高校专区
扰动导数：双倍野性重拟合用于无模型评估模糊机器学习预测器
机构 * Center for Computational Science and Engineering, MIT（计算科学与工程中心，麻省理工学院） ； Institute for Data, Systems, and Society, MIT（数据、系统与社会研究所，麻省理工学院） ； Department of Civil and Environmental Engineering, MIT（土木与环境工程系，麻省理工学院）
AI总结 本文研究了经验风险最小化在凸损失下的超额风险评估问题，通过野性重拟合思想，利用扰动导数生成伪标签，提出无需了解基础函数类复杂度的无模型方法，用于评估现代模糊深度神经网络和生成模型的理论性能。
不确定性使其稳定：基于好奇心的量化专家混合框架
机构 * MIT Critical Data（MIT关键数据） ； Université de Rennes（里昂大学） ； Technetium Engineering（Technetium工程） ； Institución Universitaria Colegio Mayor del Cauca（科瓦卡大学学院） ； CeADAR - Ireland’s Centre for AI（爱尔兰人工智能中心） ； University College Dublin（都柏林大学） ； Tsinghua University（清华大学） ； Beth Israel Deaconess Medical Center（贝瑟尔以色列德acons医院） ； Harvard T.H. Chan School of Public Health（哈佛T.H.陈公共卫生学院）
AI总结 本文提出基于好奇心驱动的量化专家混合框架，通过贝叶斯知识不确定性路由提升模型在资源受限设备上的精度与推理延迟稳定性，实验证明其在音频分类任务中具有更高的准确率和更低的能耗。
编码计算用于鲁棒分布式计算：一种学习理论框架
机构 * University of Minnesota（明尼苏达大学） ； MIT（麻省理工学院） ； CSAIL（计算机科学与人工智能实验室）
AI总结 本文提出一种结合学习理论的编码计算框架，通过优化编码解码函数减少均方误差，提升机器学习任务的鲁棒性和收敛速度。
Comments 35 pages, 7 figures
Journal ref 38th Conference on Neural Information Processing Systems (NeurIPS 2024)
在线库学习在人类视觉谜题解决中的应用
机构 * University of Edinburgh（爱丁堡大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； KU Leuven（鲁汶大学） ； Dalhousie University（达尔豪斯大学）
AI总结 研究探讨了人类在视觉谜题中如何通过在线库学习构建和复用抽象，随着经验增加，辅助工具的使用变得更加高效和选择性，从而提升问题解决能力。
GIFT：基于意图的灵活测试时间奖励
机构 * NC State（北卡罗来纳州立大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 GIFT通过语言模型推断用户演示中的高层意图，以提升奖励在新环境下的泛化能力，优于基于视觉和语义相似性的基线方法。
Comments To appear at IEEE ICRA '26
PRISM：解开中期训练中保留与交互的谜团
机构 * IBM Research, MIT-IBM Watson AI Lab（IBM研究院，MIT-IBM沃森人工智能实验室）
AI总结 PRISM通过七种基础模型的受控实验，发现中期训练能显著提升数学、代码和科学基准测试成绩，同时保持整体性能，且数据组成比强化学习更重要。
当传感器失效时：用于在传感器漂移下鲁棒PPO的时序序列模型
机构 * MIT Lincoln Laboratory（MIT林肯实验室） ； Harvard（哈佛大学） ； MIT（麻省理工学院）
AI总结 本文研究了在传感器漂移下PPO的鲁棒性，通过引入时序序列模型提升政策在部分可观测性和表示偏移下的性能。
Comments Accepted at ICLR 2026 CAO Workshop
evoxels：一种可微物理框架用于基于体素的微观结构模拟
机构 * Imperial College London（帝国理工学院伦敦分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
AI总结 本文提出evoxels框架，结合体素化方法、物理模拟和机器学习，实现微观结构的逆向设计与优化。
Comments 9 pages, 3 figures, structure following JOSS style
端到端训练用于统一的标记化和潜在去噪
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Adobe（Adobe公司）
AI总结 本文提出UNITE模型，通过端到端训练实现统一的标记化和潜在扩散，无需对抗损失或预训练编码器，在图像和分子领域达到接近SOTA的性能。
Comments First two authors contributed equally. Project: https://xingjianbai.com/unite-tokenization-generation/ Code: https://github.com/ShivamDuggal4/UNITE-tokenization-generation
混合小专家：克服多实例学习中的线性层瓶颈
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； Emory University（埃默里大学） ； MD Anderson Cancer Center（MD安德森癌症中心）
AI总结 本文提出MAMMOTH模块，通过低秩变换提升多实例学习中任务特定特征提取，实验显示其在130种配置中提升性能，平均提升3.8%。
Comments Published in ICLR 2026 (37 pages, 16 figures)
关于基于约束的因果发现中条件独立性测试数量的探讨
机构 * Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（埃里克和文黛斯中心，MIT和哈佛Broad研究所） ； Centre de Formació Interdisciplinària Superior, Universitat Politècnica de Catalunya（跨学科高级培训中心，加泰罗尼亚理工大学） ； Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院）
AI总结 本文提出一种复杂度更低的算法，通过减少条件独立性测试数量提升因果发现效率，同时证明了约束方法的理论下限。
精密光学系统闭环机器人组装、对齐与自我恢复框架
机构 * Research Laboratory of Electronics, Massachusetts Institute of Technology（麻省理工学院电子研究实验室） ； NSF Institute for Artificial Intelligence and Fundamental Interactions (IAIFI) and the Department of Physics, Massachusetts Institute of Technology（国家科学基金会人工智能与基本相互作用研究所（IAIFI）和麻省理工学院物理系） ； Nokia Bell Labs（诺基亚贝尔实验室） ； School of Electrical, Computing and Energy Engineering, Arizona State University（亚利桑那州立大学电气、计算与能源工程学院）
AI总结 本文提出一个机器人框架，实现精密光学系统的自动构建、对齐与维护，通过层级计算机视觉、优化和定制工具实现闭环自主操作，展示了桌面激光腔的全自动构建及自我恢复能力。
进步的价格：价格性能与AI的未来
机构 * MIT FutureTech, CSAIL, Cambridge, MA, USA（麻省理工学院未来科技、计算机科学与人工智能实验室，马萨诸塞州剑桥市） ； MIT FutureTech, Sloan, Cambridge, MA, USA（麻省理工学院未来科技、斯隆管理学院，马萨诸塞州剑桥市）
AI总结 本文研究了AI模型在基准测试中的性能与成本关系，发现价格性能显著下降，但前沿模型运行成本因模型规模和推理需求增加而上升。
视频内容定制中的首帧至关重要
机构 * University of Maryland（马里兰大学） ； USC（南加州大学） ； MIT（麻省理工学院） ； NVIDIA（NVIDIA公司）
AI总结 本文揭示视频生成模型将首帧视为概念记忆缓冲区，通过少量训练示例实现鲁棒且通用的视频内容定制。
Comments Accepted to CVPR 2026
提升系统优化代理AI的连贯性与持续性
机构 * MIT（麻省理工学院）
AI总结 本文提出Engram架构，通过解耦长周期探索与单一上下文窗口约束，提升代理AI在多领域系统优化中的连贯性和持续性。
情感感知量化用于离散语音表示：对情感保留的分析
机构 * The University of Melbourne, Australia（墨尔本大学） ； Massachusetts Institute of Technology, USA（麻省理工学院） ； Monash University, Australia（墨尔本大学）
AI总结 研究探讨了残差向量量化对离散语音表示中情感信息的影响，提出情感感知量化方法以提升情感感知的保留度，并改进低比特率下的情感识别性能。
AI可以应用在哪里？来自工作活动深度本体的洞察
机构 * Sloan School of Management, Massachusetts Institute of Technology（麻省理工学院斯隆管理学院） ； Mens, Manus, and Machina, Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联盟研究技术机构）
AI总结 本文通过构建工作活动的深度本体，系统分析AI的应用领域，发现高价值AI市场集中在信息类活动，揭示了AI在不同工作活动中的分布特征。
CALM：用于大音频-语言模型的类条件稀疏注意力向量
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Tuebingen AI Center（图宾根人工智能中心） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
AI总结 本文提出CALM，一种用于小样本分类的类条件稀疏注意力向量方法，通过学习类依赖的重要性权重提升音频和音频视觉分类性能，实验显示在多个基准上优于传统投票方法。
Comments 11 pages, 6 figures
学习解释语言模型中的权重差异
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出Diff Interpretation Tuning方法，通过合成标签权重差异训练适配器，使模型能用自然语言描述微调后的修改。
Comments Project code and links to weight diffs, adapters, and training data can be found at https://github.com/Aviously/diff-interpretation-tuning
关于使用Lasso回归的签名一致性
机构 * UC Berkeley Department of Industrial Engineering and Operations Research（伯克利大学工业工程与运筹学系） ； Peking University School of Mathematical Sciences and Laboratory for Mathematical Economics and Quantitative Finance（北京大学数学科学学院及数学经济学与量化金融实验室） ； Peking University School of Mathematical Sciences, Center for Statistical Science, National Engineering Laboratory for Big Data Analysis and Applications, and Laboratory for Mathematical Economics and Quantitative Finance（北京大学数学科学学院、统计科学中心、大数据分析与应用国家工程实验室及数学经济学与量化金融实验室） ； MIT Sloan School of Management and Laboratory for Financial Engineering（麻省理工学院斯隆管理学院及金融工程实验室）
AI总结 本文研究了使用Lasso回归的签名一致性，理论和数值分析表明，Lasso在有限样本和渐近情况下的一致性取决于时间序列过程与布朗运动的接近程度及维度相关性。
评估可解释性代理中的陷阱
机构 * Kempner Institute at Harvard University（哈佛大学 Kempner 机构） ； Northeastern University（东北大学） ； Boston University（波士顿大学） ； MIT（麻省理工学院）
AI总结 本文研究了自动化电路分析中可解释性代理的评估挑战，提出基于模型组件功能互换性的无监督内在评估方法，揭示了复制评估的局限性。
大规模超图的结构可控性
机构 * Eric and Wendy Schmidt Center at the Broad Institute of MIT and Harvard（MIT和哈佛大学布罗德研究所的埃里克和wendy Schmidt中心） ； School of Data Science and Society, University of North Carolina at Chapel Hill（夏洛特希尔大学数据科学与社会学院） ； Department of Biostatistics, University of North Carolina at Chapel Hill（夏洛特希尔大学生物统计学系）
AI总结 本文提出超图结构可控性框架，通过多项式动力系统建模，建立拓扑判定准则并设计可扩展的驱动节点选择算法，验证了方法在大规模超图中的有效性。
Comments 14 pages, 4 figures, 1 table
Physion-Eval：通过人类推理评估生成视频的物理真实性
机构 * Physion Labs（Physion实验室） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； Harvard University（哈佛大学） ； Character AI
AI总结 本文提出Physion-Eval基准，通过专家人类推理评估生成视频的物理真实性，揭示当前视频生成模型在物理关键场景中存在显著缺陷，83.3%的外向视角和93.5%的内向视角视频存在可识别的物理错误。
驯服长尾：通过自适应草案器实现高效的推理强化学习训练
机构 * MIT（麻省理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； NVIDIA（英伟达） ； MIT-IBM AI Lab（麻省理工-IBM人工智能实验室） ； MIT, NVIDIA（麻省理工学院、英伟达）
AI总结 本文提出TLT系统，通过自适应草案器和自适应回放引擎，解决强化学习训练中响应生成的长尾分布问题，实现1.7倍的训练加速并保持模型精度。
通过破译对称性构建任意子群等变网络
机构 * MIT（麻省理工学院） ； TUM（技术大学慕尼黑） ； Flatiron Institute（Flatiron研究院）
AI总结 本文提出Any-Subgroup Equivariant Network，通过调节辅助输入特征实现多组等变，理论证明其能模拟等变MLP，实验验证其在图、图像及序列任务中优于单独等变模型。
Comments Accepted at ICLR 2026
基于事件视觉的实时光学通信
机构 * Robotics Engineering Department, Worcester Polytechnic Institute（沃斯特理工学院机器人工程系） ； MIT Lincoln Laboratory（麻省理工学院林肯实验室）
AI总结 本文提出基于事件相机的实时光学通信系统，利用GA-UKF实现移动发射机跟踪与实时解码，精度达95%且处理速度提升7倍。
Comments 8 pages, 7 Figures, Submitted to IROS 2026 - Under Review
为整体连续软机器人碰撞避免设计的闭式CLF-CBF控制器
机构 * 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） ； Robotics Engineering Department, Worcester Polytechnic Institute（机器人工程系，沃斯堡理工学院）
AI总结 本文提出闭式CLF-CBF控制器，用于软连续机器人的实时3D障碍物避障，通过分析嵌入安全约束确保稳定性和安全性，比传统方法快10至100倍。
AI能否真正代表您的声音进行辩论？基于大规模意见聚合的全面研究
机构 * Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； KAUST（卡塔尔大学） ； MIT（麻省理工学院）
AI总结 本文通过DeliberationBank数据集评估LLM在大规模辩论总结中的表现，发现其存在代表性不足和偏见问题，提出DeliberationJudge模型提升评估准确性。
在线学习与排名反馈下的均衡计算
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Maryland, College Park（马里兰大学 College Park 分校） ； Northeastern University（东北大学）
AI总结 本文研究了在仅获得动作排名反馈的在线学习模型，探讨了不同排名机制下的子线性遗憾算法，并在特定条件下实现近似粗相关均衡。
一种用于从临床笔记中识别患者健康素养信息的数据集和资源
机构 * National Library of Medicine（国家医学图书馆） ； Massachusetts Institute of Technology（麻省理工学院） ； Yonsei University College of Medicine（延世大学医学院） ； Beth Israel Deaconess Medical Center（贝斯以色列医疗中心） ； NYC Health + Hospitals - Lincoln（纽约市卫生局-林肯医院）
AI总结 本文提出HEALIX数据集，通过社会工作者笔记采样、关键词过滤和LLM主动学习方法，标注了589个临床笔记的健康素养信息，验证了其在不同大语言模型上的应用效果。
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