高校专区
向量策略优化：为多样性训练改进测试时间搜索
机构 * MIT（麻省理工学院） ； Improbable AI Lab（Improbable AI 实验室） ； MIT-IBM Computing Research Lab（麻省理工-IBM 计算研究实验室） ； Sakana AI
AI总结 本文提出向量策略优化（VPO）方法，通过训练策略以预测多样化的下游奖励函数，从而产生多样化的解决方案，以改进测试时间搜索的性能。
Comments 24 pages
高斯DDPM中协方差匹配的价值及兰扎斯采样器
机构 * Electrical Engineering and Computer Science（电气工程与计算机科学系） ； Massachusetts Institute of Technology（麻省理工学院） ； Operations Research Center（运筹学研究中心） ； Sloan School of Management（斯隆管理学院）
AI总结 本文研究了高斯DDPM中协方差匹配在路径空间KL散度中的价值，提出兰扎斯采样器方法，通过矩阵自由技术实现最优反向协方差采样，从而提升采样质量。
实时音乐扩散模型：交互式音乐生成扩散模型的高效微调与后训练
机构 * UC San Diego（加州大学圣迭戈分校） ； MIT（麻省理工学院） ； Adobe（Adobe公司）
AI总结 本文研究了音频扩散模型能否通过块级KV缓存高效地转化为交互式模型，从而在消费级硬件上实现。提出的Live Music Diffusion Models (LMDMs)通过块级KV缓存恢复并超越了离散Live Music Models (LMMs)的推理复杂度，并通过ARC-Forcing范式实现稳定的后训练对齐，从而在无需显式RL或奖励模型的情况下减少误差累积。
跨领域基准测试揭示协调AI代理在部分证据下提升科学推断何时有效
机构 * Laboratory for Atomistic and Molecular Mechanics (LAMM)（原子分子力学实验室） ； Department of Biological Engineering（生物工程系） ； Department of Mechanical Engineering（机械工程系） ； Department of Civil and Environmental Engineering（土木与环境工程系） ； Center for Computational Science and Engineering, Schwarzman College of Computing（计算科学与工程中心） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文通过跨领域基准测试探讨协调AI代理在部分证据下提升科学推断的有效性，发现当不同学科各自捕捉现象部分时，跨通道复合方法优于单一通道基线，但在某些情况下分解并不总是提升整体性能。
Music102: 一个 $D_{12}$-等价变换器用于和弦进行伴奏
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出Music102，一种基于群论和音乐结构的等价变换器，用于提升和弦进行伴奏的质量，通过整合音乐对称性如转位和反射操作，改进了非等价变换器Music101的性能。
Comments 10 pages, 3 figures
Journal ref Proceedings of the 2025 International Computer Music Conference (https://hdl.handle.net/2027/fulcrum.zg64tq53m)
GenHAR：面向最后一公里配送的跨领域人类活动识别通用化
机构 * Beijing Normal–Hong Kong Baptist University（北京师范大学-香港 Baptist大学） ； Rutgers University（罗格斯大学） ； SMART Center, MIT（MIT SMART中心）
AI总结 本文提出GenHAR框架，通过学习领域不变的传感器表示来解决跨领域人类活动识别中的分布偏移问题，提升了目标领域的泛化能力，并在实际部署中实现了高效率和高精度的实时活动检测。
EasyVFX: 用于资源高效视觉效果生成的频率驱动解耦
机构 * HKUST（香港科技大学） ； DUT（东华大学） ； THU（清华大学） ； MIT（麻省理工学院）
AI总结 本文提出EasyVFX框架，通过频率域分解解耦高频和低频成分，降低视觉效果生成的计算和数据依赖性，实现高效且高质量的视觉效果合成。
Comments Accepted by SIGGRAPH 2026. Project page: https://easy-vfx.github.io/
浅层神经网络中关于时间的弱传播混沌性
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Courant Institute School of Mathematics, Computing and Data Science（Courant研究所数学、计算与数据科学学院） ； New York University（纽约大学）
AI总结 本文研究了在特征学习模式下使用梯度下降训练的一层神经网络，将有限宽度网络的输出与无限宽度网络的输出联系起来，并通过均场动力学来研究其长期行为。
Comments 46 pages
对Rényi差分隐私机器学习的最优审计保证
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Stony Brook University（石溪大学）
AI总结 本文研究了声称具有Rényi差分隐私（RDP）保证的机器学习算法的黑盒审计问题，提出了一种基于假设检验的审计框架，利用Donsker-Varadhan（DV）变分估计器直接估计相邻执行之间的Rényi散度，并通过类受限DV估计器得出非渐近的置信区间，证明了样本复杂度保证在信息论上最优，首次建立了通过DV估计器审计RDP的最优保证。
Comments 28 pages, 3 figures
训练算法的热力学不可逆性
机构 * Massachusetts Institute of Technology（麻省理工学院） ； NTT Research（NTT研究所）
AI总结 本文提出了一种通用框架，用于定义和分析训练算法的不可逆性，证明了四种不同方法在步长η的主导阶近似下是等价的，并展示了不可逆性如何导致时间反演对称性破缺的新兴力。
Comments preprint
PhylaFlow：在Billera-Holmes-Vogtmann树空间中进行混合流匹配用于系统发育推断
机构 * Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（埃里克和wendy Schmidt中心，MIT和哈佛大学Broad研究所） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Centennial High School（Centennial高中） ； Infectious Disease and Microbiome Program, Broad Institute of MIT and Harvard（传染病与微生物组计划，MIT和哈佛大学Broad研究所）
AI总结 该研究提出PhylaFlow模型，通过在Billera-Holmes-Vogtmann树空间中学习后验盆地运输，实现混合流匹配，从而提高系统发育推断的效率和准确性。
Comments 9 pages, 3 figures
MetaDNS: 通过良好温控元动力学增强离散神经采样器的探索
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出MetaDNS，一种将良好温控元动力学整合到离散扩散或自回归采样器中的通用框架，以解决多模式和能量屏障离散分布采样中的模式崩溃问题，并实现自由能重建。
Comments Accepted at ICML 2026
人工智能使用与信息性对逻辑推理技能发展的影响力
机构 * University of California, Irvine（加州大学尔湾分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文研究了人工智能使用和信息性如何影响逻辑推理技能的发展，发现高使用AI的用户表现较差，而信息性低的AI对学习无帮助，信息性高的AI则在短期内提升表现但影响不均一。
Comments Accepted at Hybrid Human Artificial Intelligence (HHAI) 2026
TO-Agents：一种用于基于偏好的拓扑优化的多智能体AI流水线
机构 * Department of Mechanical Engineering Massachusetts Institute of Technology Cambridge, MA, 02139 USA（机械工程系 马萨诸塞理工学院 哥伦布, 马萨诸塞州, 02139 美国）
AI总结 本文提出TO-Agents，一种多智能体AI框架，通过将自然语言设计意图与迭代拓扑优化相结合，解决设计者手动转换非直接关联的偏好到求解器设置的问题，并在两个长周期设计任务中验证了其有效性。
Comments Accepted for publication in the Proceedings of the ASME 2026 International Design Engineering Technical Conferences (IDETC2026)
通过示例预测符号程序和提示程序的性能
机构 * Nanayang Technological University, Singapore（南洋理工大学，新加坡） ； Massachusetts Institute of Technology, USA（麻省理工学院，美国） ； Cornell University, USA（康奈尔大学，美国）
AI总结 本文研究了通过示例预测程序性能的问题，提出了一种基于简单硬币翻转模型的方法，利用观察到的执行结果和性能先验知识来预测程序性能，并开发了RAP方法来构建代理先验以提高预测效果。
LLMs can construct powerful representations and streamline sample-efficient supervised learning
机构 * MIT（麻省理工学院） ； Harvard Medical School（哈佛医学院）
AI总结 本文提出了一种基于LLM的代理流程，通过生成全局 rubric 来提升多模态数据的表示能力，并在15个临床任务中显著优于传统方法。
通过响应方法实现交换遗憾最小化
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Southern California（南加州大学） ； Google Research（谷歌研究）
AI总结 本文提出了一种更简单高效的算法，通过预处理后的约翰椭球，保证了线性交换遗憾为O(d√T)，并建立了信息论下限，证明了经典算法在减少线性交换遗憾方面的最优性，同时扩展了该方法以处理多项式维度的交换偏差集。
Comments V3 makes certain clarifications and improves the upper bound for general sets via symmetrization
一种帮助科学家编写专家级经验软件的AI系统
机构 * Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究） ； Google Platforms and Devices（谷歌平台与设备） ； Massachusetts Institute of Technology（麻省理工学院） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院）
AI总结 本文提出Empirical Research Assistance (ERA)系统，利用大型语言模型和树搜索技术，自动创建高质量的科学软件，以加速计算实验的开发，从而提高科研效率。
Comments 78 pages, 31 figures, 22 tables
STRUCTSENSE：一种任务无关的代理框架，用于结构化信息提取，具有人机协同评估和基准测试
机构 * McGovern Institute for Brain Research, Massachusetts Institute of Technology, Cambridge, MA, USA（麦戈文脑科学研究所，麻省理工学院，马萨诸塞州剑桥市） ； Fylo Labs Inc., New York, NY, USA（Fylo实验室公司，纽约州纽约市） ； Allen Institute for Brain Science, Seattle, WA, USA（艾伦脑科学研究所，华盛顿州西雅图市）
AI总结 本文提出STRUCTSENSE框架，通过整合本体引导的符号知识、代理自我评估细化和人机协同验证，实现了结构化信息提取的鲁棒性，并在三个领域展示了其跨任务泛化能力。
Comments -
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