高校专区
基于RTS平滑器引导的物理神经网络微分模型学习
机构 * Northeastern University（东北大学） ； University of Massachusetts Boston（马萨诸塞大学波士顿分校） ； Emory University（埃默里大学）
AI总结 针对部分状态变量可测、动力学方程部分未知的情况，提出混合神经-物理框架，交替进行状态和参数估计，利用RTS平滑器和反向传播，能从测量中学习缺失的ODE组件，提升潜在状态重建和长期预测能力。
通过动态多轮交互对视觉语言模型进行情境化评估
机构 * UC San Diego（加州大学圣地亚哥分校） ； Northeastern University（东北大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Johns Hopkins University（约翰·霍普金斯大学）
AI总结 研究多模态大语言模型现实有效性问题，提出CEDI框架，通过三方交互、多轮半结构化对话及多种策略评估，应用于视觉幻觉，发现能揭示更多接近实际情况的幻觉，凸显其对MLLMs能力评估的作用。
“信任垃圾”导致对高度歧视性预测模型的不合理支持
机构 * Northeastern University（东北大学）
AI总结 研究发现在可解释人工智能中，模型解释里提供的准确但多余或无关的数据会使人们对明显歧视性和不公平的模型产生不合理信任，提示XAI设计者和开发者要注意工作中的修辞及可视化带来的潜在问题。
只需持续提示：评估视觉语言模型中的重复苏格拉底式提示
机构 * Northeastern University（东北大学）
AI总结 研究视觉语言模型在反复提示下的稳定性，引入JKP多轮评估框架，用三种策略对模型提问，在STAR基准子集上评估GPT-4o、Gemini 2.5 Pro和Qwen3-VL-30B，发现重复提示利弊兼具且因模型而异，揭示了模型压力反应概况。
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