Massachusetts Institute of Technology（麻省理工学院）

It's Complicated: On the Design and Evaluation of AI-Powered AAC Interfaces

复杂化：AI驱动的AAC界面的设计与评估

Blade Frisch, Will Wade, Dylan Gaines, Michelle Kinsella, Betts Peters, Tamara Broderick, Keith Vertanen

机构 * Michigan Technological University Houghton Michigan USA ； Smartbox Assistive Technology Ltd Bristol UK ； Kennesaw State University Marietta Georgia USA ； Oregon Health \& Science University Portland Oregon USA ； Massachusetts Institute of Technology Cambridge Massachusetts USA ； Michigan Technological University ； Smartbox Assistive Technology Ltd ； Kennesaw State University ； Oregon Health \& Science University ； Massachusetts Institute of Technology 纠错

AI总结 探讨AI增强辅助替代沟通（AAC）系统的设计复杂性，提出考虑用户交叉性细微差别的评估方法，以解决现有指标难以捕捉用户多样化需求的问题。

Comments Presented at Speech AI for All: The What, How, and Who of Measurement Workshop at the CHI Conference on Human Factors in Computing Systems, Barcelona, Spain, 2026

Cross-Lingual Exploration for Parametric Knowledge

跨语言探索参数化知识

Elisha Diskind, Itamar Trainin, Uri Shaham, Leshem Choshen, Idan Szpektor, Omri Abend

机构 * The Hebrew University of Jerusalem（海法大学） ； Google Research（谷歌研究） ； MIT, IBM-MIT Watson AI Lab（麻省理工学院与IBM-麻省理工 Watson人工智能实验室） 纠错

AI总结 本文研究通过跨语言提示策略探索大型语言模型中的隐藏事实知识，发现跨语言探索能显著提升知识迁移和事实召回，比单语言扩展更高效，并改善跨语言一致性。

Comments 29 pages, 5 figures, preprint

Data Augmentation: A Fourier Analysis Perspective

数据增强：傅里叶分析视角

Behrooz Tahmasebi, Melanie Weber, Stefanie Jegelka

机构 * Harvard John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保尔森工程与应用科学学院） ； Technical University of Munich (CIT, MCML, MDSI) and MIT Computer Science and Artificial Intelligence Laboratory (CSAIL)（慕尼黑工业大学（CIT、MCML、MDSI）和麻省理工学院计算机科学与人工智能实验室（CSAIL）） 纠错

AI总结 通过傅里叶分析和有限群表示论，研究部分数据增强能否达到与完全增强相同的统计收益，证明在广泛学习问题中部分增强可达到极小极大最优率，并给出精确不变性需要全群平均的不可行性结果。

Comments 42 pages, 1 figure. Published at COLT 2026

Journal ref Conference on Learning Theory (COLT) 2026

Sensing Intelligence as a Trainable Metamaterial Property

感知智能作为可训练的元材料属性

Kyungmi Na, Yifei Li, Xinyi Yang, Bolei Deng

机构 * Daniel Guggenheim School of Aerospace Engineering, Georgia Institute of Technology（德鲁·福金斯航空航天工程学院，佐治亚理工学院） ； Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（计算机科学与人工智能实验室，麻省理工学院） 纠错

AI总结 本文提出将感知智能作为可训练的元材料属性，通过可微仿真优化元材料几何结构，使神经网络能够训练其身体进行感知，从而显著提升感知精度或减少电子传感器数量。

Safety Under Scaffolding: How Evaluation Conditions Shape Measured Safety

脚手架下的安全性：评估条件如何影响测量的安全性

David Gringras

机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） 纠错

AI总结 本研究通过62,808次盲法预注册评估，测试了六种前沿模型在四种部署配置下的安全性，发现脚手架架构对安全性影响较小，而格式转换（如选择题与开放式问题）可导致5-20个百分点的测量差异，且模型-脚手架间存在显著异质性，质疑了单一综合安全性分数的实用性。

Comments 74 pages including appendices. 6 frontier models, 62,808 primary observations (~89k total). Pre-registered: OSF DOI 10.17605/OSF.IO/CJW92. Code and data: https://github.com/davidgringras/safety-under-scaffolding

Operationalizing Fairness: Post-Hoc Threshold Optimization Under Hard Resource Limits

将公平性操作化：在硬性资源限制下的事后阈值优化

Moirangthem Tiken Singh, Amit Kalita, Sapam Jitu Singh

机构 * Department of Computer Science and Engineering, DUIET, Dibrugarh University, Assam, India（迪布鲁大学计算机科学与工程系，DUIET，阿萨姆，印度） ； Department of Computer Science and Engineering, MIT, Manipur University, 795003, India（曼尼普尔大学计算机科学与工程系，MIT，曼尼普尔大学，印度） 纠错

AI总结 本文提出一种事后阈值优化框架，在硬性资源限制下平衡安全、效率与公平性，通过全局阈值确保合规，并证明关键性质，实验表明资源限制主导伦理优先级，框架在资源受限下保持高风险识别能力。

Journal ref Neurocomputing (2026)

Configurable Holography: Towards Display and Scene Adaptation

可配置全息术：面向显示与场景自适应

Yicheng Zhan, Liang Shi, Wojciech Matusik, Qi Sun, Kaan Akşit

机构 * University College London（伦敦大学学院） ； Massachusetts Institute of Technology（麻省理工学院） ； New York University（纽约大学） 纠错

AI总结 提出可配置全息框架，通过显式条件化使单一模型适应多种显示-场景参数，无需重新训练，实现与现有方法相当的重建质量并提升速度。

Comments 27 pages, 29 figures