高校专区
RAYEN：在神经网络中施加硬凸约束
机构 * Institute for Research in Technology, ICAI School of Engineering, Comillas Pontifical University（技术研究 institute，ICAI 工程学院，Comillas 大学） ； Aerospace Controls Laboratory, Massachusetts Institute of Technology（航空航天控制实验室，麻省理工学院）
AI总结 RAYEN通过高效方法在神经网络输出或潜在变量中施加硬凸约束，保证训练和测试时的约束满足，支持多种约束类型，显著提升性能。
使零知识证明具备AI专用集成电路
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Google（谷歌）
AI总结 MORPH框架通过重新设计零知识证明内核，利用AI专用集成电路的矩阵吞吐量和能效，提升NTT和MSM的性能，实现10倍的吞吐量提升。
Comments Design Automation Conference 2026
Privatar: 通过安全卸载实现可扩展的隐私保护多用户VR
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Google（谷歌） ； Purdue University/NVIDIA（普渡大学/NVIDIA） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； AMD
AI总结 Privatar通过安全卸载实现多用户VR的可扩展隐私保护，利用领域知识在本地设备保留高能量频率组件，减少信息泄露，同时采用分布感知最小扰动技术提升隐私保障与效用。
Comments Proceedings of the 7th Machine Learning and System Conference (MLSys)
比特币交易费用的模型与估计
机构 * MIT Department of Economics（麻省理工学院经济系） ； MIT EECS（麻省理工学院电子工程与计算机科学系） ； MIT Media Lab Digital Currency Initiative（麻省理工学院媒体实验室数字货币倡议）
AI总结 本文基于区块链数据构建了比特币交易费用选择的结构模型，通过高频mempool面板数据分析了拥堵对延迟的影响及交易者行为对费用的作用。
Comments 53 pages
PINNs在湍流中的不确定性量化：贝叶斯推断与斥力集合
机构 * Division of Applied Mathematics, Brown University（布朗大学应用数学系） ； Department of Computing and Mathematical Sciences, California Institute of Technology（加州理工学院计算与数学科学系） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系）
AI总结 本文提出了一种概率扩展的PINN框架，结合贝叶斯方法、麦克斯韦-玻尔兹曼抽样和斥力深度集合，以提高湍流建模中的不确定性校准，通过Van der Pol振荡器和圆柱绕流测试案例验证了其有效性。
基于生成PDE基础模型的流推进
机构 * Department of Mechanical Engineering（机械工程系） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出Flow Marching算法，结合物理动力学误差分析，构建生成PDE基础模型，通过联合采样噪声和时间步长，学习统一速度场以减少长期漂移并实现不确定性感知的生成。同时引入P2VAE和FMT提升效率，实现大规模预训练。
Comments This work has been substantially expanded and superseded by arXiv:2602.11229
通过多尺度高斯学习残基水平蛋白质动力学
机构 * CSAIL, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） ； Dept. of Mathematics, Massachusetts Institute of Technology（麻省理工学院数学系）
AI总结 本文提出DynaProt框架，通过多变量高斯方法从静态结构预测蛋白质动力学，实现残基灵活性预测和协方差矩阵重建，具有更少参数和高精度。
Comments ICLR 2026
关于逆问题、参数估计和领域泛化
机构 * MIT（麻省理工学院）
AI总结 本文提出逆问题中参数估计的理论分析框架，区分连续与离散估计，探讨可逆与不可逆退化过程，并揭示领域泛化中的关键漏洞。
SFTMix：通过混合配方提升语言模型指令微调
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Zoom Video Communications（Zoom视频通讯）
AI总结 本文提出SFTMix方法，通过混合不同置信度的数据提升指令微调效果，适用于指令遵循和医疗特定任务，展示了在不同模型和数据集上的广泛适用性。
Comments Accepted by ACL 2026
一种基于机器学习的两阶段自适应鲁棒优化方法
机构 * Sloan School of Management, Massachusetts Institute of Technology（斯隆管理学院，麻省理工学院） ； Operations Research Center, Massachusetts Institute of Technology（运筹学研究中心，麻省理工学院）
AI总结 本文提出基于机器学习的两阶段线性自适应鲁棒优化方法，通过生成策略预测最优决策和最坏场景，提升求解效率和准确性。
图-智能体：一种基于图的多智能体LLM协作框架
机构 * UNC Chapel Hill（UNC夏洛茨维尔分校） ； Eigent AI（Eigent人工智能） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Stanford University（斯坦福大学）
AI总结 本文提出Graph-of-Agents框架，通过节点采样、边构建和消息传递提升多智能体协作效率，仅用3个智能体在多个基准测试中优于使用全部6个智能体的基线方法。
Comments ICLR 2026
通过跨模型分歧补充自一致性以进行不确定性量化
机构 * MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； WPI（伍斯特理工学院） ； IFM MBZUAI（MBZUAI人工智能研究所）
AI总结 本文通过引入epistemic不确定性项，改进了自一致性估计的不确定性量化，提升了模型在低不确定性下的选择性回避性能。
DART：通过蒸馏-审计-修复训练缓解差异意识LLM中的危害漂移
机构 * Emory University（埃默里大学） ； MIT（麻省理工学院）
AI总结 本文提出DART方法，通过蒸馏、审计和修复训练缓解LLM中因准确性提升导致的危害漂移问题，提升模型在处理差异相关任务时的准确性和安全性。
Comments Accepted to Findings of ACL 2026
FLARE：一种数据高效的替代模型，用于预测定向能量沉积中的位移场
机构 * Massachusetts Institute of Technology（麻省理工学院） ； GE Vernova Advanced Research Center（GE Vernova先进研究中心）
AI总结 本文提出FLARE模型，通过线性仿射重建在权重空间中高效预测定向能量沉积的位移场，提升了设计迭代和工艺优化中的准确性。
Comments 14 pages, 7 figures
AVRT：通过单模态教师模型实现音频-视觉推理迁移
机构 * University of Tübingen, Germany（图宾根大学） ； MIT, Cambridge MA, USA（麻省理工学院） ； IBM Research, USA（IBM研究院） ； MIT-IBM Watson AI Lab, USA（麻省理工-IBM沃森人工智能实验室） ； Tuebingen AI Center, Germany（图宾根人工智能中心）
AI总结 本文提出AVRT框架，通过单模态教师模型生成高质量音频-视觉推理轨迹，并利用LLM合并模型整合轨迹，从而在多模态设置中实现推理迁移，取得音视频和音频任务的最优效果。
在分布偏移下增强和选择适合的预后模型
机构 * Operations Research Center, Massachusetts Institute of Technology（麻省理工学院运筹学中心） ； Sloan School of Management, Massachusetts Institute of Technology（麻省理工学院斯隆管理学院） ； Department of Surgery, Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心外科部）
AI总结 研究挑战了外部校准保证模型通用性的假设，提出两种策略提高跨队列预后模型的可移植性，通过六个真实世界手术队列验证了协变量和结局相似性对校准的影响。
睡眠的突破：一种无接触方法用于准确睡眠阶段检测的Sleepal AI灯
机构 * Hong Kong Xsmart Century Technology Co., Ltd.（香港Xsmart世纪科技有限公司） ； Urban Mobility Lab, Massachusetts Institute of Technology（城市移动实验室，麻省理工学院） ； Singapore-MIT Alliance for Research and Technology (SMART) Centre（新加坡-麻省理工联盟研究技术中心） ； Department of Respiratory and Critical Care Medicine, Binzhou Medical University Hospital（呼吸与危重症医学科，滨州医学院医院） ； Interdisciplinary Center of Sleep Medicine, Charité – Universitätsmedizin Berlin（睡眠医学跨学科中心，夏里特-柏林大学医学中心）
AI总结 本文提出了一种基于雷达的无接触睡眠监测方法，通过多尺度呼吸和运动特征训练深度学习模型，实现了高精度的睡眠阶段检测，验证了Sleepal AI灯在睡眠评估中的可靠性。
Comments 20 pages, 12 figures, 4 tables. Preprint version; intended submission to Physiological Measurement
降级到升级：优化器简化增强了大语言模型去学习的鲁棒性
机构 * The OPTML Lab, Dept. CSE, Michigan State University（奥普特ML实验室，计算机科学与工程系，密歇根州立大学） ； MIT-IBM Watson AI Lab, IBM Research（MIT-IBM沃森人工智能实验室，IBM研究院）
AI总结 本文研究优化器对大语言模型去学习鲁棒性的影响，发现降级优化器能提升鲁棒性，提出混合优化器提升去学习效果。
ORThought: 物流优化建模的基准测试与自动化
机构 * ZJU-UIUC Institute, Zhejiang University（浙江大学浙大-伊利诺伊大学联合学院） ； School of Transportation, Jilin University（吉林大学交通运输学院） ； Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联合研究所） ； Department of Civil and Environmental Engineering, Imperial College London（伦敦帝国理工学院土木与环境工程系）
AI总结 本文提出ORThought框架，通过引入专家级建模原理，解决物流优化建模中的基准不足、多智能体框架不稳定及评估深度不足等问题，实验证明其在复杂约束下表现优异。
Comments The paper has been accepted by Artificial Intelligence for Transportation
具有功能响应的超材料生成反向设计：可解释学习
机构 * Texas A&M University（德克萨斯大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Northwestern University（西北大学）
AI总结 本文提出基于随机森林的可解释生成反向设计方法RIGID，用于快速生成满足特定功能需求的超材料设计，相较于传统方法更高效且能考虑更多性能指标。
Comments Accepted by Advanced Intelligent Systems
DENALI：一个支持低成本LiDARs非线性视界空间推理的数据集
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Technische Universität Berlin（柏林技术大学）
AI总结 本文提出DENALI数据集，利用低成本LiDARs的时间分辨直方图实现非线性视界空间推理，展示了其在隐藏物体感知中的应用及性能限制因素。
通过序列蒙特卡洛方法加速大语言模型推理
机构 * Cornell University（康奈尔大学） ； Makora（马科拉） ； MIT（麻省理工学院） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出SMC-SD方法，通过重要性加权重采样替代传统拒绝采样，提升推理速度，实验证明在多个基准测试中保持高精度的同时，比推测解码和自回归解码分别快2.36倍和5.2倍。
COMPOSITE-STEM基准：通过70个专家编写的任务评估AI代理的科学推理能力
机构 * PortexAI ； University of Milano-Bicocca（米兰-比科卡大学） ； University of Calgary（卡尔加里大学） ； University of Chicago（芝加哥大学） ； Inria（法国国家信息与自动化技术研究院） ； Fraunhofer Institute for Individualized Medical Technology IMTE（弗劳恩霍夫个性化医疗技术研究所） ； University of Cambridge（剑桥大学） ； Independent（独立） ； McGill University（麦吉尔大学） ； Massachusetts Institute of Technology（麻省理工学院） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Queen Mary University of London（伦敦大学玛丽女王学院） ； Dot Ingredients ； National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Edinburgh（爱丁堡大学） ； Murdoch University（墨尔本大学） ； University of Porto（波尔图大学） ； Stanford University（斯坦福大学） ； Stony Brook University（史泰津布鲁克大学）
AI总结 本文提出COMPOSITE-STEM基准，通过70个专家编写任务评估AI代理的科学推理能力，结合精确匹配评分和LLM作为评委的协议，展示AI在科学领域的能力突破。
群等变学习中的定量逼近速率
机构 * Department of Mathematics（数学系） ； Texas A&M University（德克萨斯A&M大学） ； Faculty of Mathematics（数学系） ； Technion- Israel Institute of Technology（技术学院-以色列理工学院） ； Computer Science and Artificial Intelligence Laboratory（计算机科学与人工智能实验室） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文研究群等变学习中ReLU网络对α-霍尔德函数的逼近速率，证明等变架构与普通MLP在表达能力上相当，无需牺牲逼近能力。
两者兼得：随机与对抗最佳臂识别
机构 * Adobe Research, USA（Adobe研究院，美国） ； University of California, Berkeley, USA（加州大学伯克利分校，美国） ； Queensland University of Technology - ACEMS, Australia（昆士兰理工大学 - ACEMS，澳大利亚） ； Massachusetts Institute of Technology, USA（麻省理工学院，美国） ； SequeL team, INRIA Lille - Nord Europe, France（INRIA里尔 - 北欧，法国）
AI总结 研究在任意对抗性奖励下的多臂老虎机最佳臂识别问题，探讨在随机和对抗场景下如何设计鲁棒的最优算法，证明无法同时满足两种场景的最优性，并提出一种参数无关算法在随机场景下达到下界，同时对抗鲁棒。
Comments Published in Conference on Learning Theory (COLT 2018)
多模态操控 via 多模态策略共识
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Columbia University（哥伦比亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学）
AI总结 本文提出通过多模态策略共识实现多模态操控，采用扩散模型分解策略并利用路由网络动态组合模态贡献，提升机器人操控任务中多模态推理能力。
Comments 8 pages, 7 figures. Project website: https://policyconsensus.github.io
动量进一步约束随机稳定性边缘的锐度
机构 * Massachusetts Institute of Technology, Cambridge, MA, US.（麻省理工学院） ； Meta.（Meta） ； Work done at Princeton University, Princeton, NJ, USA.（普林斯顿大学）
AI总结 本文研究动量对随机稳定性边缘锐度的影响，发现不同批量大小下批量锐度呈现不同收敛特性，揭示动量对优化过程的稳定作用机制。
Comments 40 pages, 38 figures
Creo：从单次图像生成到渐进、协同创意构思
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 Creo是一种多阶段文本到图像系统，通过从粗糙草图到高分辨率输出的渐进过程，使用户能够在中间抽象层进行逐步修改，提升可控性、用户自主性和创意多样性。
Comments 11 pages, 5 figures
在正常胸部X光上训练的算法可以预测健康保险类型
机构 * National Taiwan University Hospital, Taiwan（台湾国立台湾大学医院） ； University of Toronto, Canada（加拿大多伦多大学） ； York University, Canada（加拿大约克大学） ； MIT Critical Data, United States of America（美国MIT Critical Data） ； Massachusetts Institute of Technology, USA（美国麻省理工学院） ； Mass General Brigham, USA（美国麻省总医院） ； Dana-Farber Cancer Institute, USA（美国达纳-法伯癌症研究所）
AI总结 研究显示，通过训练胸部X光图像的深度模型，可预测患者的健康保险类型，揭示社会不平等的隐含特征，挑战医学影像的中立性假设。
Comments Accepted by MIDL 2026
t-SNE的一些理论限制
机构 * Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文探讨了t-SNE在降维过程中丢失数据重要特征的理论限制，通过不同场景的结果分析揭示了其信息丢失机制。
Comments 19 pages, 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