高校专区
AdaBet: 无梯度层选择用于深度神经网络高效训练
机构 * MIT（麻省理工学院） ； Nokia Bell Labs（诺基亚贝尔实验室） ； University of Glasgow（格拉斯哥大学）
AI总结 AdaBet通过无梯度方法选择重要层，提升深度神经网络在边缘设备上的训练效率和准确率。
Comments Full Version accepted at CVPR 2026
SPARLING：通过极稀疏激活学习潜在表示
机构 * Department of Electrical Engineering and Computer Science（电气工程与计算机科学系） ； Massachusetts Institute of Technology（麻省理工学院） ； Department of Computer and Information Science（计算机与信息科学系） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 SPARLING通过极稀疏激活学习潜在表示，利用信息瓶颈技术实现高效中间状态建模，实验证明极端稀疏性对建模效果至关重要。
Comments 10 pages, 6 figures
多阶段第二价格拍卖设计中的强化学习方法
机构 * Institute for Data, Systems, and Society（数据、系统与社会研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； Booth School of Business（博世商学院） ； The University of Chicago（芝加哥大学） ； Department of Industrial Engineering and Management Sciences（工业工程与管理科学系） ； Northwestern University（西北大学） ； Department of Statistics and Data Science（统计与数据科学系） ； Yale University（耶鲁大学） ； Department of EECS, Department of Statistics（电子工程与计算机科学系、统计学系） ； University of California Berkeley（加州大学伯克利分校）
AI总结 本文提出CLUB算法，通过缓冲期和LSVI-UCB扩展，解决多阶段拍卖中保留价优化的三个挑战，实现不同噪声条件下收入遗憾的最优控制。
具有有限控制变量的随机多臂老虎机
机构 * Singapore-MIT Alliance for Research（新加坡-麻省理工联合研究与技术中心） ； Technology Centre（技术中心） ； Department of IEOR Indian Institute of Technology Bombay（工业工程与运营研究系印度理工学院班加罗尔） ； Department of DSAI Indian Institute of Technology Madras（数据科学与人工智能系印度理工学院马德拉斯）
AI总结 本文提出UCB-LCV算法，用于处理有限控制变量的随机多臂老虎机问题，通过结合奖励和控制变量估计器，提升性能并适用于一般分布。
Comments Accepted at COMSNETS 2026
WiCompass：基于Oracle的数据扩展用于毫米波人体姿态估计
机构 * School of Computer Science, Peking University（北京大学计算机科学系） ； University of Electronic Science and Technology of China（电子科技大学） ； University of Pittsburgh（匹兹堡大学） ； Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电子工程与计算机科学系） ； Key Laboratory of High Confidence Software Technologies, Ministry of Education (PKU)（教育部高可信软件技术重点实验室（北京大学））
AI总结 WiCompass通过构建通用姿态空间oracle，实现基于覆盖意识的数据采集，提升毫米波人体姿态估计在分布偏移下的鲁棒性与泛化能力。
Comments This paper has been accepted by The 32nd Annual International Conference on Mobile Computing and Networking (MobiCom'26)
稳定异步性：用于大语言模型的方差控制的非策略强化学习
机构 * MIT（麻省理工学院） ； NVIDIA（英伟达）
AI总结 VCPO通过动态调整学习率和最小方差基线，提升大语言模型异步训练的稳定性与效率。
HalluGuard: 解密数据驱动和推理驱动的LLM幻觉
机构 * CS Department Virginia Tech（弗吉尼亚理工学院计算机科学系） ； EECS Department MIT（麻省理工学院电子工程与计算机科学系） ； CS Department Dartmouth College（达特茅斯学院计算机科学系） ； Statistics Department Virginia Tech（弗吉尼亚理工学院统计学系） ； CS Department Michigan State University（密歇根州立大学计算机科学系）
AI总结 HalluGuard通过统一理论框架和NTK评分方法，系统识别LLM中的数据驱动和推理驱动幻觉，实现高精度检测。
Comments Accepted by The Fourteenth International Conference on Learning Representations (ICLR'26)
对大语言模型中Overton多元主义的基准测试
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Brown University（布朗大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 本文提出OVERTONBENCH框架，通过集合覆盖度量评估大语言模型中多元观点的代表性，揭示模型在多元主义对齐上的改进空间。
Comments Paper accepted to ICLR 2026
3BASiL: 一种用于大型语言模型稀疏加低秩压缩的算法框架
机构 * Operations Research Center（运筹学研究中心） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 3BASiL-TM提出了一种高效的单次后训练方法，用于LLMs的稀疏加低秩分解，显著提升了压缩效果和效率。
Comments The Thirty-ninth Annual Conference on Neural Information Processing Systems
CSRv2: 解锁超稀疏嵌入
机构 * Stony Brook University（石溪大学） ； Xidian University（西安电子科技大学） ； Amazon AGI SF Lab（亚马逊人工智能SF实验室） ； TUM（技术大学） ； MIT（麻省理工学院） ； Yale University（耶鲁大学）
AI总结 CSRv2通过改进的训练方法实现超稀疏嵌入，提升效率和性能，适用于实时和边缘AI系统。
Comments Accepted by ICLR2026. Project Page: https://y-research-sbu.github.io/CSRv2/
通过几何字对编码进行蛋白质结构分词
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Harvard Medical School（哈佛医学院） ； Apple（苹果公司） ； Notre Dame（诺特大学）
AI总结 GeoBPE通过几何字对编码实现蛋白质结构分词，提供压缩、数据效率和泛化能力，支持多架构应用并增强功能解释性。
Comments ICLR 2026
DistillKac：通过阻尼波动方程实现少步图像生成
机构 * MIT（麻省理工学院） ； Stanford（斯坦福大学）
AI总结 DistillKac通过阻尼波动方程和随机Kac表示实现少步高质量图像生成，结合无分类指导和终点蒸馏方法，在保持数值稳定性的同时提升生成质量。
Comments Accepted to ICLR 2026
一种用于可合成分子空间导航的遗传算法
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 SynGA是一种用于可合成分子空间导航的遗传算法，通过自定义交叉和变异算子确保合成可行性，并结合机器学习过滤器提升性能，适用于属性优化等任务。
Comments ICLR 2026
在训练后为大型语言模型生成多样化高质量响应
机构 * Boston University（波士顿大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University College London（伦敦大学学院） ； Boston University Broad Institute of MIT and Harvard（MIT和哈佛大学波士顿大学Broad研究所）
AI总结 本文提出DQO方法，通过确定性点过程优化大型语言模型的质量和语义多样性，提升输出多样性而不影响性能。
Comments ICLR 2026
超越RLHF和NLHF：在公理框架下的人口比例对齐
机构 * MIT LIDS（麻省理工学院LIDS） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出了一种基于公理框架的人口比例对齐方法，通过社会选择理论解决传统偏好学习中的偏差和操纵问题，并在推荐任务和语言模型对齐中验证了其有效性。
Comments ICLR 2026
在大规模生成音乐模型中发现和引导可解释概念
机构 * Dartmouth College（达特茅斯学院） ； MIT（麻省理工学院）
AI总结 本文提出了一种基于稀疏自编码器的方法，在大规模生成音乐模型中发现可解释概念，并用于引导模型生成，揭示了传统方法未发现的音乐结构原理。
Comments ICLR 2026, 20 pages, 12 figures
生成是否需要记忆？利用环境扩散的创造性扩散模型
机构 * UT Austin（得克萨斯大学） ； Yale University（耶鲁大学） ； MIT（麻省理工学院）
AI总结 本文提出了一种利用高噪声尺度数据训练的扩散模型方法，有效减少记忆性的同时保持生成质量。
Comments 33 pages
一个蛋白质就够了
机构 * Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University（捷克信息学、机器人学与自动化研究所，捷克技术大学） ； Institute of Organic Chemistry and Biochemistry of the Czech Academy of Sciences（捷克科学院有机化学与生物化学研究所） ； School of Biological Sciences, Seoul National University（首尔国立大学生物科学学院） ； Interdisciplinary Program in Bioinformatics, Seoul National University（首尔国立大学生物信息学跨学科项目） ； Institute of Molecular Biology and Genetics, Seoul National University（首尔国立大学分子生物学与遗传学研究所） ； Artificial Intelligence Institute, Seoul National University（首尔国立大学人工智能研究所） ； CSAIL, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） ； Qminers
AI总结 本文提出了一种蛋白质自监督定制方法，通过实时训练提升单个蛋白质预测精度，改进结构和功能预测，实现新突破。
BLUFF：跨58种低资源语言的虚假和合成内容检测基准测试
机构 * Penn State University（宾夕法尼亚州立大学） ； Trinity College Dublin（都柏林圣三一学院） ； MIT Lincoln Lab（麻省理工学院林肯实验室） ； Visa Research（Visa研究） ； Kempelen Institute of Intelligent Technologies（凯普勒智能技术研究所）
AI总结 BLUFF通过覆盖58种低资源语言的多语言基准测试，提供检测虚假和合成内容的全面框架，结合人工与AI生成内容，推动公平的虚假信息检测研究。
Texterial: 一种基于文本作为材料的交互范式用于大语言模型辅助写作
机构 * Microsoft Research（微软研究院） ； MIT Media Lab（麻省理工学院媒体实验室） ； University of Toronto（多伦多大学）
AI总结 Texterial提出一种将文本视为可塑材料的交互范式，通过手势塑形和植物生长的机制，提升大语言模型辅助写作的用户体验和操作灵活性。
Journal ref Proceedings of the 2026 ACM CHI Conference on Human Factors in Computing Systems (ACM CHI 2026)
USE：用于鲁棒半监督学习的不确定性结构估计
机构 * National Taiwan University of Science and Technology（台湾科技大学） ； Chang Gung University（长庚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； The Ohio State University（俄亥俄州立大学） ； NVIDIA（NVIDIA公司） ； National Taiwan University（台湾大学）
AI总结 USE通过评估未标记数据质量提升半监督学习的鲁棒性和准确性。
Comments Revised mathematical derivations
反馈对齐在生物时间尺度上是否有效？
机构 * Massachusetts Institute of Technology（麻省理工学院） ； NTT Research（NTT研究所）
AI总结 该研究提出反馈对齐学习的连续时间模型，揭示了突触前驱动与误差信号的时间重叠对学习效果的关键作用，并指出生物时间尺度上算法需遵循时间重叠原则。
ScholarEval: 基于文献的研究思想评估
机构 * Department of Computer Science and Engineering, The Ohio State University（俄亥俄州立大学计算机科学与工程系） ； Division of Medicinal Chemistry and Pharmacognosy, The Ohio State University（俄亥俄州立大学药物化学与药理学系） ； Department of Wildlife, Fisheries, and Conservation Biology, The University of Maine（缅因大学野生动物、渔业与保育生物学系） ； McGovern Institute for Brain Research, Massachusetts Institute of Technology（麻省理工学院麦格尼恩脑研究 institute） ； Center for Cognitive and Behavioral Brain Imaging, The Ohio State University（俄亥俄州立大学认知与行为脑成像中心） ； Department of Chemistry, University of Wisconsin-Madison（威斯康星大学麦迪逊分校化学系） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 ScholarEval通过基于文献的评估框架，有效评估研究思想的实证有效性与创新性，优于现有基线方法。
大规模多模态基础模型：一种捕捉交互的专用专家混合框架
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出了一种大规模多模态基础模型框架，通过量化模态间的时间依赖性，改进混合专家路由机制，提升跨模态交互处理能力。
Comments Published at International Conference on Learning Representations (ICLR) 2026 as a conference paper. 28 pages, 16 figures, 10 tables
负预激活区分句法
机构 * MIT（麻省理工学院） ； Red Hat AI（红帽人工智能）
AI总结 研究发现，Wasserstein神经元中的负预激活在句法处理中起关键作用，其删除显著影响语法性能，而其他神经元的删除影响较小。
Comments 10 pages, 7 figures
低秩稀疏化
机构 * University of Cambridge（剑桥大学） ； Microsoft Research New England（微软研究院新英格兰分部） ； MIT（麻省理工学院）
AI总结 本文提出了一种低秩分析的子高斯稀疏化方法，适用于任何分布和核，能够保证高质量压缩，并在变换器注意力近似、随机梯度训练加速和分布区分中取得改进。
评估藤蔓机器人形状感知的准确性：使用分布式惯性测量单元
机构 * Department of Aerospace and Mechanical Engineering, University of Notre Dame（内布拉斯加大学达文波特分校航空航天与机械工程系） ； Lincoln Laboratory, Massachusetts Institute of Technology（麻省理工学院林肯实验室）
AI总结 本研究通过实验评估了藤蔓机器人使用分布式IMUs进行形状感知的准确性，发现主动转向和不同长度下误差变化，并探讨了传感器间距对误差的影响。
单株的主观性
机构 * MIT, Cambridge, USA（麻省理工学院，剑桥，美国）
AI总结 本文探讨了机器学习模型间高度一致性的主观性，指出评估单株现象需依赖基线模型和情境选择，通过实验验证不同假设下的推断差异。
预测未来语言：提及市场中的上下文设计
机构 * LinqAlpha ； Massachusetts Institute of Technology（麻省理工学院） ； Kalshi ； IBM ； LG AI Research（LG AI研究） ； University of Florida（佛罗里达大学） ； Seoul National University（首尔国立大学） ； Pusan National University（釜山国立大学） ； University of California, Berkeley（加州大学伯克利分校） ； UNIST（全南国立大学）
AI总结 本文研究了提及市场中上下文设计对预测准确性的影响，提出市场条件提示（MCP）方法，通过结合市场概率和文本证据提升预测鲁棒性。
Comments 10 pages
越野导航 via 隐式神经表示的地形可通行性
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 TRAIL通过隐式神经表示建模地形可通行性，结合梯度优化方法实现路径和速度的自适应调整，提升越野导航性能。
Comments Full version: 10 pages
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