sure: When Calibration Follows Curvature

过于尖锐、过于确定：当校准跟随曲率时

Alessandro Morosini, Matea Gjika, Tomaso Poggio, Pierfrancesco Beneventano

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文研究了校准作为训练过程中的现象，在小视觉任务中探讨校准是否可通过干预训练过程可靠获得，发现校准、曲率和边距之间存在紧密联系，并提出一种关注边距的训练目标以提升校准性能。

Comments 33 pages, 23 figures