高校专区
Transformer作为贝叶斯上下文实验者：平滑自适应的高效ATE估计
机构 * Laboratory for Information and Decision Systems, MIT（麻省理工学院信息与决策系统实验室）
AI总结 提出贝叶斯上下文实验者框架，利用Transformer模仿贝叶斯后验Neyman分配策略，通过注意力机制和投影梯度下降实现平滑自适应的平均处理效应高效估计。
重新思考基础模型协作：通过代理任务推理增强专用模型
机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与运载学院） ； Department of Urban Studies and Planning, Massachusetts Institute of Technology（麻省理工学院城市研究与规划系）
AI总结 提出FAT框架，将基础模型与专用模型协作视为任务分解而非替代，通过代理任务（如选择或验证）提升结构化预测性能，在多个任务上优于直接使用基础模型回归。
利用真实世界故障记录生成自动驾驶系统测试场景
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出一种基于LLM的场景生成流程，利用历史故障记录中的分类和上下文信息，生成多样化测试场景，在Metadrive模拟器上验证了方法的准确性和多样性。
Comments 9 pages, Appendix included. Paper accepted and presented at NeuS 2026
压缩表示空间中的运动规划
机构 * MIT LIDS（麻省理工学院信息与决策系统实验室）
AI总结 提出一种生成式框架，通过高压缩率自编码器学习离散层级化潜在空间，并在其中直接搜索进行运动规划，兼顾灵活性与效率，无需任务特定训练。
Comments To appear in the Proceedings of the 43rd International Conference on Machine Learning
GaussLite：面向实时机器人建图的任务条件化3D高斯泼溅
机构 * Aerospace Controls Laboratory, MIT（麻省理工学院航空航天控制实验室）
AI总结 提出GaussLite，一种任务驱动的3DGS建图系统，通过自然语言任务规范调节表示密度，利用LLM解析器提取目标并实时生成像素级相关性掩码，在有限资源下实现实时建图，ROI PSNR提升约2.72 dB。
使用AI代理自动化大规模黑盒审计个性化算法
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出用生成式AI代理作为行为引擎进行黑盒审计，通过固定人设和反事实扰动解耦用户属性与行为，在X平台部署1120个代理发现算法推荐放大有毒、极化内容且效果因用户意识形态而异。
Comments 43 pages, 10 figures
LLMs中的一致性困境：生成器-评估器一致性与对错误的脆弱性
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出生成器-评估器自一致性度量，发现模型自一致性越高，在临床环境中对已验证错误的脆弱性越大，揭示LLMs中的一致性困境。
ElemeNet：跨周期表的多尺度分子机器学习与不确定性量化
机构 * Department of Chemical Engineering, Massachusetts Institute of Technology（麻省理工学院化学工程系） ； Center for Computational Science and Engineering, Massachusetts Institute of Technology（麻省理工学院计算科学与工程中心） ； Institute for Theoretical Chemistry, University of Stuttgart（斯图加特大学理论化学研究所） ； Institute for Artificial Intelligence, University of Stuttgart（斯图加特大学人工智能研究所） ； Department of Chemistry, Massachusetts Institute of Technology（麻省理工学院化学系）
AI总结 提出统一软件包ElemeNet，支持元素1-100的分子表示，集成E(3)-等变和Transformer架构，内置不确定性量化，在有机、无机、配位和生物化学数据集上达到竞争性或最优性能。
弹性时间：神经音频编码的动态帧率瓶颈
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出弹性时间方法，通过轻量级潜在预测器实现动态帧率瓶颈，将固定帧率自编码器转换为动态帧率，在推理时高效选择边界，提升效率-质量权衡。
Comments Interspeech 2026
FracEvent: 通过分数阶弛豫像素动力学进行事件相机模拟
机构 * The University of Sydney（悉尼大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Beijing Technology and Business University（北京工商大学）
AI总结 提出FracEvent模拟器，利用分数阶弛豫电压动力学建模像素级生命周期，通过连续电压轨迹定位阈值交叉生成事件，保留记忆模式以改进事件时序结构，在下游任务中优于现有方法。
PRISM：具有可达性保证的高效且局部最优的概率规划
机构 * 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） ； Draper
AI总结 提出PRISM算法，通过将信念空间规划分解为确定性均值规划和协方差收缩，并引入在线局部优化，在满足状态和控制约束下实现高覆盖率和低成本，同时提供可达性保证。
基准测试饱和之后：CORE-Bench 案例研究
机构 * Independent（独立机构） ； Princeton University（普林斯顿大学） ； UC Berkeley（加州大学伯克利分校） ； MIT（麻省理工学院）
AI总结 针对基准测试准确率饱和问题，提出从构造效度、泛化性、效率、可靠性、模型与脚手架相对重要性及人机协作提升六个维度评估智能体，以CORE-Bench Hard为案例展示饱和后仍可获得有意义见解。
Dot-Flik：一种用于分布式昆虫监测的可扩展边缘AI架构
机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑校区） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出基于运动信息帧过滤和分层物联网架构的边缘AI系统，在低成本硬件上实现实时昆虫监测，减少60-80%帧传输并节能22.6%。
解读物理学中机器学习的“可解释性”与解释“可解释性”
机构 * Department of Physics, University of Cincinnati（俄亥俄州辛辛那提大学物理系） ； Hamburger Sternwarte, Universität Hamburg（汉堡大学汉堡天文台） ； Center for Theoretical Physics – a Leinweber Institute, Massachusetts Institute of Technology（麻省理工学院理论物理中心——莱因韦伯研究所） ； Institut des Hautes Études Scientifiques（高等科学研究院） ； Institut de Physique Théorique, CEA Paris-Saclay（巴黎-萨克雷CEA理论物理研究所） ； NSF Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基本相互作用研究所）
AI总结 本文区分了机器学习在物理学中的可解释性（模型结构透明）与可解释性（映射到领域知识），讨论了权衡、应用场景及实现工具，强调它们是建模选择而非固有属性。
Comments 31 pages, 3 figures, Part of the VERaiPHY Initiative
基于图灵奖励的学习用户模拟器
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）
AI总结 提出Turing-RL方法，利用基于图灵测试的强化学习训练用户模拟器，通过判别性图灵奖励使生成响应与真实用户不可区分，在对话和论坛讨论中优于基线方法。
Running the Gauntlet: 重新评估智能体在陌生环境中的能力
机构 * University of Oxford（牛津大学） ； SoftServe ； Massachusetts Institute of Technology（麻省理工学院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； UK AI Security Institute（英国人工智能安全研究所） ； Ukrainian Catholic University（乌克兰天主教大学）
AI总结 提出GauntletBench基准，通过20个视觉密集型任务评估智能体在时间感知、图形理解和3D推理等未被充分探索的能力，发现最先进智能体成功率仅19.1%，远低于人类80%以上。
Expresso-AI: 基于可解释视频的深度学习模型用于抑郁症诊断
机构 * Media Lab MIT Cambridge, USA（媒体实验室 MIT 摄影实验室 美国剑桥）
AI总结 提出一种可解释的深度学习框架，通过微调动作识别预训练的DCNN，分析面部视频中的时空特征，生成显著性图以解释模型决策，同时提升抑郁症严重程度预测性能。
Comments 8 pages. Accepted at the 2023 11th International Conference on Affective Computing and Intelligent Interaction (ACII). Code: https://github.com/felmoreno1726/Expresso-AI
Journal ref 2023 11th International Conference on Affective Computing and Intelligent Interaction (ACII), 2023, pp. 1-8
Commerge：面向资源受限场景的多机器人协调的高效通信、鲁棒且快速的LiDAR地图合并框架
机构 * Dept. of Electrical and Computer Engineering, INHA University, S.Korea（电气与计算机工程系，INHA大学，韩国） ； Laboratory for Information and Decision Systems (LIDS), Massachusetts Institute of Technology, Cambridge, MA, USA（信息与决策系统实验室（LIDS），麻省理工学院，美国马萨诸塞州剑桥）
AI总结 提出Commerge框架，通过图论选择性数据交换将多机器人LiDAR地图合并的通信量降低高达5000倍，同时保持对齐精度，实现MB级数据交换。
Comments 32 pages, 32 figures
击中移动目标：持续分布漂移下AI文本检测的测试时适应
机构 * Cornell Tech（康奈尔科技） ； MIT（麻省理工学院）
AI总结 提出一种基于半监督学习的测试时适应方法，利用推理时未标记样本的同质性，应对AI文本检测中持续出现的分布漂移，显著优于现有监督检测器。
神经缩放普适性：如果指数固定，是时候理解系数了
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文论证神经缩放定律中的幂律指数由通用机制固定，而系数对数据和架构细节敏感，理解系数是近期性能提升的关键。
Comments 17 pages, 6 figures
复杂化：AI驱动的AAC界面的设计与评估
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
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
跨语言探索参数化知识
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）
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
数据增强：傅里叶分析视角
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））
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
编译可微音频图到实时DSP
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔兰根-纽伦堡弗里德里希-亚历山大大学）
AI总结 提出ADAC编译器，将可微音频模型转换为FAUST代码，实现实时音频效果插件，支持梯度更新后热替换模型，并保证稳定性。
Comments 4 pages, 5 figures. Demonstration paper submitted to the 29th International Conference on Digital Audio Effects (DAFx26), Cambridge, MA
通过走廊网络的去中心化自主交通管理
机构 * Department of Aeronautics and Astronautics（航空航天系） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Maryland（马里兰大学）
AI总结 针对高密度自主航空交通，提出基于多智能体强化学习的去中心化走廊网络交通流管理方法，零样本迁移至复杂网络，无需集中协调或重训练。
Comments Presented at the Second US-Europe Air Transportation Research and Development Symposium (ATRDS2026)
HAKARI-Bench：统一条件下比较检索架构和效率设置的轻量级基准
机构 * MIT License（MIT许可证）
AI总结 提出HAKARI-Bench轻量级基准，通过重构现有检索套件为统一格式的小型数据集，实现五种检索家族及其效率变体的同条件比较，在排名上高保真复现MTEB等大型基准。
Comments 48 pages. Code and leaderboard: https://huggingface.co/spaces/hakari-bench/leaderboard https://github.com/hakari-bench/hakari-bench
用于3D视觉感知的双流脑电解码
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出一种模仿生物视觉腹侧和背侧通路的双流脑电解码模型，通过圆形回归预测角度和EEG条件多视图扩散实现3D重建，揭示了时间动态的通道参与模式。
Comments 17 pages, 4 figures. Accepted at the Symmetry and Geometry in Neural Representations Workshop (NeurReps), NeurIPS 2025. To appear in Proceedings of Machine Learning Research (PMLR)
AgentDSE：推理增强的架构设计空间探索
机构 * Harvard University（哈佛大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学）
AI总结 提出AgentDSE，利用大语言模型编码代理自动进行架构推理，在DNN加速器映射、软硬件协同设计和CPU缓存层次优化中，以少两个数量级的评估次数达到竞争或更优的设计质量。
Comments Accepted to the Machine Learning for Architecture and Systems Workshop (MLArchSys), co-located with ISCA 2026
用于合成时间序列分类数据集的因果DAG先验
机构 * Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院）
AI总结 提出一种因果DAG先验，从随机采样的有向无环图生成多变量、多类别的时间序列分类数据集，包含跨模态因果结构，微调TabPFN v2.5后在UCR/UEA数据集上显著优于基线。
Comments Accepted at the 2nd ICML 2026 Workshop on Foundation Models for Structured Data (FMSD). 4 pages (main text), 2 figures, plus references and appendix
ConnectomeBench2：用于自动连接组校对的标准基准
机构 * MIT（麻省理工学院） ； The Open University（开放大学） ； Mindspan Institute（Mindspan研究所） ； Yang Tan Collective（杨谭集团） ； McGovern Institute（麦戈文研究所） ； MIT Departments of Brain and Cognitive Sciences and Biological Engineering（麻省理工学院脑与认知科学系和生物工程系）
AI总结 提出ConnectomeBench2基准，包含超过716,485个专家标注的校对决策，训练单一Vision Transformer模型，在跨物种的分割错误校正和合并错误识别上达到人类水平。
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