高校专区
基于约束感知扩散的混合整数规划离散决策学习
机构 * University of Virginia（弗吉尼亚大学） ； MIT（麻省理工学院） ； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
AI总结 该研究提出Constrained Graph Diffusion（CGD）框架，结合图扩散模型与可行性投影算子求解混合整数规划，在两类任务上较基线方法提升可行性与质量，且最高加速425倍。
面向资源受限农村地区多模态临床筛查的云边协同系统
机构 * University of Michigan（密歇根大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard Medical School（哈佛医学院）
AI总结 该研究针对资源受限农村地区的多模态临床筛查问题，提出云边协同架构，经实验验证其诊断性能优异且成本更低，可适配部署约束。
Comments 31 pages, 3 figures. In Proceedings of Machine Learning Research, Volume 340, 2026 (Machine Learning for Healthcare Conference)
掩码扩散的数据几何：通过去掩蔽增长复杂度实现可验证最优调度
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 该研究引入去掩蔽增长复杂度（UGC）度量，推导了离散采样掩码扩散的可验证最优调度，得到适配数据几何的采样器，其迭代复杂度接近神谕过程，且在维度相关收益上优于粗调度。
神经二次型：用于突发学习与标度律的统一最小模型
机构 * Massachusetts Institute of Technology（麻省理工学院） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
AI总结 该研究提出神经二次型模型，统一描述感知机等多种架构的突发学习与标度律，通过对称性推导其训练动力学为洛特卡-沃尔泰拉方程，经数值验证符合相关行为。
SoftWater：面向Softmax量化的类别感知速率分配
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 针对小型LLM的Softmax层量化问题，提出类别感知速率分配方法SoftWater，在多模型上优于现有量化器，可大幅降低输出层KL散度，使输出层量化的困惑度损失可控。
临床基础模型中的患者隐私保护：技术与法律视角
机构 * Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT）） ； The Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所） ； Borealis AI ； Stanford University（斯坦福大学） ； Aalto University（阿尔托大学） ； Max Planck Institute for Tax Law and Public Finance（马克斯·普朗克税法与公共财政研究所） ； Stanford Law School（斯坦福法学院） ； Harvard Law School（哈佛法学院） ； Petrie-Flom Center for Health Law Policy, Biotechnology & Bioethics（皮里-弗洛姆健康法律政策、生物技术与生物伦理中心）
AI总结 针对临床基础模型的隐私风险，提出实用评估框架，结合技术与法律措施缓解泄露，在保留模型价值的同时保护患者隐私。
Comments 14 pages, 2 Figures, 2 Tables
学习物理交互：触觉与力感知机器人学习综述
机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Tokyo（东京大学） ； ETH Zurich（苏黎世联邦理工学院） ； Harvard University（哈佛大学） ； Imperial College London（伦敦帝国学院） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Technical University of Darmstadt（达姆施塔特工业大学）
AI总结 本综述针对力与触觉感知机器人学习研究的空白，提出TF-ART分类法，整合多模态感知与多阶段系统设计视角，兼具算法与实践意义。
Comments 53 pages, 7 figures
全模态分解自编码器学习全栈可穿戴解耦表示
机构 * Khalifa University（哈利法大学） ； University of Toronto（多伦多大学） ； MIT Media Lab（麻省理工学院媒体实验室） ； Aristotle University of Thessaloniki（亚里士多德大学）
AI总结 该研究针对现有多模态可穿戴模型的不足，提出OmniDecVAEs框架，在30模态的HAR任务中，提升了识别准确率与数据合成质量，可用于边缘可穿戴与医疗领域。
Comments 15 pages, 7 figures, 7 tables
机构 * MIT（麻省理工学院） ； The Hebrew University（希伯来大学）
当单模态不够时：基于航拍RGB-热红外视频的马鹿多模态性别与生命阶段分类
机构 * Aalborg University（奥尔堡大学） ； University of Applied Sciences Upper Austria（上奥地利应用科学大学） ； University of Novi Sad（诺威萨德大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 该研究以马鹿为对象，融合航拍RGB与热红外视频的自监督DINOv3特征，构建多模态分类流程，在四次飞行中实现26只个体25只的正确分类，提升了种群性别与生命阶段分类的鲁棒性，可自动化获取兽群结构数据。
Comments Accepted at the ECCV 2026 Workshop on Computer Vision for Ecology (CV4Ecology), archival proceedings track. 17 pages, 7 figures, 5 tables
ArchEGraph：用于几何-拓扑-物理对齐的建筑能源建模的大规模图数据集
机构 * Tsinghua University（清华大学） ； UC Berkeley（加州大学伯克利分校） ； MIT（麻省理工学院）
AI总结 研究提出ArchEGraph大规模图数据集，定义两个基准任务并开展泛化实验，为建筑能源建模的几何-拓扑-物理耦合研究提供统一测试平台，支持替代模型开发评估。
Comments 26 pages, 13 figures, submitted to a conference
将线性注意力改造融入扩散语言模型
机构 * Apple（苹果公司） ； Google DeepMind（谷歌DeepMind） ； Harvard University（哈佛大学） ； MIT（麻省理工学院）
AI总结 本文提出分块混合注意力，将其融入预训练dLLM LLaDA~2.1得到LLaDA-Hybrid，在保持基准性能的同时提升解码吞吐量与并发请求支持能力。
分子生成模型如何组织分子身份
机构 * Toyota Research Institute（丰田研究所） ； Technical University of Denmark（丹麦技术大学） ； CAPeX Pioneer Center for Accelerating P2X Materials Discovery（CAPeX P2X材料发现加速先锋中心） ； University of Toronto（多伦多大学） ； Vector Institute for Artificial Intelligence（向量人工智能研究所） ； NVIDIA（英伟达） ； Massachusetts Institute of Technology（麻省理工学院） ； Acceleration Consortium（加速联盟）
AI总结 该研究通过明确分子身份并将其通过生成过程拉回，揭示了三种分子生成架构的内部储备呈分段常数区域，其组织受多种因素影响，需先表征内部组织才能将生成空间视为可化学导航。
Comments 22 pages (14 main text + 8 supporting information)
纠正特征何时有用？面向黑盒预测器的纠正特征发现智能体
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Texas A&M University（德克萨斯农工大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Tsinghua University（清华大学）
AI总结 本文提出CRAFTER智能体，挖掘黑盒冻结预测器的残差以生成纠正特征，在6个数据集和6个主干上优于现有系统，使改进翻倍、误差降27%，可归因特征来源。
Comments 23 pages, 14 tables, 4 figures
材料科学假说生成中从图到答案的机制恢复可视化
机构 * Washington University in St. Louis（圣路易斯华盛顿大学） ； Oak Ridge National Laboratory（橡树岭国家实验室） ； Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室） ； UniverseTBD ； Massachusetts Institute of Technology（麻省理工学院） ； Old Dominion University（奥多明尼昂大学）
AI总结 本研究针对适配的 Qwen3-8B 模型 Graph-PRefLexOR-8B，构建可视化诊断工作流以追踪材料科学假说生成的图到答案机制，发现机制恢复集中于后期合成及答案起始层，可助力相关人员识别假说的机制支持变化。
凸障碍物周围平滑最小时间轨迹的双凸优化
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of California Santa Barbara（加州大学圣巴巴拉分校）
AI总结 本研究提出一种双凸优化方法，用于凸障碍物周围的最小时间运动规划，可保证收敛、支持任意阶导数约束，实验表明其轨迹质量高、鲁棒性强且计算效率与现有方法相当。
Comments 18 pages, 9 figures, 4 tables. Submitted to IEEE Transactions on Robotics. Project page: https://wernerpe.github.io/bmtp-website/ Code: https://github.com/wernerpe/pybmtp
大声还是沉默？一种用于多模态临床AI中模态级失败分析的可复用框架
机构 * Massachusetts Institute of Technology（麻省理工学院） ； American International School Vienna（维也纳美国国际学校） ； Neuqua Valley High School（纽夸谷高中） ； North Hollywood High School（北好莱坞高中） ； Hopewell Valley Central High School（霍普韦尔谷中央高中） ； University of California, Berkeley（加州大学伯克利分校） ； Siriraj Hospital（诗里拉吉医院） ； Harvard University（哈佛大学） ； Agency for Science, Technology and Research（新加坡科技研究局） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； University of Geneva（日内瓦大学） ； Poznan University of Technology（波兹南理工大学）
AI总结 该研究提出一种模型无关的多模态临床AI模态级失败分析框架，可复用且仅用部署可观测信号，经植入真实值和MIMIC-IV队列验证，能定位失败模态、区分失败类型，为心脏基础模型部署提供参考。
CurveShift：智能体的进展是标量吗？区分水平与形态
机构 * University of Southern California（南加利福尼亚大学） ； University of Chicago（芝加哥大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； University of California, Davis（加利福尼亚大学戴维斯分校） ； Pennsylvania State University（宾夕法尼亚州立大学） ； Harvard University（哈佛大学） ； University of Oxford（牛津大学）
AI总结 该研究针对大型语言模型进展的标量总结问题，通过LiveCodeBench基准分离混淆，发现2024年9月后发布的模型在竞赛编程难任务上有超出预期的增益，发布了相关数据集与代码。
Comments 25 pages, 4 figures, 7 tables. Data and code: https://github.com/harvenstar/CurveShift
从像素到光子单元（PCells）：一种用于光子组件创建的神经符号方法
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Research Laboratory of Electronics（电子学研究实验室） ； University of Chicago（芝加哥大学） ； The College（学院）
AI总结 该研究提出神经符号系统PixCell，用多模态智能体将视觉呈现的光子组件转为参数化程序，经验证器引导修正的模型在光子组件设计任务上IoU显著提升，建立了相关设计的受控框架。
Comments 16 pages, 13 figures, 3 tables
KAISEN：临床风险模型可复现的子群体公平性审计
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Hopewell Valley Central High School（霍普韦尔谷中央高中） ； East Brunswick High School（东布伦瑞克高中）
AI总结 KAISEN是一个五阶段临床风险模型子群体公平性审计流程，经合成基准测试揭示了审计各环节的特性与局限性，相关复现资源已公开。
从Token到瓦时：现代GPU上大语言模型（LLM）推理的分析式能耗估算
机构 * National Technical University of Athens（雅典国家技术大学） ； Harvard University（哈佛大学） ； TWT GmbH Science & Innovation（TWT有限责任公司科学与创新部） ； NIKI Ltd Digital Engineering（尼基数字工程有限公司） ； University of Ioannina（约阿尼纳大学） ； National and Kapodistrian University of Athens（雅典国立卡波迪斯特里亚大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 该研究提出一种无需直接测量的GPU级LLM推理能耗分析估算方法，适用于模型比较、绿色编码分析及设计时评估。
Comments 20 pages, 3 figures, 6 tables. Accepted for oral presentation at the GREEN-AI Workshop, co-located with ECML-PKDD 2026
面向多机器人海洋自主系统仿真与实际部署的多目标合规性集成协同进化算法
机构 * Oregon State University（俄勒冈州立大学） ； MIT（麻省理工学院）
AI总结 本文提出MMOCIC框架，将协同进化与合规性行为解耦，在多机器人海洋任务中平衡团队进展与规范遵守，硬件部署8个、仿真12个机器人时均实现高性能且无碰撞。
弥合计算最优和数据最优预训练之间的差距
机构 * Harvard University（哈佛大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 研究针对计算增长快于高质量数据可用性的问题，提出计算-数据（CD）缩放定律框架，通过引入令牌有效性函数η拟合数据扩展策略，划分训练操作模式，指出经典计算最优分配在多数实际设置下次优。
利用语义地图进行城市尺度的跨视图定位
机构 * CSAIL, MIT（麻省理工学院计算机科学与人工智能实验室） ； DEVCOM Army Research Laboratory (ARL)（陆军研究实验室）
AI总结 研究如何让机器人在未遍历环境中利用先验数据定位，提出克服提取语义信息和关联观测与先验地图两挑战的方法，即从视觉语言模型提炼轻量级匹配器，结合贝叶斯滤波器创建姿态估计，发布数据集并证明方法可泛化。
Comments Equal contribution by Ethan Fahnestock and Erick Fuentes. 13 pages, 7 figures, and 5 tables
自主研究中的效率问题
机构 * MIT（麻省理工学院）
AI总结 研究自主研究中解决方案搜索过程的效率问题，提出用帕累托前沿曲线下面积评估AR系统，比较多种搜索算法，发现无单一最优结构，且效率与结果质量是不同维度，引入流体搜索，该方法在评估任务中总体搜索效率最高。
寥寥数语，成效显著：语言引导的机器人策略合成
机构 * University of Washington（华盛顿大学） ； Microsoft Research（微软研究院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究针对视觉-语言-动作模型难以解释等问题，提出ARCHITECT框架，利用大语言模型编码代理合成模块化机器人程序，通过人类自然语言修正引导策略并积累技能库，在机器人基准评估中表现出色，提供了新的机器人学习方案。
语义半增量无数据关联目标 SLAM
机构 * Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（计算机科学与人工智能实验室，麻省理工学院）
AI总结 研究针对 SLAM 中数据关联难题，提出广义无数据关联 SLAM 框架，利用深度学习语义信息，通过半增量估计方案联合估计多要素，经合成与真实数据集评估，相比基线展现出卓越性能，提升框架实用性与可解释性。
从异构轨迹中发现神经算子
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Zhejiang University（浙江大学）
AI总结 研究如何从异构轨迹发现神经算子，提出因式分解潜在条件公式，联合学习神经算子与低维潜在表示，能捕获系统变化内在维度，实现零样本外推等泛化，为无显式监督的算子学习建立可解释范式。
在单层自注意力模型中使用（交换）遗憾损失进行训练：概率单纯形的案例研究
机构 * MIT EECS（麻省理工学院电子工程与计算机科学系）
AI总结 研究通过概率单纯形策略视角重审视遗憾损失框架，用其训练单层自注意力模型，新引入交换遗憾损失函数，表明基于遗憾训练的注意力能实现可微机制，使最小注意力架构具备博弈论保证的在线学习动态。
按需共享：面向视角感知人工智能的联邦披露
机构 * Toronto Metropolitan University（多伦多都会大学） ； Flybits Labs（Flybits实验室） ； MIT Media Lab（麻省理工学院媒体实验室）
AI总结 研究跨域边界最小必要披露问题，提出“来源保留编年史”协议，通过编译持有者编年史为授权证据子图，遵循“按需共享”规则，保持本地主权并分阶段返回数据，实现安全披露上下文。
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