Massachusetts Institute of Technology（麻省理工学院）

Point-in-Time Financial RAG with Frozen LLMs and Market-Feedback Adaptive Retrieval

学习信任谁：事件驱动金融RAG中冻结大语言模型的市场反馈自适应检索

Zijie Zhao, Roy E. Welsch

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

AI总结 针对事件驱动金融RAG，提出通过外部贝叶斯源记忆更新检索层，利用市场反馈自适应选择证据源，在冻结LLM情况下提升预测和投资组合表现。

FlagGAM: Rule-Basis Generalized Additive Models for Explainable Tabular Prediction

FlagGAM：基于规则的可解释表格预测广义加性模型

Zijie Zhao, Roy E. Welsch

机构 * EECS Department, Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院电子工程与计算机科学系） ； Sloan School of Management, Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院斯隆管理学院） 纠错

AI总结 提出FlagGAM框架，通过规则定义的基函数分离特征级规则构建与预测，在保持可解释性的同时提升对不完美输入的鲁棒性。

Distribution-Aware Algorithm Design with LLM Agents

具有LLM代理的分布感知算法设计

Saharsh Koganti, Priyadarsi Mishra, Pierfrancesco Beneventano, Tomer Galanti

机构 * Texas A&M University（德克萨斯大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文研究了学习可执行求解器代码而非预测器的场景，提出求解器提示抽象，并证明其在正确性和运行时间上的泛化能力，通过LLM代码代理在多个组合优化问题上验证了方法的有效性。

An AI Co-Data-Scientist for Prioritizing Candidate Biomarkers from Wearable Sensor Data

AI协同数据科学家：从可穿戴传感器数据中优先筛选候选生物标志物

Yubin Kim, Salman Rahman, Samuel Schmidgall, Chunjong Park, A. Ali Heydari, Ahmed A. Metwally, Hong Yu, Xin Liu, Xuhai Xu, Yuzhe Yang, Hyeonhoon Lee, Hyewon Jeong, Kyungho Lim, MingYu Lu, Dongjae Lee, Theodora Pappa, Hanseul Cho, Maxwell A. Xu, Zhihan Zhang, Cynthia Breazeal, Tim Althoff, Petar Sirkovic, Ivor Rendulic, Annalisa Pawlosky, Nicolas Stroppa, Juraj Gottweis, Elahe Vedadi, Alan Karthikesalingam, Pushmeet Kohli, Mark Malhotra, Shwetak Patel, Samir Tulebaev, Hae Won Park, Vivek Natarajan, Hamid Palangi, Daniel McDuff

机构 * Google Research（谷歌研究） ； Massachusetts Institute of Technology（麻省理工学院） ； Google DeepMind（谷歌DeepMind） ； Seoul National University Hospital（首尔国立大学医院） ； Yonsei University College of Medicine（延世大学医学院） ； University of Washington（华盛顿大学） ； Korea University Guro Hospital（韩国大学Guro医院） ； Mass General Brigham（麻省总医院） ； Brigham and Women’s Hospital（哈佛医学院布莱尔妇女医院） ； Google Cloud AI（谷歌云AI） 纠错

AI总结 提出CoDaS系统，集成多智能体假设生成、统计分析和对抗验证，从可穿戴数据中优先筛选心理健康和代谢终点相关候选生物标志物，经临床验证与专家判断一致。

AI Agents Can Already Autonomously Perform Experimental High Energy Physics

AI智能体已能自主执行实验高能物理研究

Eric A. Moreno, Samuel Bright-Thonney, Andrzej Novak, Dolores Garcia, Philip Harris

机构 * Massachusetts Institute of Technology（麻省理工学院） ； 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研究所） ； CERN（欧洲核子研究中心） 纠错

AI总结 基于大语言模型的AI智能体自主执行高能物理分析全流程，提出JFC框架整合文献检索与多智能体审查，在ALEPH、DELPHI和CMS开放数据上验证，首次由AI自主产生新颖物理结果，旨在减轻技术负担而非取代物理学家。

TaigiSpeech: A Low-Resource Real-World Speech Intent Dataset and Preliminary Results with Scalable Data Mining In-the-Wild

TaigiSpeech: 一个低资源真实世界语音意图数据集及基于可扩展野外数据挖掘的初步结果

Kai-Wei Chang, Yi-Cheng Lin, Huang-Cheng Chou, Wenze Ren, Yu-Han Huang, Yun-Shao Tsai, Chien-Cheng Chen, Yu Tsao, Yuan-Fu Liao, Shrikanth Narayanan, James Glass, Hung-yi Lee

机构 * Massachusetts Institute of Technology, USA（麻省理工学院） ； National Taiwan University, Taipei, Taiwan（国立台湾大学） ； National Taiwan University Artificial Intelligence Center of Research Excellence, Taipei, Taiwan（国立台湾大学人工智能研究中心） ； Academia Sinica, Taiwan（台湾“中央”研究院） ； National Yang Ming Chiao Tung University, Taiwan（阳明交通大学） ； Signal Analysis and Interpretation Laboratory (SAIL), University of Southern California, USA（信号分析与解释实验室（SAIL），南加州大学） 纠错

AI总结 针对低资源台语，构建包含21位老年人3000条话语的语音意图数据集，并探索关键词匹配与LLM伪标注、音视频框架两种数据挖掘策略，以解决标注数据稀缺问题。

Comments Interspeech 2026 long paper

NNiT: Width-Agnostic Neural Network Generation with Structurally Aligned Weight Spaces

NNiT：具有结构对齐权重空间的宽度无关神经网络生成

Jiwoo Kim, Swarajh Mehta, Hao-Lun Hsu, Hyunwoo Ryu, Yudong Liu, Miroslav Pajic

机构 * Department of Electrical ； Computer Engineering, Duke University, NC, USA ； Department of Computer Science, Duke University, NC, USA ； Computer Science \& Artificial Intelligence Laboratory, Massachusetts Institute of Technology, MA, USA 纠错

AI总结 提出NNiT，通过将权重矩阵分块并建模为局部结构场，实现宽度无关的神经网络参数生成，在ManiSkill3任务上对未见架构拓扑达到>85%成功率。

Universal priors: solving empirical Bayes via Bayesian inference and pretraining

通用先验：通过贝叶斯推断和预训练解决经验贝叶斯问题

Nick Cannella, Anzo Teh, Yanjun Han, Yury Polyanskiy

机构 * Courant Institute of Mathematical Sciences, NYU（纽约大学Courant数学科学研究所） ； Center for Data Science, NYU（纽约大学数据科学中心） ； Department of EECS, MIT（麻省理工学院电子工程与计算机科学系） 纠错

AI总结 本文从理论上证明，在合成数据上预训练的Transformer能通过后验收缩自适应未知测试分布，实现经验贝叶斯问题的近最优遗憾界。

Comments To appear at COLT 2026. 43 pages, 5 figures. Code release at https://github.com/Anzoteh96/eb-transformers

Ultrafast On-Chip Online Learning via Spline Locality in Kolmogorov-Arnold Networks

基于Kolmogorov-Arnold网络中样条局部性的超快片上在线学习

Duc Hoang, Aarush Gupta, Philip Harris

机构 * MIT（麻省理工学院） 纠错

AI总结 针对量子计算和核聚变控制等高频系统对亚微秒级在线学习的需求，提出利用Kolmogorov-Arnold网络的B样条局部性实现稀疏更新和固定点量化鲁棒性，在FPGA上实现比MLP更高效、更具表达力的超快在线学习。

Comments Forty-Third International Conference on Machine Learning (ICML'26)

DataMIL: Selecting Data for Robot Imitation Learning with Datamodels

DataMIL: 使用数据模型为机器人模仿学习选择数据

Shivin Dass, Alaa Khaddaj, Logan Engstrom, Aleksander Madry, Andrew Ilyas, Roberto Martín-Martín

机构 * UT Austin（得克萨斯大学） ； MIT（麻省理工学院） ； Stanford University（斯坦福大学） 纠错

AI总结 提出DataMIL框架，基于数据模型端到端选择对任务性能提升最大的数据点，避免基于人类质量标准的过滤，通过替代损失函数避免环境交互，在60+模拟和真实操作任务中验证了有效性。

Aligning AI-driven discovery with human intuition

使AI驱动的发现与人类直觉对齐

Kevin Zhang, Judah Goldfeder, Hod Lipson

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学） 纠错

AI总结 针对AI发现的状态变量缺乏物理意义的问题，提出一种无需先验知识即可提取更符合人类直觉表示的新原则，并在多个系统上验证其与人类选择的一致性。