高校专区
PPI-SVRG：统一预测驱动推理与方差减少用于半监督优化
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） ； Department of Mathematics（数学系） ； Washington University in Saint Louis（圣路易斯华盛顿大学） ； Daniels School of Business（丹尼尔斯商学院）
AI总结 PPI-SVRG通过结合预测驱动推理与方差减少技术，提升半监督优化在标签稀缺情况下的性能。
Comments 27 pages, 4 figures
病理基础模型是否编码疾病进展？对视觉表示的伪时间分析
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Department of Pathology, Dana-Farber Cancer Institute（达纳-法伯癌症研究所病理部） ； Department of Data Science, Dana-Farber Cancer Institute（达纳-法伯癌症研究所数据科学部） ； Brigham and Women's Hospital（布里奇沃特医院） ； Harvard Medical School（哈佛医学院）
AI总结 研究探讨视觉基础模型是否能隐式学习连续疾病进程，通过伪时间分析发现模型在表示空间中能组织疾病状态，轨迹保真度与分类性能相关。
Comments 21 pages, 17 figures. Appendix included
当上下文不足时：建模车-following行为中的未解释变异性
机构 * Department of Civil Engineering, McGill University（麦吉尔大学土木工程系） ； Laboratory for Information & Decision Systems (LIDS), Massachusetts Institute of Technology（信息与决策系统实验室（LIDS），麻省理工学院）
AI总结 本文提出了一种可解释的随机建模框架，用于建模车-following行为中的未解释变异性，通过深度神经网络与非稳态高斯过程相结合，提升预测性能和不确定性量化能力。
Comments Accepted to ISTTT26
探测大型语言模型的神经拓扑
机构 * Massachusetts Institute of Technology（麻省理工学院） ； New York University（纽约大学） ； Tsinghua University（清华大学） ； Harvard Medical School（哈佛医学院）
AI总结 本研究提出图探测方法，通过分析LLM神经拓扑揭示其语言生成性能，发现拓扑信息比激活信息更丰富，可提升模型效率和可靠性。
当LLMs玩电话游戏：文化吸引子作为评估多轮设置中LLM的观念工具
机构 * Inria（法国国家信息与自动化研究所） ； Université de Bordeaux（波尔多大学） ； MIT（麻省理工学院） ； Computational Cognitive Science Lab（计算认知科学实验室） ； University of California, Berkeley（加州大学伯克利分校） ； Institute for Advanced Study in Toulouse（图卢兹高级研究学院）
AI总结 本文通过电话游戏实验揭示LLM多轮交互中的信息失真与吸引子现象，探讨初始文本、指令等对吸引子效应的影响。
Comments Code available at https://github.com/jeremyperez2/TelephoneGameLLM. Companion website with a Data Explorer tool at https://sites.google.com/view/telephone-game-llm . This paper was published at the 2025 International Conference on Learning Representations (ICLR2025) https://iclr.cc/virtual/2025/poster/28880
技术经济优化的热管微型反应堆，第二部分：多目标优化分析
机构 * Autonomous Engineering Department, Idaho National Laboratory（爱达荷国家实验室自主工程部门） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出多目标优化方法，通过PAREL算法优化热管微型反应堆的LCOE和FΔh，探讨不同成本情景下的优化策略及改进方向。
概率感知：数据采样的智能性
机构 * EE, KFUPM, Dhahran, KSA（电子工程系，科威特石油大学，达哈兰，科威特） ； ECE, UCSB, Santa Barbara, CA（电气与计算机工程系，美国斯克里普斯大学，圣塔芭芭拉，加利福尼亚） ； RLE, MIT, Cambridge, MA（媒体实验室，麻省理工学院，剑桥，马萨诸塞） ； School of Computing, Queen’s University, Kingston, ON（计算学院，皇后大学，金斯顿，加拿大）
AI总结 本文提出了一种基于概率神经元的感知范式，实现实时智能数据采样，实验显示能效提升显著，数据采集无损且效率高。
Comments Accepted for presentation at IEEE ISCAS 2026 as a lecture
推动隐私敏感政府数据更大公共使用的路线图：研讨会报告
机构 * Purdue University（普渡大学） ； Vanderbilt University（范德比尔特大学） ； Vanderbilt University Medical Center（范德比尔特大学医学中心） ； MIT Media Lab（麻省理工学院媒体实验室） ； National Center for Health Statistics, CDC（国家健康统计中心，CDC） ； Penn State University（宾夕法尼亚州立大学）
AI总结 本研究通过研讨会探讨政府数据共享中的隐私挑战与技术解决方案，旨在推动隐私敏感政府数据的更广泛应用。
Comments 23 pages. Web: https://may2021privacy.github.io/
模块化p-比特的可配置p-神经元
机构 * ECE, UCSB（UCSB电子工程系） ； EE, KFUPM（KFUPM电子工程系） ； COE, KFUPM（KFUPM计算机工程系） ； CEMSE, KAUST（KAUST计算机、工程与科学学院） ； School of Computing, Queen’s University（皇后大学计算学院） ； Research Laboratory of Electronics, MIT（麻省理工学院电子实验室）
AI总结 本文提出了一种模块化的可配置p-神经元，通过解耦p-bit的随机信号路径与输入数据路径，实现了多种概率激活函数的灵活配置，并在FPGA上实现了硬件资源节省10倍的高效设计。
Comments Accepted for presentation at IEEE ISCAS 2026 as a lecture
Dep-Search: 基于持久记忆的学习依赖意识推理轨迹
机构 * Zhejiang University（浙江大学） ； Intel Corporation（英特尔公司） ； Tsinghua University（清华大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 Dep-Search 通过 GRPO 集成结构化推理、检索和持久记忆，提升 LLM 处理复杂多跳推理任务的能力。
Comments Dep-Search 1st version
AmbER$^2$: 双重模糊感知情感识别应用于语音和文本
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 AmbER$^2$通过双重模糊感知框架提升语音和文本情感识别的准确性与鲁棒性。
Comments Accepted in ICASSP 2026
一种具有模型驱动的无损压缩算法，对不匹配具有鲁棒性
机构 * Massachusetts Institute of Technology（麻省理工学院） ； College of the Holy Cross（圣十字学院）
AI总结 本文提出了一种基于下一个令牌预测的无损压缩算法，该算法对结构化的预测不匹配具有鲁棒性，通过形式认证保证正确性并实现更高的压缩率。
Comments 10 pages, 5 figure. Submitted to ISIT 2026. This is a follow-up to the following paper: arXiv:2601.10678
Jet-RL: 通过统一训练和回放精度流实现基于策略的FP8强化学习
机构 * NVIDIA ； MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校）
AI总结 Jet-RL通过统一FP8精度流实现稳定高效的强化学习训练，显著提升训练和回放速度，同时保持精度稳定。
Comments 11 pages, 6 figures, 4 tables
Sinkhorn 流的热力学结构
机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学） ； Nonlinear Systems Laboratory, Massachusetts Institute of Technology（非线性系统实验室，麻省理工学院）
AI总结 本文从热力学角度探讨Sinkhorn流的结构，证明其为非局部Wasserstein梯度流，并推导了熵-能量恒等式和对数Sobolev不等式，揭示其在熵收敛中的指数收敛性质。
Comments 26 pages excluding references
BILLY：通过合并人设向量来引导大型语言模型进行创造性生成
机构 * Department of Electrical Engineering, National Taiwan University（国立台湾大学电子工程系） ； Department of Computer Science & Information Engineering, National Taiwan University（国立台湾大学计算机科学与信息工程系） ； Graduate Institute of Communication Engineering, National Taiwan University（国立台湾大学通信工程研究所） ； CSAIL, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室）
AI总结 BILLY通过合并人设向量在单个模型中实现多视角生成，提升创造力并降低计算成本。
学习错误的教训：语言模型中的语法-领域虚假相关性
机构 * Northeastern University（东北大学） ； MIT（麻省理工学院） ； Meta
AI总结 研究揭示了语言模型中语法与领域之间的虚假相关性问题，指出训练数据中语法模板可能影响模型性能，并提出需测试此类相关性及确保训练数据多样性以防止错误学习。
Comments NeurIPS 2025 Spotlight
人类与AI在多智能体协商中的战略权衡
机构 * Google DeepMind Mountain View CA USA（谷歌DeepMind） ； Harvard University Cambridge MA USA ； MIT \& NBER Cambridge MA USA ； MIT Cambridge MA USA ； Google DeepMind ； Harvard University ； MIT \& NBER ； MIT
AI总结 本研究通过实证分析比较了人类、前沿LLMs和定制化贝叶斯代理在动态多玩家协商游戏中的表现，揭示了LLMs在复杂多代理互动中与人类行为的差异及性能平局的局限性。
通过适应预训练嵌入高效探测大语言模型的知识
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 PEEK通过适应预训练嵌入模型，高效探测大语言模型的知识，准确率达90%，揭示了事实表示的底层结构。
辩论、 deliberative、决定（D3）：一种成本意识的对抗框架，用于可靠且可解释的LLM评估
机构 * Martian ； NUS（新加坡国立大学） ； MIT（麻省理工学院）
AI总结 D3是一种通过结构化辩论和聚合机制提升LLM评估可靠性和可解释性的对抗框架，通过预算停止机制优化成本效率。
Journal ref EACL 2026
大模型能帮你清理数据吗？基于大模型的应用级数据准备综述
机构 * Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Microsoft Research（微软研究院） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Shanghai AI Laboratory（上海人工智能实验室） ； Xiaohongshu Inc.（小红书公司） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Alibaba Group（阿里巴巴集团）
AI总结 本文综述了基于大语言模型的应用级数据准备方法，探讨了数据清洗、整合与丰富三大任务的技术、优势与局限，并提出了可扩展的大语言模型-数据系统和稳健评估协议的未来研究方向。
Comments Please refer to our repository for more details: https://github.com/weAIDB/awesome-data-llm
引入生成应用防火墙（GAF）
机构 * University of the Aegean（爱琴海大学） ； University of Cambridge（剑桥大学） ； OWASP GenAI Security Project（OWASP生成式AI安全项目） ； University of Liverpool（利物浦大学） ； MIT Computer Science and Artificial Intelligence Laboratory（MIT计算机科学与人工智能实验室） ； Center for AI and Digital Policy（人工智能与数字政策中心） ； Huawei（华为） ； Cloud Security Alliance（云安全联盟）
AI总结 本文提出GAF，一种统一保护LLM应用的架构层，整合现有防御措施并扩展至自主代理与工具交互。
潜在因果扩散用于单细胞扰动建模
机构 * Department of Computer Science, ETH Zürich（苏黎世联邦理工学院计算机科学系） ； Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（麻省理工学院信息与决策系统实验室） ； Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（MIT和哈佛大学博德研究所埃里克·安德森·温德斯中心） ； School of Computer and Communication Sciences, EPFL（苏黎世联邦理工学院计算机与通信科学学院） ； Swiss Institute for Experimental Cancer Research, School of Life Sciences, EPFL（瑞士实验癌症研究所以及EPFL生命科学学院） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（德国图宾根最大计划智能系统研究所） ； ELLIS Institute, Tübingen, Germany（德国图宾根ELLIS研究所）
AI总结 本文提出潜在因果扩散模型，用于单细胞扰动建模，通过因果线性化方法揭示基因调控的因果结构。
AutoSciDACT：通过对比嵌入和假设检验实现自动化科学发现
机构 * Department of Physics, Massachusetts Institute of Technology（麻省理工学院物理系） ； The NSF AI 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） ； Department of Physics, University of Wisconsin, Madison（威斯康星大学麦迪逊分校物理系）
AI总结 AutoSciDACT通过对比嵌入和假设检验，实现科学数据中新颖性的自动化检测与统计量化。
Comments Accepted at NeurIPS 2025; 33 pages, 16 figures
环境数据循环：生成模型的数据集精修
机构 * Massachusetts Institute of Technology（麻省理工学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 Ambient Dataloops通过数据集与模型的共进化过程，提升数据质量并优化生成模型性能，实现高质量图像生成和蛋白质设计。
Comments 27 pages, 9 figures, 11 tables
PyTDC: 一种用于生物医学基础模型的多模态机器学习训练、评估和推理平台
机构 * arcellai（ArcellAI公司） ； calculus（The Residency公司） ； mit（麻省理工学院） ； hms（哈佛医学院生物医学信息学系） ； broad（MIT与哈佛大学Broad研究所） ； harvard-ds（哈佛大学数据科学倡议） ； kempner（哈佛大学Kempner研究所）
AI总结 PyTDC是一种多模态机器学习平台，旨在提升生物医学基础模型的训练、评估和推理能力，通过统一数据源和模型权重，促进多模态、上下文感知的研究。
Comments Proceedings of the 42nd International Conference on Machine Learning, Vancouver, Canada. PMLR 267, 2025
多情境主成分分析
机构 * Harvard University（哈佛大学） ； Broad Institute of MIT and Harvard（哈佛-麻省理工Broad研究所） ； University of Georgia（佐治亚大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 多情境主成分分析（MCPCA）是一种理论和算法框架，用于识别跨不同情境子集共享的变异因素，应用于基因表达和语言模型数据，揭示隐藏的变异轴。
Comments 47 pages, 8 figures. Supplementary tables are provided as downloadable file
AQAScore: 通过音频问答评估文本到音频生成中的语义对齐
机构 * National Taiwan University（国立台湾大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 AQAScore通过音频问答评估文本到音频生成的语义对齐，利用大型语言模型的推理能力，有效捕捉语义不一致性。
Comments Manuscript in progress
即时世界建模支持人类规划与推理
机构 * MIT Department of Brain and Cognitive Sciences（麻省理工学院脑科学与认知科学系） ； UBC Departments of Computer Science and Psychology（不列颠哥伦比亚大学计算机科学与心理学系）
AI总结 本文提出'即时'框架，通过在线构建简化表示实现高效心理模拟，支持人类规划与推理。
人工智能/机器学习在Rubin LSST暗能量科学合作中的机遇
机构 * Université Paris Cité, CNRS, CEA, Astroparticule et Cosmologie, F-75013 Paris, France ； Department of Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Leinweber Institute of Theoretical Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Argonne National Laboratory, 9700 South Cass Avenue, Lemont, IL 60439, USA ； Cavendish Astrophysics, University of Cambridge, Madingley Road, Cambridge CB3 0HA, UK ； Kavli Institute for Cosmology, University of Cambridge, Madingley Road, Cambridge CB3 0HA, UK ； SLAC National Accelerator Laboratory, Menlo Park, CA 94025, USA ； Department of Computer Science, University of Milan, Milan, Italy ； Université Paris Cité, CNRS, Astroparticule et Cosmologie, F-75013 Paris, France ； Université Paris-Saclay, CNRS/IN2P3, IJCLab, 91405 Orsay, France ； Department of Astronomy ； Astrophysics, University of Chicago, Chicago, IL 60637, USA ； Kavli Institute for Cosmological Physics, University of Chicago, Chicago, IL 60637, USA ； NSF-Simons AI Institute for the Sky (SkAI), 172 E. Chestnut St., Chicago, IL 60611, USA ； Fermi National Accelerator Laboratory, P.O. Box 500, Batavia, IL 60510, USA ； Universit\'e Clermont-Auvergne, CNRS, LPCA, 63000 Clermont-Ferrand, France ； Kavli Institute for Particle Astrophysics ； Cosmology, Stanford University, Stanford, CA 94305, USA ； Department of Physics, Stanford University, 382 Via Pueblo Mall, Stanford, CA 94305, USA ； Engineering Faculty, Universidad Autonoma de San Luis Potosi, Zona Universitaria, San Luis Potosi, 78290, Mexico ； Stanford Artificial Intelligence Laboratory, Stanford University, Stanford, CA 94305, USA ； Kavli Institute of Cosmological Physics, University of Chicago, Chicago, IL 60637, USA ； The NSF AI Institute for Artificial Intelligence ； Center for Astrophysics Harvard \& Smithsonian, 60 Garden Street, Cambridge, MA 02138, USA ； Department of Physics ； Kavli Institute for Astrophysics ； Space Research, Massachusetts Institute of Technology, Cambridge, MA 02139, USA ； Institut de Física d'Altes Energies (IFAE), The Barcelona Institute of Science ； Institute of Astronomy ； Kavli Institute for Cosmology, University of Cambridge, Madingley Road, Cambridge, CB3 0HA, UK ； Imperial Centre for Inference ； Cosmology (ICIC), Imperial College London, Blackett Laboratory, Prince Consort Road, London SW7 2AZ, UK ； Data Science Institute, The University of Chicago, Chicago, IL 60615, USA ； Department of Physics, The University of Texas at Dallas, Richardson, TX 75080, USA ； Department of Physics, Duke University, Durham, NC 27708, USA ； Université Paris-Saclay, Université Paris Cité, CEA, CNRS, AIM, F-91191 Gif-sur-Yvette, France ； School of Mathematics, Statistics ； Physics, Newcastle University, Newcastle upon Tyne, NE1 7RU, United Kingdom ； Department of Astrophysical Sciences, Princeton University, Princeton, NJ 08544, USA ； Astronomy, University of the Western Cape, Bellville, Cape Town, 7535, South Africa ； Astronomy, University of Utah, Salt Lake City, UT 84112, USA ； Department of Astrophysical Sciences, Princeton University, Peyton Hall, Princeton, NJ 08544, USA ； Department of Astronomy, University of Illinois Urbana Champaign, 1002 W. Green St., Urbana, IL, 61801, USA ； Institute for Particle Physics ； Astrophysics, ETH Zürich, Wolfgang-Pauli-Strasse 27, CH-8093 Zurich, Switzerland ； Swinburne University of Technology, Hawthorn, Victoria 3122, Australia ； Ciela - Montr\'eal Institute for Astrophysical Data Analysis ； Mila - Quebec Artificial Intelligence Institute, Montréal, QC H2S 3H1, Canada ； Advanced Research Computing Centre, University College London, 90 High Holborn, London WC1V 6LJ, UK ； Finnish Centre for Astronomy with ESO (FINCA), University of Turku, FI-20014 Turku, Finland ； Department of Physics, P.O. Box 64, University of Helsinki, FI-00014 Helsinki, Finland ； Astronomy, Northwestern University, Evanston, IL, USA ； Center for Interdisciplinary Exploration ； Research in Astrophysics, Northwestern University, Evanston, IL, USA ； Scientific Data Science, International School for Advanced Study, Via Bonomea 265, I-34136 Trieste, Italy ； Department of Statistics, University of Michigan, Ann Arbor, MI 48109, USA ； PITT PACC, University of Pittsburgh, Pittsburgh, PA 15260, USA ； NSF NOIRLab, 950 N. Cherry Ave., Tucson, AZ 85719, USA
AI总结 本文探讨了AI/ML在LSST暗能量科学合作中的应用机遇，强调了大规模贝叶斯推断、物理指导方法和主动学习等关键方法学优先事项，并讨论了新兴技术在重塑工作流程中的潜力。
Comments 84 pages. This is v1.0 of the DESC's white paper on AI/ML, a collaboration document that is being made public but which is not planned for submission to a journal
面向支架的生成增强与重排序用于增强虚拟筛选
机构 * Yale University（耶鲁大学） ； University of Oregon（俄勒冈大学） ； Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所） ； Leipzig University（莱比锡大学） ； Vanderbilt University（范德比大学）
AI总结 ScaffAug通过生成增强、重排序和支架感知方法提升虚拟筛选效果，解决类别和结构不平衡问题。
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