高校专区
值得记住：基于惊讶门控的机器人情景记忆
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Lockheed Martin（洛克希德·马丁公司）
AI总结 提出基于贝叶斯惊讶的门控机制来选择性地存储高效用情景记忆，利用V-JEPA-2潜在空间计算惊讶，在机器人问答任务中提升12%以上性能。
Comments 14 pages, 2 figures, 4 tables
通过扩散强迫实现统一且稳健的数据同化：ForcingDAS
机构 * University of Michigan（密歇根大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出ForcingDAS，一种基于扩散强迫的统一数据同化框架，能够捕捉长时序依赖并减少误差积累，同时在推理时无需重新训练即可实现滤波到平滑的全谱应用。
高速率量化矩阵乘法II
机构 * Hebrew University of Jerusalem（希伯来大学杰里科分校） ； MIT（麻省理工学院）
AI总结 本文研究在已知第二因子列协方差矩阵情况下高速率量化矩阵乘法，通过水填充算法改进LLM量化方法，展示WaterSIC方案在信息论极限下的性能。
CADFit：基于混合优化的精确网格到CAD程序生成
机构 * Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, MA 02139, USA（麻省理工学院机械工程系）
AI总结 提出CADFit框架，通过基于几何反馈的增量拟合和验证参数化操作，从网格中恢复复杂可编辑的CAD构造序列，在多个基准上优于现有方法，并显著降低无效比率。
城市洪水观测：一个手标注的训练和验证数据集，用于洪水后淹没区域
机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室） ； University of Arizona（亚利桑那大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Utah State University（犹他州立大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学） ； University of Virginia（弗吉尼亚大学）
AI总结 本文提出UFO数据集，用于复杂城市环境中从卫星图像中映射洪水淹没区域，通过手标注数据集验证了分割模型，达到77.3的平均IoU，并评估了两种常用水体产品。
Comments 15 pages, 8 figures
TraversalBench: 为视觉语言模型设计的复杂路径挑战测试集
机构 * Massachusetts Institute of Technology, Department of Physics（麻省理工学院物理系） ； Massachusetts Institute of Technology, Institute for Data, Systems, and Society（麻省理工学院数据、系统与社会研究所） ； NSF AI Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基本相互作用AI研究所）
AI总结 本文提出TraversalBench，一个用于评估视觉语言模型复杂视觉路径跟随能力的受控基准测试集，发现自相交是主要困难来源，揭示了模型在路径感知上的局限性。
学习真实内容：在多传感器数据中分离信号和测量伪影，应用于天体物理学
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Flatiron Institute, Simons Foundation（Flatiron研究所，Simons基金会） ； Institute for Advanced Studies（高级研究 institute） ； Harvard University（哈佛大学） ； New York University（纽约大学） ； Instituto de Astrofísica de Canarias（加那利大天文台）
AI总结 本文提出一种深度学习框架，通过重叠观测、双编码器架构和反事实生成目标，分离多传感器数据中的信号与伪影，提升天体物理学研究的准确性。
Comments Accepted at the 2nd Workshop on Foundation Models for Science at ICLR 2026. 10 pages, 7 figures (main text), plus appendix
利用预训练模型中的弱影子变量在缺失数据下的部分识别
机构 * Massachusetts Institute of Technology, Cambridge, MA 02139（麻省理工学院） ； Emory University, Atlanta, GA 30322（埃默里大学）
AI总结 针对缺失非随机（MNAR）导致的估计偏差，提出部分识别框架，通过线性规划结合预训练模型（如LLM）的预测作为弱影子变量收紧边界，并设计集合扩张估计器保证覆盖，实验显示识别区间缩小75-83%。
AlphaOPT: 利用自改进LLM经验库构建优化问题
机构 * Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联合研究技术联盟） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Florida（佛罗里达大学） ； Northeastern University（东北大学） ； Singapore Management University（新加坡管理学院）
AI总结 提出AlphaOPT，一种自改进经验库，使LLM能从有限监督中学习优化建模知识，通过库学习和库演化两阶段循环，逐步提升性能，在多个基准上超越基线方法。
学习什么是重要的：通过互信息的概率任务选择用于模型微调
机构 * IIT Bombay（印度理工学院班加罗尔分校） ； IBM Research（IBM研究） ； Red Hat AI Innovation（红帽AI创新） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森AI实验室）
AI总结 本文提出TaskPGM框架，通过基于能量的任务模型学习连续任务混合，利用互信息和行为分歧来捕捉任务间的关系，从而在任务覆盖和冗余之间取得平衡，提升大语言模型的监督微调性能。
Comments 9, 8 tables, 7 figures
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