Massachusetts Institute of Technology（麻省理工学院）

Graph AI generates neurological hypotheses validated in molecular, organoid, and clinical systems

图神经网络生成神经疾病假说并验证于分子、类器官和临床系统

Ayush Noori, Joaquín Polonuer, Katharina Meyer, Bogdan Budnik, Shad Morton, Xinyuan Wang, Sumaiya Nazeen, Yingnan He, Iñaki Arango, Lucas Vittor, Matthew Woodworth, Richard C. Krolewski, Michelle M. Li, Ninning Liu, Tushar Kamath, Evan Macosko, Dylan Ritter, Jalwa Afroz, Alexander B. H. Henderson, Lorenz Studer, Samuel G. Rodriques, Andrew White, Noa Dagan, David A. Clifton, George M. Church, Sudeshna Das, Jenny M. Tam, Vikram Khurana, Marinka Zitnik

机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Wyss Institute for Biologically Inspired Engineering at Harvard University（哈佛大学生物启发工程研究所） ； Department of Neurology, Massachusetts General Hospital（麻省总医院神经科） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； BD 2 : Breakthrough Discoveries for thriving with Bipolar Disorder（BD 2 : 双相情感障碍突破性发现） ； Aligning Science Across Parkinson’s (ASAP) Collaborative Research Network（跨帕金森病科学协同研究网络） ； The Ivan and Francesca Berkowitz Family Living Laboratory Collaboration at Harvard Medical School and Clalit Research Institute（哈佛医学院伊万和弗朗西斯卡·伯克伍德家族生活实验室合作与克赖特研究所） ； Department of Genetics, Harvard Medical School（哈佛医学院遗传学系） ； Department of Neurology, Brigham and Women’s Hospital（布里洛妇女医院神经科） ； Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所） ； The Center for Stem Cell Biology, Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心干细胞生物学中心） ； FutureHouse Inc.（FutureHouse公司） ； Clalit Research Institute, Innovation Division, Clalit Health Services（克赖特研究所创新部门，克赖特健康服务） ； Faculty of Computer and Information Science, Ben Gurion University of the Negev（贝内尔·戈里昂大学内盖夫分校计算机与信息科学系） 纠错

AI总结 PROTON通过异构图变换器生成并验证神经疾病假说，应用于帕金森病、双相情感障碍和阿尔茨海默病，揭示AI驱动的神经疾病发现路径。

Delete and Retain: Efficient Unlearning for Document Classification

删除与保留：文档分类中的高效反学习

Aadya Goel, Mayuri Sridhar

机构 * Acton-Boxborough Regional High School（阿克顿-博克斯伯里地区高中） ； MIT（麻省理工学院） 纠错

AI总结 本文提出Hessian Reassignment方法，通过两步流程实现文档分类中的高效类别反学习，显著提升效率并降低成员推断优势。

Comments 18 pages, 5 figures

Modular connectivity in neural networks emerges from Poisson noise-motivated regularisation, and promotes robustness and compositional generalisation

神经网络中的模块化连接源于受泊松噪声启发的正则化，并促进鲁棒性和组合泛化

Daoyuan Qian, Qiyao Liang, Ila Fiete

机构 * McGovern Institute for Brain Research, Massachusetts Institute of Technology, MA 02139, U.S.A.（麦戈文脑科学研究所，麻省理工学院） ； K. Lisa Yang Integrative Computational Neuroscience Center in the Yang-Tan Collective（李嘉诚整合计算神经科学中心） ； Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology, MA 02139, U.S.A.（脑科学与认知科学系，麻省理工学院） ； Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology, MA 02139, U.S.A.（电气工程与计算机科学系，麻省理工学院） 纠错

AI总结 本研究通过受泊松噪声启发的正则化方法，揭示了神经网络中模块化连接的形成机制，并展示了其在提升鲁棒性和泛化能力方面的优势。

Pancakes: Consistent Multi-Protocol Image Segmentation Across Biomedical Domains

Pancakes: 在生物医学领域内实现多协议图像分割的一致性

Marianne Rakic, Siyu Gai, Etienne Chollet, John V. Guttag, Adrian V. Dalca

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MGH（麻省总医院） ； HMS（哈佛医学院） 纠错

AI总结 Pancakes 提出了一种新的框架，能够自动为多个可能的协议生成多标签分割图，同时保持相关图像之间的语义一致性，在生物医学领域内实现多协议图像分割的一致性。

Comments Accepted at NeurIPS 2025. Code available at: https://github.com/mariannerakic/Pancakes

Wait, Wait, Wait... Why Do Reasoning Models Loop?

等等，等等，等等……为什么推理模型会循环？

Charilaos Pipis, Shivam Garg, Vasilis Kontonis, Vaishnavi Shrivastava, Akshay Krishnamurthy, Dimitris Papailiopoulos

机构 * MIT（麻省理工学院） ； Microsoft Research（微软研究院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 研究揭示了推理模型循环的原因，指出学习中的错误是关键因素，并提出温度调节和训练干预可减少循环现象。

Schrodinger Audio-Visual Editor: Object-Level Audiovisual Removal

Schrodinger Audio-Visual Editor: 对象级音频视觉去除

Weihan Xu, Kan Jen Cheng, Koichi Saito, Muhammad Jehanzeb Mirza, Tingle Li, Yisi Liu, Alexander H. Liu, Liming Wang, Masato Ishii, Takashi Shibuya, Yuki Mitsufuji, Gopala Anumanchipalli, Paul Pu Liang

机构 * MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校） ； Berkeley AI Research（伯克利人工智能研究） ； Sony AI（索尼人工智能） ； Sony Group Corporation（索尼集团） 纠错

AI总结 本文提出Schrodinger Audio-Visual Editor，通过联合编辑音频和视频实现对象级去除，提升时间同步性和语义对应性。

Solving Inequality Proofs with Large Language Models

用大语言模型解决不等式证明

Pan Lu, Jiayi Sheng, Luna Lyu, Jikai Jin, Tony Xia, Alex Gu, James Zou

机构 * Stanford University（斯坦福大学） ； UC Berkeley（伯克利大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出了一种非正式但可验证的任务公式化方法，通过IneqMath数据集和LLM-as-judge评估框架，揭示了大语言模型在解决不等式证明任务中的局限性及改进方向。

Comments 50 pages, 24 figures, accepted as a Spotlight at NeurIPS 2025

RapVerse: Coherent Vocals and Whole-Body Motions Generations from Text

RapVerse: 从文本歌词生成连贯的唱声与全身动作

Jiaben Chen, Xin Yan, Yihang Chen, Siyuan Cen, Zixin Wang, Qinwei Ma, Haoyu Zhen, Kaizhi Qian, Lie Lu, Chuang Gan

机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； Wuhan University（武汉大学） ； UC San Diego（加州大学圣地亚哥分校） ； Tsinghua University（清华大学） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Dolby Laboratories（杜比实验室） 纠错

AI总结 RapVerse通过统一生成框架，从文本歌词生成连贯唱声与全身动作，实现多模态统一建模，提升生成效果与基准性能。

Comments ICCV 2025, Project website: https://jiabenchen.github.io/RapVerse/

Loop closure grasping: Topological transformations enable strong, gentle, and versatile grasps

环闭合抓取：拓扑变换实现强、柔、多用途的抓取

Kentaro Barhydt, O. Godson Osele, Sreela Kodali, Cosima du Pasquier, Chase M. Hartquist, H. Harry Asada, Allison M. Okamura

机构 * Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系） ； Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） 纠错

AI总结 环闭合抓取通过拓扑变换实现强、柔、多功能的抓取，适用于复杂物体和环境。

Journal ref Science Advances 11, ady9581 (2025)

Reference-Free 3D Reconstruction of Brain Dissection Slabs via Learned Atlas Coordinates

无需参考的脑解剖切片3D重建 via 学习的图谱坐标

Lin Tian, Jonathan Williams-Ramirez, Dina Zemlyanker, Lucas J. Deden-Binder, Rogeny Herisse, Theresa R. Connors, Mark Montine, Istvan N Huszar, Lilla Zöllei, Sean I. Young, Christine Mac Donald, C. Dirk Keene, Derek H. Oakley, Bradley T. Hyman, Oula Puonti, Matthew S. Rosen, Juan Eugenio Iglesias

机构 * Martinos Center for Biomedical Imaging (Martinos Center) at Massachusetts General Hospital (MGH) & Harvard Medical School (HMS)（马萨诸塞州总医院（MGH）及哈佛医学院（HMS）的生物医学成像中心（Martinos Center）） ； Computer Science and Artificial Intelligence Laboratory (CSAIL) at the Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT）的计算机科学与人工智能实验室（CSAIL）） ； Danish Research Centre for Magnetic Resonance, Centre for Functional and Diagnostic Imaging and Research, Copenhagen University Hospital-Amager and Hvidovre, Copenhagen, Denmark（丹麦磁共振研究中心、功能与诊断成像及研究中心，哥本哈根大学医院-阿迈厄斯和赫维多尔，哥本哈根，丹麦） ； Massachusetts Alzheimer’s Disease Research Center at MGH & HMS（马萨诸塞州总医院（MGH）及哈佛医学院（HMS）的阿尔茨海默病研究中心） ； University of Washington（华盛顿大学） ； Pathology Department at MGH & HMS（马萨诸塞州总医院（MGH）及哈佛医学院（HMS）的病理部门） ； Neurology Department at MGH & HMS（马萨诸塞州总医院（MGH）及哈佛医学院（HMS）的神经病学部门） ； Department of（部门） 纠错

AI总结 RefFree通过学习图谱坐标实现无需参考的脑切片3D重建，适用于单个切片或部分堆栈，提升重建速度和准确性。

ECCO: Leveraging Cross-Camera Correlations for Efficient Live Video Continuous Learning

ECCO：利用跨摄像头相关性实现高效的实时视频连续学习

Yuze He, Ferdi Kossmann, Srinivasan Seshan, Peter Steenkiste

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 ECCO通过利用跨摄像头相关性，实现高效的实时视频连续学习，减少计算和通信成本，提升重新训练准确性并支持更多摄像头。

Bidirectional Normalizing Flow: From Data to Noise and Back

双向归一化流：从数据到噪声和回

Yiyang Lu, Qiao Sun, Xianbang Wang, Zhicheng Jiang, Hanhong Zhao, Kaiming He

机构 * MIT（麻省理工学院） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出BiFlow，一种无需精确解析反演的双向归一化流框架，通过学习反向模型提升生成质量并加速采样，实现更灵活的损失函数和架构，在生成建模中取得优异性能。

Comments Tech report

FoundationMotion: Auto-Labeling and Reasoning about Spatial Movement in Videos

FoundationMotion: 自动标注与视频中空间运动的推理

Yulu Gan, Ligeng Zhu, Dandan Shan, Baifeng Shi, Hongxu Yin, Boris Ivanovic, Song Han, Trevor Darrell, Jitendra Malik, Marco Pavone, Boyi Li

机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； UMich（密歇根大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） 纠错

AI总结 FoundationMotion通过自动数据整理管道生成大规模细粒度运动数据集，提升开源模型在运动理解与空间推理任务中的性能。

Comments Code is available at https://github.com/Wolfv0/FoundationMotion/tree/main

An Interpretable AI Tool for SAVR vs TAVR in Low to Intermediate Risk Patients with Severe Aortic Stenosis

一种可解释的AI工具用于低至中等风险患者严重主动脉狭窄的SAVR与TAVR治疗

Vasiliki Stoumpou, Maciej Tysarowski, Talhat Azemi, Jawad Haider, Howard L. Haronian, Robert C. Hagberg, Dimitris Bertsimas

机构 * Operations Research Center, Massachusetts Institute of Technology（麻省理工学院运营研究中心） ； Section of Cardiovascular Medicine, Yale School of Medicine（耶鲁医学院心血管医学部门） ； Heart & Vascular Institute, Hartford HealthCare（哈佛法院医疗中心心脏与血管研究院） ； Hartford HealthCare Research Institute, Hartford HealthCare（哈佛法院医疗中心研究 institute） ； Novant Health Heart & Vascular Institute（诺文特健康心脏与血管研究院） ； Sloan School of Management, Massachusetts Institute of Technology（麻省理工学院斯隆管理学院） 纠错

AI总结 本文提出了一种可解释的AI工具，通过整合预后匹配、反事实建模和最优策略树，为低至中等风险主动脉狭窄患者提供基于数据驱动的SAVR与TAVR治疗推荐，以优化长期预后。

The 2025 Foundation Model Transparency Index

2025基础模型透明度指数

Alexander Wan, Kevin Klyman, Sayash Kapoor, Nestor Maslej, Shayne Longpre, Betty Xiong, Percy Liang, Rishi Bommasani

机构 * UC Berkeley（伯克利大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 2025基础模型透明度指数评估了基础模型开发者的透明度，发现整体透明度下降，IBM表现突出，而xAI和Midjourney得分极低，揭示了政策干预的必要性。

Comments Website: https://crfm.stanford.edu/fmti/December-2025/index.html

It Hears, It Sees too: Multi-Modal LLM for Depression Detection By Integrating Visual Understanding into Audio Language Models

它能听，也能看 too：通过将视觉理解整合到音频语言模型中构建多模态大语言模型以检测抑郁症

Xiangyu Zhao, Yaling Shen, Yiwen Jiang, Zimu Wang, Jiahe Liu, Maxmartwell H Cheng, Guilherme C Oliveira, Robert Desimone, Dominic Dwyer, Zongyuan Ge

机构 * Monash University（墨尔本大学） ； Massachusetts Institute of Technology（麻省理工学院） ； The University of Melbourne（墨尔本大学） 纠错

AI总结 本文提出了一种多模态大语言模型框架，通过整合视觉理解到音频语言模型中，提升抑郁症检测的准确性与效率。

Can LLMs Reason Over Non-Text Modalities in a Training-Free Manner? A Case Study with In-Context Representation Learning

LLMs能否在无训练模式下推理非文本模态？一种基于上下文表示学习的案例研究

Tianle Zhang, Wanlong Fang, Jonathan Woo, Paridhi Latawa, Deepak A. Subramanian, Alvin Chan

机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； AI-X, Interdisciplinary Graduate Programme, Nanyang Technological University（南洋理工大学人工智能交叉研究生项目） ； Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李科钦医学院） ； Centre of AI in Medicine (C-AIM), Nanyang Technological University（南洋理工大学医学人工智能中心） ； University of Toronto（多伦多大学） ； Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布里洛妇女医院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出ICRL框架，使LLMs在无训练情况下利用非文本模态表示，通过少量学习实现多模态推理，为适应性泛化提供新方向。

Comments NeurIPS 2025

An efficient probabilistic hardware architecture for diffusion-like models

一种高效的概率硬件架构用于扩散模型

Andraž Jelinčič, Owen Lockwood, Akhil Garlapati, Peter Schillinger, Isaac Chuang, Guillaume Verdon, Trevor McCourt

机构 * Extropic Corp.（Extropic公司） ； 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） 纠错

AI总结 本文提出了一种高效的概率硬件架构，通过全晶体管设计在硬件层面实现强大的去噪模型，使设备在低能耗下达到与GPU相当的性能。

Comments 13 pages, 6 figures

An Eulerian Perspective on Straight-Line Sampling

关于直线采样的欧拉视角

Panos Tsimpos, Youssef Marzouk

机构 * Operations Research Center MIT（MIT运筹学中心） ； Laboratory of Information and Decision Systems MIT（MIT信息与决策系统实验室） 纠错

AI总结 本文从欧拉视角研究直线采样，通过偏微分方程特征刻画直线流，并证明确定性端点耦合下直线性成立，为设计更易积分的传输提供指导。

Provably Learning from Modern Language Models via Low Logit Rank

通过低logit秩从现代语言模型中获得可证明的学习

Noah Golowich, Allen Liu, Abhishek Shetty

机构 * Microsoft Research（微软研究院） ； UC Berkeley（加州大学伯克利分校） ； MIT（麻省理工学院） 纠错

AI总结 本文提出了一种基于低logit秩结构的高效算法，用于从查询中获得现代语言模型的可证明学习保证。

Contextual Dynamic Pricing with Heterogeneous Buyers

具有异质买家的上下文动态定价

Thodoris Lykouris, Sloan Nietert, Princewill Okoroafor, Chara Podimata, Julian Zimmert

机构 * MIT（麻省理工学院） ； EPFL（瑞士联邦理工学院） ； Harvard（哈佛大学） ； Google（谷歌） 纠错

AI总结 本文提出了一种针对异质买家的上下文动态定价算法，通过乐观后验抽样实现低遗憾，同时改进非上下文定价情况下的方差感知放大算法。

Comments Appeared at NeurIPS 2025

Detection and Localization of Subdural Hematoma Using Deep Learning on Computed Tomography

利用深度学习进行CT扫描中硬脑膜下出血的检测与定位

Vasiliki Stoumpou, Rohan Kumar, Bernard Burman, Diego Ojeda, Tapan Mehta, Dimitris Bertsimas

机构 * Operations Research Center, Massachusetts Institute of Technology（麻省理工学院运营研究中心） ； Boston University（波士顿大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Connecticut School of Medicine（康奈尔大学医学学院） ； Hartford HealthCare（哈特福德医疗集团） ； Sloan School of Management, Massachusetts Institute of Technology（麻省理工学院斯隆管理学院） 纠错

AI总结 本文提出一种多模态深度学习框架，结合临床数据与CT影像，实现硬脑膜下出血的快速准确检测与定位，提升神经外科急诊处理效率。

CONCUR: A Framework for Continual Constrained and Unconstrained Routing

CONCUR：连续约束和无约束路由的框架

Peter Baile Chen, Weiyue Li, Dan Roth, Michael Cafarella, Samuel Madden, Jacob Andreas

机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 CONCUR提出了一种支持连续和无约束路由的框架，通过模块化设计和多表示学习提升路由效率与准确性。

The Impossibility of Inverse Permutation Learning in Transformer Models

Transformer模型中反排列学习的不可能性

Rohan Alur, Chris Hays, Manish Raghavan, Devavrat Shah

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 Transformer模型中反排列学习的不可能性，通过解码器-only架构的表达能力限制，提出通过添加空白标记实现可行的替代方法。

Classifying Phonotrauma Severity from Vocal Fold Images with Soft Ordinal Regression

从声带图像中利用软序数回归分类声音创伤严重程度

Katie Matton, Purvaja Balaji, Hamzeh Ghasemzadeh, Jameson C. Cooper, Daryush D. Mehta, Jarrad H. Van Stan, Robert E. Hillman, Rosalind Picard, John Guttag, S. Mazdak Abulnaga

机构 * Massachusetts Institute of Technology（麻省理工学院） ； School of Communication Sciences and Disorders University of Central Florida（中央佛罗里达大学通信科学与障碍学系） ； Harvard Medical School（哈佛医学院） ； Massachusetts General Hospital（麻省总医院） ； Center for Laryngeal Surgery and Voice Rehabilitation（嗓音外科与嗓音康复中心） ； Department of Surgery（外科部门） ； Institute of Health Professions（健康专业研究所） ； Athinoula Martinos Center（阿提尼奥拉马丁诺斯中心） 纠错

AI总结 本文提出了一种基于软序数回归的方法，用于自动分类声音创伤的严重程度，实现了接近临床专家的预测性能并提供可靠的不确定性估计。

Comments 16 pages, 9 figures, 5 tables; ML4H 2025; Proceedings of Machine Learning Research 297, 2025

TreeGRPO: Tree-Advantage GRPO for Online RL Post-Training of Diffusion Models

TreeGRPO：基于树优势的在线强化学习后训练扩散模型

Zheng Ding, Weirui Ye

机构 * UC San Diego（圣迭戈大学） ； MIT（麻省理工学院） 纠错

AI总结 TreeGRPO通过树结构提升扩散模型后训练效率，实现2.4倍加速并优于基线方法。

Complexity of One-Dimensional ReLU DNNs

一维ReLU深度神经网络的复杂性

Jonathan Kogan, Hayden Jananthan, Jeremy Kepner

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文研究了一维ReLU深度神经网络的线性区域数量及其稀疏性概念，揭示了网络表达能力与稀疏性之间的关系。

Comments Presented at IEEE MIT URTC 2025

CarBench: A Comprehensive Benchmark for Neural Surrogates on High-Fidelity 3D Car Aerodynamics

CarBench：用于高保真3D汽车气动学的神经代理综合基准

Mohamed Elrefaie, Dule Shu, Matt Klenk, Faez Ahmed

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Schwarzman College of Computing, Massachusetts Institute of Technology（斯克里文计算机学院，麻省理工学院） ； Future Product Innovation, Toyota Research Institute（丰田研究机构未来产品创新部） 纠错

AI总结 CarBench是首个针对大规模3D汽车气动学的综合基准测试，评估了多种神经代理方法在高保真CFD模拟中的性能。

START: Spatial and Textual Learning for Chart Understanding

START: 空间与文本学习用于图表理解

Zhuoming Liu, Xiaofeng Gao, Feiyang Niu, Qiaozi Gao, Liu Liu, Robinson Piramuthu

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Amazon AGI（亚马逊人工智能实验室） ； MIT（麻省理工学院） 纠错

AI总结 START通过空间与文本学习提升图表理解能力，引入图表元素定位和图表到代码生成，增强多模态大语言模型对图表结构和数据细节的理解。

Comments WACV2026 Camera Ready

Self-Supervised Learning on Molecular Graphs: A Systematic Investigation of Masking Design

分子图上的自监督学习：掩码设计的系统性研究

Jiannan Yang, Veronika Thost, Tengfei Ma

机构 * Stony Brook University（石溪大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） 纠错

AI总结 本文系统研究了分子图自监督学习中掩码设计的影响，发现预测目标与编码器架构的协同作用比复杂的掩码分布更为关键，且语义丰富的目标能显著提升下游性能。