高校专区
在图模型下学习$\mathsf{AC}^0$
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Duke University（杜克大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出在图模型下学习$\mathsf{AC}^0$电路的亚指数时间算法，克服了传统产品结构的限制，扩展了低次多项式逼近的应用范围。
Comments 57 pages
FrontierFinance: 一个长期计算机使用的真实金融任务基准
机构 * Kensho Technologies ； S&P Global（标普全球） ； MIT（麻省理工学院）
AI总结 本文提出FrontierFinance基准，通过25个复杂金融建模任务评估AI在金融领域的长期表现，展示人类专家在任务完成和输出质量上的优势。
神经量子态的表达性：从瓦尔什复杂性视角出发
机构 * Department of Physics, Massachusetts Institute of Technology（麻省理工学院物理系） ； Department of Physics, Harvard University（哈佛大学物理系）
AI总结 研究神经量子态的表达能力，通过瓦尔什复杂性分析其在奇偶模式上的分布，揭示浅层加法网络在特定条件下无法生成高复杂性的限制，以及深度对加法神经量子态的重要性。
Comments 5 pages, 2 figures. (v2) added acknowledgement
SigLino：高效多教师蒸馏用于聚类视觉基础模型
机构 * Technology Innovation Institute（技术创新研究所） ； Tuebingen AI Center/University of Tuebingen（图宾根人工智能中心/图宾根大学） ； MIT-IBM Watson AI Lab（MIT-IBM Watson AI实验室）
AI总结 本文提出SigLino，一种高效的聚类视觉基础模型，通过同时蒸馏SigLIP2和DINOv3的知识到密集和专家混合学生中，提升了多教师蒸馏的效率与效果。
Comments 17 pages, 8 figures, 11 tables
大语言模型评估作为张量补全：低秩结构与半参数效率
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Purdue University（普渡大学）
AI总结 本文将大语言模型评估视为低秩潜在评分张量的半参数推断问题，通过成对比较数据进行张量补全，提出了一种基于信息算子和影响函数的偏差修正估计器，解决了异质信息算子带来的挑战。
LMI-Net：通过可微投影层实现的线性矩阵不等式约束神经网络
机构 * Laboratory for Information and Decision Systems (LIDS), Massachusetts Institute of Technology（麻省理工学院信息与决策系统实验室（LIDS））
AI总结 本文提出LMI-Net，一种通过可微投影层强制满足线性矩阵不等式约束的神经网络，通过 Douglas-Rachford 分裂实现前向传播，并通过隐式微分支持高效反向传播，提升在分布偏移下的可行性。
人工智能与集体决策：增强合法性与失败者同意
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Oxford University（牛津大学）
AI总结 研究探讨AI如何通过收集个体经验增强集体决策的合法性，并通过可视化工具提升信任与社会凝聚力，即使决策与个人偏好相悖。
Comments 11 pages + appendix
盲区质量：一种用于量化机器学习系统部署覆盖风险的Good-Turing框架
机构 * University of Maryland, Baltimore County (UMBC)（马里兰大学巴尔的摩县分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Ambient Scientific Inc（Ambient Scientific公司）
AI总结 本文提出盲区质量框架，用于量化机器学习系统部署覆盖风险，通过Good-Turing方法估计概率质量，识别关键风险区域，为工业实践提供数据收集和约束优化指导。
Comments 15 pages, 7 figures, 1 table; submitted to Journal of Machine Learning Research (JMLR)
ID-Sim：一种以身份为中心的相似性度量
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Adobe Research（Adobe研究院）
AI总结 本文提出ID-Sim，一种以身份为中心的相似性度量，通过高质量图像数据集和生成合成数据，提升身份识别和生成任务的评估能力。
Comments SB and CH equal advising; Project page https://juliachae.github.io/id_sim.github.io/
Agora：通过基于人类声音的AI人设教授共识寻找技能
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Oxford（牛津大学）
AI总结 Agora通过AI平台利用LLM组织真实人类声音，帮助用户通过制定和修订政策建议、听取支持与反对观点并获得反馈来提升共识寻找能力，初步研究显示其能有效提升用户视角转换能力。
Comments Short version: Accepted to ACM CHI Extended Abstracts 2026 (https://doi.org/10.1145/3772363.3798888); Long version under review
TeamPath: 构建多模态病理专家的推理AI助手
机构 * Interdepartmental Program in Computational Biology and Biomedical Informatics, Yale University（耶鲁大学计算生物学与生物医学信息学跨学科项目） ； Department of Biostatistics, Yale University（耶鲁大学生物统计学系） ； Broad Institute of MIT and Harvard（博德研究所） ； Department of Complexity Science and Engineering, The University of Tokyo（东京大学复杂科学与工程系） ； Center for Advanced Intelligence Project, RIKEN（理化学研究所先进智能项目中心） ； Department of Pathology, Yale University（耶鲁大学病理学系） ； Department of Anatomical Pathology, Singapore General Hospital（新加坡中央医院解剖病理学系） ； Center for Biomedical Data Science, Duke–NUS Medical School, Singapore, Singapore（杜克-新加坡国立大学医学院生物医学数据科学中心） ； Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
AI总结 TeamPath通过强化学习和路由增强方案，整合多模态数据提升病理诊断与跨模态生成能力，为临床提供可靠的信息交流系统。
Comments 45 pages, 6 figures
通过专家参与学习推进AI研究助手
机构 * Yale University（耶鲁大学） ； Broad Institute of MIT and Harvard（麻省理工学院-哈佛大学博德研究所） ； Google DeepMind（谷歌DeepMind） ； Stanford University（斯坦福大学） ； Genentech（基因泰克） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Cornell University（康奈尔大学） ； Harvard University（哈佛大学）
AI总结 本文提出ARIEL框架，通过专家验证任务评估大语言模型和多模态模型在生物医学领域的表现，发现提示工程和轻量级微调能提升文本覆盖，计算扩展策略增强视觉问答能力，构建了集成文本和视觉线索的AI助手，提出可检验的机理假设。
Comments 43 pages, 7 figures
多变量批量贝叶斯优化在材料研究中的应用：合成数据对噪声敏感性和问题景观效应的分析
机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Aalto University（阿尔托大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文通过合成数据研究噪声敏感性和问题景观对贝叶斯优化的影响，分析了噪声水平、批量选择方法和获取函数对优化结果的影响，为材料研究中的实验优化提供指导。
对冲与非肯定：量化大语言模型在人权问题上的对齐
机构 * Google Deepmind（谷歌DeepMind） ； Massachusetts Institute of Technology（麻省理工学院） ； Independent Researcher（独立研究员） ； Google（谷歌） ； AI Accountability Lab, Trinity College Dublin（都柏林圣三一学院人工智能问责实验室）
AI总结 研究通过系统框架量化LLM在不同群体身份上的对冲与非肯定行为，发现群体身份是主要影响因素，通过引导和正交化技术可有效缓解偏差。
TriAttention: 有效长推理的三角KV压缩
机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； ZJU（浙江大学）
AI总结 TriAttention通过三角序列利用KV集中性，提升长推理效率，实现2.5倍吞吐量和10.7倍KV内存节省。
Comments Code is available at https://github.com/WeianMao/triattention
人工智能聚合如何影响知识
机构 * Massachusetts Institute of Technology（麻省理工学院） ； NBER（美国国家经济研究局） ； CEPR（经济政策研究中心） ； Columbia University（哥伦比亚大学） ； Tuck School of Business at Dartmouth College（达特茅斯学院塔克商学院）
AI总结 本文研究人工智能聚合对学习的影响，通过扩展DeGroot模型引入AI聚合器，分析聚合速度对学习效果的影响，发现局部聚合器优于全局聚合器。
Comments 45 pages
通过伪随机噪声抗扰键交换实现AI代理之间的不可检测对话
机构 * MIT（麻省理工学院） ； Tel Aviv University（特拉维夫大学）
AI总结 本文研究了在无共享密钥情况下，如何通过伪随机噪声抗扰键交换实现AI代理间的隐蔽对话，突破传统通信中对信息熵的依赖，提出新的密码学理论。
解毒经验提升LLM代理的测试时间推理
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 本文研究通过解毒经验提升LLM代理测试时间推理性能，探讨如何通过经验构建有效上下文以优化复杂推理任务。
代理技能在真实环境中的表现如何：在现实场景中评估LLM技能使用的基准测试
机构 * UC Santa Barbara（加州大学圣塔芭芭拉分校） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
AI总结 本文研究了在更现实的环境下LLM技能的实用性，发现技能效果随环境复杂性增加而下降，通过查询特定的技能细化策略可恢复性能，实验在Terminal-Bench 2.0上提升了Claude Opus 4.6的通过率。
子空间控制：将受约束的模型操控转化为可控的谱优化
机构 * OPTML, Michigan State University（OPTML，密歇根州立大学） ； MIT-IBM Watson AI Lab, IBM Research（MIT-IBM Watson AI Lab，IBM研究院） ； University of Minnesota（明尼苏达大学） ； University of Michigan（密歇根大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校）
AI总结 本文提出子空间控制框架，通过分析谱交叉任务干扰并利用一阶解正交化合并子空间，引入SIFT方法，实现可控更新以缓解目标与约束冲突，在四个应用中均取得显著性能提升。
Sandpiper：大规模教育对话中的协同AI标注
机构 * National Tutoring Observatory（国家辅导观察站） ； FreshCognate ； Cornell University（康奈尔大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 Sandpiper通过结合交互式研究仪表板与大语言模型，实现高体积对话数据与人类定性专家的协同分析，提升研究效率和可靠性。
利用Kolmogorov-Arnold化学反应神经网络（KA-CRNN）学习锂离子正极材料的连续状态of charge依赖热分解动力学
机构 * Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系）
AI总结 本文提出使用KA-CRNN模型学习锂离子正极材料在不同SOC下的热分解动力学参数，通过DSC数据直接获取SOC依赖的活化能和焓变等参数，实现对热失控行为的准确预测和解释。
Comments 20 pages, 4 figures, 7 appendix figures, 1 table. Updated after acceptance to journal
Journal ref Journal of Energy Storage 158 (2026) 121853
自主代理用于科学发现：协调科学家、语言、代码和物理
机构 * Department of Computer Science and Engineering, Texas A&M University（德克萨斯农工大学计算机科学与工程系） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） ； Department of Computer Science, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系） ； Siebel School of Computing and Data Science, University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校西贝尔计算与数据科学学院） ； Department of Materials Science and Engineering, Texas A&M University（德克萨斯农工大学材料科学与工程系） ； Department of Electrical and Computer Engineering, Texas A&M University（德克萨斯农工大学电气与计算机工程系） ； Department of Physics and Astronomy, Texas A&M University（德克萨斯农工大学物理与天文学系）
AI总结 本文探讨基于LLM的科学代理，通过协调科学家、语言、代码和物理，加速科学发现的全过程，分析现有方法并提出未来研究方向。
xRFM：用于表格数据的准确、可扩展且可解释的特征学习模型
机构 * Computer Science and Engineering（计算机科学与工程） ； INRIA Saclay ； Halıcıoğlu Data Science Institute（Halıcıoğlu数据科学研究所） ； UC San Diego（加州大学圣地亚哥分校） ； MIT Mathematics（麻省理工学院数学系） ； Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学博德研究所）
AI总结 本文提出xRFM，结合特征学习核机与树结构，实现数据局部结构适应和大规模训练数据处理，优于31种方法，在100个回归数据集和200个分类数据集上表现优异且具备可解释性。
利用ASIC AI芯片进行同态加密
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） ； NVIDIA（英伟达） ； Cornell University（康奈尔大学）
AI总结 本文探讨利用现有AI加速器如Google的TPU，通过CROSS编译器框架实现同态加密的高效能，解决GPU架构与同态加密算法的不匹配问题，提升能效。
Comments IEEE International Symposium on High-Performance Computer Architecture (HPCA) 2026; 18 pages, 16 figures, 5 algorithms, 10 tables. Leveraging Google TPUs for Homomorphic Encryption
Journal ref 2026 IEEE Symposium on High-Performance Computer Architecture
激励塑造人类与生成式AI协同创作的方式
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究通过随机对照试验发现，激励机制影响人类在创意写作中使用生成式AI的方式，原创激励组产生更多样化的写作。
通过快速自编码器投影提升可行性
机构 * University of Toronto（多伦多大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出一种基于自编码器的高效方法，通过学习凸的潜在表示快速修正不可行预测，适用于复杂约束优化和强化学习问题，降低计算成本。
机器人需要肢体语言吗？比较不同沟通方式以实现人类共享空间中运动意图的可理解性
机构 * MIT Media Lab（麻省理工学院媒体实验室） ； New England Innovation Academy（新英格兰创新学院）
AI总结 研究探讨不同沟通方式对理解四足机器人导航意图的影响，评估表达性动作、灯光、文本和音频等模态对预测准确性、信心和信任度的作用。
基于学习的腿部机器人远程动态环境故障检测
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出一种基于学习的离线方法，用于从腿部机器人本体传感器数据中检测单肢故障，以帮助控制器选择合适的三足步态。
PALM：通过具身理由推理进行长时间 horizon 肢体操作的进展感知策略学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 PALM通过具身理由推理和子任务进展线索，改进长horizon机器人操作的策略学习，实现91.8%的成功率和更长的任务长度。
Comments CVPR 2026
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