高校专区
选择性不完美作为分析、创造与发现的生成框架
机构 * Laboratory for Atomistic and Molecular Mechanics（原子分子力学实验室） ； Center for Computational Science and Engineering（计算科学与工程中心） ； Schwarzman College of Computing（施瓦茨曼计算学院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 选择性不完美通过将物质与音乐联系，揭示科学与艺术在约束下的生成机制，探索新颖性与创造力的边界。
通过Bandit优化发现层次化软件工程代理：BOAD
机构 * Massachusetts Institute of Technology（麻省理工学院） ； MIT-IBM Watson AI Lab（MIT-IBM Watson AI实验室） ； Stanford（斯坦福大学） ； UMass Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 BOAD通过多臂老虎机问题自动发现层次化多代理结构，提升软件工程任务的泛化能力。
因果大语言模型路由：从观测数据实现端到端的遗憾最小化
机构 * MIT（麻省理工学院） ； IBM Research（IBM研究院）
AI总结 本文提出一种基于因果推理的端到端框架，通过最小化决策遗憾从观测数据中学习大语言模型路由策略，实现高效优化和异质成本偏好的处理，实验显示优于现有方法。
通过生物医学知识图谱进行可解释的扰动建模
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出一种基于生物医学知识图谱的可解释扰动建模方法，通过整合多模态嵌入和图注意力网络，提升对药物-细胞对基因表达扰动的预测能力。
DAVE: 一种用于文档理解与网络代理的视觉编码器
机构 * MIT-IBM Watson AI Lab（MIT-IBM Watson AI实验室） ； UC Berkeley（加州大学伯克利分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 DAVE是一种专为文档理解和网络代理设计的视觉编码器，通过自监督和监督预训练结合模型融合策略，提升对文档和网络任务的适应性与性能。
最优近似——软最大函数的平滑性权衡
机构 * Google Research（谷歌研究） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出分段线性和功率机制，分别在最坏情况加性近似与ℓq-范数平滑度、期望乘法近似与Rényi散度平滑度之间实现最优权衡，适用于机器学习和机制设计领域。
Comments Accepted for spotlight presentation at NeurIPS 2020. The updated version fixes a technical gap in the proof of Theorem 4.4
机械编程软性生长机器人结构的横截面形状以用于患者转移
机构 * Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） ； Department of Mechanical Engineering, MIT（麻省理工学院机械工程系）
AI总结 本研究提出了一种机械编程方法，通过柔性条带约束径向扩张，实现软性生长机器人结构的宽薄横截面，以提高患者转移任务的适应性和灵活性。
边缘的随机稳定性：重新审视SGD的稳定性边缘
机构 * Princeton University（普林斯顿大学） ； MIT（麻省理工学院）
AI总结 该研究重新审视了SGD的稳定性边缘，揭示了小批量SGD在边缘随机稳定性下的训练机制及批量尖锐度的稳定性特性。
Comments 83 pages, 36 figures
应用驱动的机器学习创新
机构 * McGill University（麦吉尔大学） ； Mila -- Quebec AI Institute, Montreal, Canada（魁北克AI研究所） ； University of Toronto（多伦多大学） ； Vector Institute, Toronto, Canada（向量研究所） ； Massachusetts Institute of Technology, Cambridge, USA（麻省理工学院） ； University of Southern California, Los Angeles, USA（南加州大学） ； Arizona State University, Tempe, USA（亚利桑那州立大学） ； Inria Paris, Paris, France（巴黎研究所） ； University of Colorado Boulder, Boulder, USA（科罗拉多大学博尔德分校） ； Harvard University, Cambridge, USA（哈佛大学） ； University of Alberta（阿尔伯塔大学） ； Alberta Machine Intelligence Institute, Edmonton, Canada（阿尔伯塔人工智能研究所）
AI总结 本文探讨了应用驱动研究在机器学习中的重要性，指出其对算法创新和领域影响的潜力，并提出改进现有评估和教学实践的建议。
Comments 12 pages, 3 figures
Journal ref Published at ICML 2024 in the Position Papers track
多变量凸回归的高效最小最大最优估计器
机构 * Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电气工程与计算机科学系） ； Department of Mathematics, Tel Aviv University（特拉维夫大学数学系）
AI总结 本文提出了一种高效且最小最大最优的多变量凸回归估计器，适用于高维数据和多面体支持条件，解决了传统方法的最小二乘估计器次优问题。
Comments Minor corrections and improved presentation (appeared at COLT 2022)
Envision：通过目标图像视频扩散进行具身视觉规划
机构 * University of Southern California（南加州大学） ； ByteDance（字节跳动） ； Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； MBZUAI
AI总结 Envision 通过目标图像视频扩散模型实现具身视觉规划，提升目标对齐和空间一致性，支持下游机器人任务。
Comments Page: https://envision-paper.github.io
JParc：联合皮层表面分割与配准
机构 * 1 Athinoula A. Martinos Center for Biomedical Imaging, Department of Radiology, MGH \& HMS 2 Center for Neurotechnology ； Neurorecovery, Department of Neurology, MGH \& HMS 3 Computer Science ； Artificial Intelligence Laboratory, EECS, MIT
AI总结 JParc通过联合皮层配准与分割方法，利用浅层子网络优化图谱标签，实现高精度的脑皮层分割。
Comments A. V. Dalca and B. Fischl are co-senior authors with equal contributions
基础模型发现了什么？利用归纳偏置来探测世界模型
机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院）
AI总结 该研究通过归纳偏置探测技术揭示基础模型在适应新任务时无法捕捉底层世界模型结构的问题。
Comments To appear in ICML 2025
统计学习与深度学习模型用于估计美国物质过量死亡率
机构 * Harvard University（哈佛大学） ； Boston Children's Hospital（波士顿儿童医院） ； Broad Institute of MIT and Harvard（MIT和哈佛联合研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard Medical School（哈佛医学院）
AI总结 本文比较了统计模型与深度学习模型在预测美国物质过量死亡率方面的性能，发现LSTM在预测结构变化时表现更优，而基于注意力的模型因过度拟合历史数据而表现不佳。
学习动力学的等变工具箱
机构 * University of Michigan（密歇根大学） ； Massachusetts Institute of Technology（麻省理工学院） ； NTT Research（NTT研究所）
AI总结 本文提出了一种通用的等变工具箱，用于分析学习动力学中一阶和二阶约束，统一守恒定律与隐式偏置关系，并揭示变换结构与优化几何的关系。
探究大型语言模型中去学习的模型编辑
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本研究探讨了大型语言模型中去学习的模型编辑方法，通过设计新的编辑目标，展示了模型编辑在去学习任务中的优势。
通过KL引导的层选择 distilling 到混合注意力模型
机构 * Allen Institute for AI（艾伦人工智能研究所） ； MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Stony Brook University（石溪大学）
AI总结 本文提出通过KL引导的层选择方法，将预训练的softmax注意力Transformer distilling 到混合架构中，以提高LLM推理效率。
统一的脑表面和体积配准
机构 * MIT Computer Science and Artificial Intelligence Laboratory（MIT计算机科学与人工智能实验室） ； Massachusetts General Hospital, Harvard Medical School（麻省总医院，哈佛医学院） ； Université Paris Cité, INRIA（巴黎Cité大学，INRIA） ； LIX, CNRS, École Polytechnique（LIX，CNRS，巴黎高等理工学院）
AI总结 NeurAlign通过统一的体积和表面表示，实现了更准确、快速且易用的脑皮层和皮下区域配准，提升了Dice分数并显著提高了效率。
利用条件生成模型对非平衡路径效应进行建模：用于傅里叶振幅谱的条件生成模型
机构 * Department of Civil Engineering, University of California, Berkeley（加州大学伯克利分校土木工程系） ； International Computer Science Institute, Berkeley, CA 94704, USA（伯克利计算机科学研究所） ； Scientific Data Division, Lawrence Berkeley National Lab, Berkeley, CA 94720, USA（劳伦斯伯克利国家实验室科学数据部） ； Energy Geosciences Division, Lawrence Berkeley National Lab, Berkeley, CA 94720, USA（劳伦斯伯克利国家实验室能源地球科学部） ； Earthquake Research Institute, University of Tokyo, Tokyo 113-0032, Japan（东京大学地震研究所） ； Department of Earth, Atmospheric and Planetary Sciences, MIT, Cambridge, MA 02139, USA（麻省理工学院地球、大气与行星科学系） ； Department of Statistics, University of California, Berkeley, CA 94720, USA（加州大学伯克利分校统计系）
AI总结 本研究提出基于条件生成模型的深度学习方法，用于建模非平衡路径效应，实现快速且高效的傅里叶振幅谱预测。
反事实LLM框架用于测量修辞风格
机构 * School of Information University of Michigan（信息学院密歇根大学） ； CSAIL MIT（MIT计算机科学与人工智能实验室）
AI总结 本文提出基于LLM的反事实框架，用于量化机器学习论文中的修辞风格，并发现修辞风格显著影响后续关注度，且2023年后修辞强度因LLM写作辅助而显著上升。
无开销的适应性测试时间计算 introspection
机构 * UC Berkeley（加州大学伯克利分校） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Liquid AI
AI总结 ZIP-RC通过无开销的实时自我反省预测奖励和成本，提升推理效率和准确性。
BUFFER-X：迈向多样化场景下的零样本点云配准
机构 * Laboratory for Information & Decision Systems（信息与决策系统实验室） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 BUFFER-X通过自适应体素大小、最远点采样和补丁尺度归一化，实现多样化场景下的零样本点云配准，无需先验信息或手动调参。
Comments 20 pages, 14 figures. Accepted as a highlight paper at ICCV 2025
FrontierMath: 一个评估人工智能高级数学推理能力的基准
机构 * Epoch AI ； University of Leicester（利兹大学） ； RWTH Aachen University（亚琛工业大学） ； King’s College London（伦敦大学国王学院） ； University of Bristol（布里斯托大学） ； Iowa State University（爱荷华州立大学） ； MIT（麻省理工学院） ； University of North Carolina（北卡罗来纳大学） ； CNRS - Université Paris-Saclay（法国国家科学研究中心-巴黎-萨克雷大学） ； University of Siegen（锡根大学） ； Knox College at Charlotte（夏洛特克恩学院） ； James Madison University（詹姆斯麦迪逊大学） ； ICMC, USP（巴西圣保罗大学ICMC分校） ； Masaryk University（马萨里克大学） ； UC Berkeley（伯克利加州大学） ； Cornell University（康奈尔大学） ； Rutgers University（罗格斯大学） ； Harvard University（哈佛大学） ； ETH Zurich（苏黎世联邦理工学院） ； Independent（独立研究者）
AI总结 FrontierMath是一个由专家数学家设计的数学问题基准，用于评估AI在高级数学推理能力上的表现，揭示了当前AI与数学界能力之间的显著差距。
细粒度个性化排名：细粒度检索检验身份保持在个性化生成中
机构 * The Ohio State University（俄亥俄州立大学） ； MIT（麻省理工学院）
AI总结 本文提出Finer-Personalization Rank评估协议，用于细粒度检验个性化生成中的身份保持，揭示现有方法中的身份漂移问题。
你的条件扩散模型真的在去噪吗？
机构 * MIT Cambridge, MA 02139（麻省理工学院） ； Yale University New Haven, CT 06520（耶鲁大学） ； CMU Pittsburgh, PA 15213（卡内基梅隆大学）
AI总结 本文研究了条件扩散模型的去噪过程偏差，提出Schedule Deviation度量方法，揭示了模型在不同条件下的去噪流程差异问题。
Comments 41 pages, 14 figures, published in Neural Information Processing Systems 2025
反向馈送3D重建与视角合成的进展：综述
机构 * NTU（国立台湾大学） ； Caltech（加州理工学院） ； Westlake University（西湖大学） ； UCSD（加州大学圣地亚哥分校） ； University of Oxford（牛津大学） ； Nanjing University（南京大学） ； HKU（香港大学） ； University of Cambridge（剑桥大学） ； Hillbot ； MPI for Informatics（信息研究所） ； Harvard University（哈佛大学） ； MIT（麻省理工学院）
AI总结 本文综述了反向馈送方法在3D重建与视角合成中的进展，涵盖多种表示架构及应用，探讨了关键任务和未来研究方向。
Comments A project page associated with this survey is available at https://fnzhan.com/projects/Feed-Forward-3D
提出、解决、验证：通过形式验证进行自我对战
机构 * Carnegie Mellon University, School of Computer Science（卡内基梅隆大学计算机科学学院） ； MIT（麻省理工学院）
AI总结 通过形式验证的自我对战框架PSV，在代码生成中显著提升了模型性能，展示了形式验证和难度感知生成对自我对战的重要性。
通过随机游走实现的基于图的最近邻搜索与动态更新
机构 * Amazon（亚马逊公司） ； Tel Aviv University（特拉维夫大学） ； MIT（麻省理工学院）
AI总结 本文提出了一种基于随机游走的图结构，用于实现支持动态更新的近似最近邻搜索，并通过实验验证了其在效率和性能上的优势。
Comments 37 pages, 23 figures
高效多适配器LLM服务通过跨模型KV缓存重用与激活LoRA
机构 * mit（麻省理工学院） ； ibm（国际商业机器公司）
AI总结 本文提出一种高效LLM服务引擎，通过激活LoRA实现跨模型KV缓存重用，显著降低推理延迟和时间到第一个token，提升多适配器任务的效率。
利用大语言模型进行晚阶段多模态传感器融合以进行活动识别
机构 * Apple（苹果公司） ； MIT（麻省理工学院） ； Johns Hopkins（约翰霍普金斯大学）
AI总结 利用大语言模型进行晚阶段多模态融合，实现零样本和单样本活动分类，无需特定任务训练。
Comments NeurIPS Workshop on Learning from Time Series for Health
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