高校专区
ChunkFT: 用于内存高效全微调的分块优化
机构 * Northeastern University, China（中国东北大学） ； Shanghai Jiao Tong University, China（上海交通大学） ； CIS, LMU Munich, Germany（慕尼黑大学CIS实验室） ； MCML, Germany（德国MCML实验室） ； Shandong University, China（山东大学）
AI总结 本文提出ChunkFT框架，通过动态激活的工作集重新定义全参数微调，实现了无需修改网络架构即可对任意子张量进行梯度计算，理论分析和实验表明其在内存使用、运行时间和优化质量上均有效，且在下游任务中表现优于现有内存高效基线。
SMoA：用于参数高效微调的频谱调制适配器
机构 * Northeastern University, China（东北大学，中国） ； Shandong University, China（山东大学，中国） ； CIS, LMU Munich, Germany（慕尼黑莱布尼茨大学CIS中心，德国） ； MCML, Germany（德国MCML）
AI总结 本文提出SMoA，一种频谱感知更新的适配器，通过在较小的参数预算下扩大可访问的频谱更新家族，提升参数高效微调的性能。
DrawMotion: 通过自由手绘生成3D人体动作
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； University of Science and Technology of China（中国科学技术大学） ； NLP Lab, School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院自然语言处理实验室） ； National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； The Institute of AI (TeleAI), China Telecom（中国电信人工智能研究院） ； Northwestern Polytechnical University（西北工业大学）
AI总结 本研究提出DrawMotion，一种基于扩散模型的框架，通过自由手绘和文本条件生成3D人体动作，减少用户输入时间，提升生成精度。
MTR-Suite: 一个用于评估和合成对话检索基准的框架
机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Meituan Inc.（美团公司） ； NiuTrans Research（牛译研所） ； Tsinghua University（清华大学）
AI总结 本文提出MTR-Suite框架，通过LLM审计、多智能体系统生成和通用领域基准，解决对话检索基准评估和合成中的成本高、标注稀疏和自动化方法僵化的问题。
Comments Accepted to ACL 2026 (main conference). 28 pages. Code and data: https://github.com/rangehow/mtr-suite
DiM\textsuperscript{3}: 通过方向和幅度感知融合连接多语言和多模态模型
机构 * Northeastern University, China（东北大学，中国） ； CIS, LMU Munich, Germany（慕尼黑莱布尼茨大学计算机学院，德国） ； Munich Center for Machine Learning (MCML), Germany（慕尼黑机器学习中心（MCML），德国） ； Shanghai Jiao Tong University, China（上海交通大学，中国）
AI总结 本研究提出DiM3方法，通过在共享语言模型骨干中融合残差更新，实现多语言和多模态能力的无缝整合，从而提升多语言性能并保持多模态能力。
MAP-Law: 多轮法律咨询中的覆盖驱动检索控制
机构 * Xi’an Jiaotong University（西安交通大学） ； Sichuan University（四川大学） ； Southwestern University of Finance and Economics（西南财经大学） ； Northeastern University（东北大学）
AI总结 本文提出了一种覆盖驱动的检索控制框架，用于多轮法律咨询，通过维护用户事实、法律要素、检索目标和检索证据的结构化地图，利用要素覆盖、证据有效性覆盖和边际检索收益来决定检索、澄清、改写或停止操作，实验表明该方法在固定法律要素模式下能有效实现要素覆盖。
从不完美物理模型下的异方差随机动力系统中进行因果发现
机构 * Department of Mechanical & Industrial Engineering（机械与工业工程系） ； Northeastern University（东北大学） ； Department of Industrial Engineering and Management Sciences（工业工程与管理科学系） ； Department of Mechanical Engineering（机械工程系） ； Northwestern University（西北大学）
AI总结 本文提出了一种整合因果发现框架，利用随机微分方程中的部分物理知识来提高动态系统中因果图的恢复能力，同时分析了在不完美物理模型下的鲁棒性。
Comments 101 pages
在线腐蚀反馈下的符合预测
机构 * Department of Engineering, King’s College London（伦敦国王学院工程系） ； Communication Systems Department, EURECOM（EURECOM通信系统部） ； Institute for Intelligent Networked Systems, Northeastern University London（伦敦东北大学智能网络系统研究所）
AI总结 本文研究了在存在腐蚀反馈的情况下在线符合预测的鲁棒性问题，提出两种鲁棒方案并通过实验验证了其在腐蚀反馈下的改进性能。
如何移动决定了将来的行动：轨迹条件的自身视角预测
机构 * Khoury College of Computer Sciences, Northeastern University, Boston（北德文斯克学院，东北大学，波士顿） ； Korea Advanced Institute of Science and Technology, Daejeon（韩国科学技术院，大田） ； Department of Mathematics and Computer Science, University of Catania, Italy（卡塔尼亚大学数学与计算机科学系，意大利）
AI总结 该研究通过轨迹条件自身视角预测，发现轨迹能更精确地表达意图，从而在任务规划中优于语言条件，且在预测时无需观察轨迹即可获得显著优势。
Comments Project page: https://farsightlab.github.io/TrajPilot
通过希尔伯特丛和细胞sheaf实现一致的几何深度学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Sakana AI ； Northeastern University（东北大学） ； Harvard University（哈佛大学）
AI总结 本文提出了一种新的卷积学习框架，用于在流形上支持的可能无限维信号，通过希尔伯特丛关联的连接拉普拉斯算子作为卷积算子，引入了称为HilbNets的滤波器和神经网络，并通过两阶段采样过程实现，证明了采样诱导的希尔伯特细胞sheaf的sheaf拉普拉斯收敛于底层连接拉普拉斯，从而在无限维丛设置中推广了Belkin和Niyogi的收敛结果，最终在合成和现实任务中验证了该框架。
Comments 51 pages, 3 figures, 5 tables
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