高校专区
4DRaL: 通过知识蒸馏将4D雷达与LiDAR结合用于地点识别
机构 * Faculty of Robot Science and Engineering, Northeastern University, Shenyang, China（东北大学机器人科学与工程学院，沈阳，中国）
AI总结 本文提出4DRaL框架，利用知识蒸馏提升4D雷达的地点识别性能，通过高精度LiDAR-to-LiDAR模型指导训练，解决4D雷达数据噪声和稀疏性问题，实验表明在正常和恶劣天气下均取得最佳性能。
Comments Accepted by ICRA 2026
AgentPack：一个由代理和人类共同撰写的代码更改数据集
机构 * Northeastern University（东北大学）
AI总结 本文提出AgentPack数据集，包含180万条由Claude Code、OpenAI Codex和Cursor Agent与人类共同撰写的代码更改，分析其结构特性，并展示基于该数据集微调的模型在代码编辑任务中优于传统人类提交数据集的性能。
通过激活方向引导代码LLMs实现语言与库的控制
机构 * Iowa State University（爱荷华州立大学） ； Northeastern University（东北大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
AI总结 研究通过激活空间中的线性方向调整，提升代码LLMs在中性提示下的生成倾向性，发现不同模型和目标生态系统的引导效果存在差异。
视线外的具身智能体：多模态跟踪、传感器融合与轨迹预测
机构 * Department of Electrical and Computer Engineering, Northeastern University（东北大学电气与计算机工程系） ； Khoury College of Computer Sciences, Northeastern University（东北大学库里计算机科学学院）
AI总结 本文提出改进的视线外轨迹预测方法，通过视觉定位去噪模块提升轨迹预测性能，实验表明在Vi-Fi和JRDB数据集上达到最优效果，为自动驾驶、机器人和监控提供新方向。
Comments Published in IEEE Transactions on Pattern Analysis and Machine Intelligence (Early Access), pp. 1-14, March 23, 2026
Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, 2026
WebTestBench: 评估面向端到端自动化网页测试的计算机使用代理
机构 * Northeastern University（东北大学） ； Kuaishou Technology（快手科技）
AI总结 本文提出WebTestBench基准，用于评估端到端自动化网页测试能力，揭示现有方法在测试完整性、检测瓶颈和长周期交互可靠性方面的不足。
Comments 24 pages, code: https://github.com/friedrichor/WebTestBench
MSRL: 通过多阶段强化学习扩展生成多模态奖励建模
机构 * Northeastern University, Shenyang, China（东北大学（沈阳）） ； ByteDance（字节跳动）
AI总结 本文提出MSRL方法，通过多阶段强化学习在有限多模态数据下扩展生成多模态奖励模型，提升视觉理解和生成任务性能，无需额外标注数据。
Comments Accepted by CVPR 2026
PowerGenie：基于分析指导的进化发现更优可重构功率转换器
机构 * Department of Electrical and Computer Engineering, Northeastern University, Boston, MA, USA（东北大学电气与计算机工程系） ； Department of Electrical and Computer Engineering, Rice University, Houston, TX, USA（稻谷大学电气与计算机工程系）
AI总结 PowerGenie通过自动化分析框架和进化微调方法，在大规模设计空间中发现高性能可重构功率转换器，实现更高的语法有效性、功能有效性及性能指标。
基于指导的预测：用于时间序列预测的表示级监督
机构 * Xijing University（西安电子科技大学） ； Northeastern University（东北大学）
AI总结 本文提出ReGuider方法，通过预训练时间序列基础模型进行表示级监督，提升时间序列预测的准确性与表现力。
Comments 6 pages, 3 figures, 4 tables
DUPLEX：基于LLM驱动信息提取的代理双系统规划
机构 * Midea Corporate Research Center（美的集团研发中心） ； Midea Group（美的集团） ； Northeastern University（东北大学） ； Engineering Department（工程部）
AI总结 DUPLEX通过限制LLM进行结构化语义 grounding，结合符号规划器实现可靠规划，优于现有端到端和混合LLM基线。
现代大语言模型中早期退出解码的边际效益
机构 * Stevens Institute of Technology（史蒂文斯理工学院） ； Northeastern University（东北大学） ； Stony Brook University（石溪大学）
AI总结 研究现代大语言模型中早期退出解码的有效性，分析中间表示演变，并提出衡量模型内在适合性的指标，发现新模型代际中早期退出效果递减，密集变换器比专家混合和状态空间模型更适合早期退出。
基于相似性感知的专家混合模型用于数据高效持续学习
机构 * Northeastern University（东北大学） ； The Charles Stark Draper Laboratory, Inc.（查尔斯·斯塔克·德拉珀实验室）
AI总结 本文提出一种适应性混合专家框架，通过增量全局池化和实例级提示遮蔽，解决数据有限和任务重叠带来的持续学习挑战，提升样本效率。
Comments 9 pages
思维 caterpillar：大型语言模型的最优测试时间算法
机构 * Northeastern University（东北大学）
AI总结 本文提出Caterpillar of Thoughts算法，通过理论分析证明最优算法生成caterpillar树，从而减少生成次数并提升性能。
合成还是真实？从纵向证据构建心理健康患者模拟器
机构 * SJTU Paris Elite Institute of Technology（上海交通大学巴黎精英理工学院） ； X-LANCE Lab（X-LANCE实验室） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算机与信息系统学院）
AI总结 本文提出DEPROFILE框架，通过整合多源数据构建统一患者档案，提升对话真实性和行为多样性。
通过路径片段字典学习实现高效且鲁棒的轨迹生成
机构 * Tsinghua University International Campus Phase I（清华大学国际校区第一期） ； College of Software, Northeastern University（东北大学软件学院）
AI总结 本文提出基于路径片段表示的深度生成模型，通过学习轨迹片段字典提升轨迹生成的鲁棒性和可解释性，实验显示在噪声数据下效果优于基线模型，且在效率上具有显著优势。
FedCVU: 联邦学习用于跨视图视频理解
机构 * Software College, Northeastern University, Shenyang, China（东北大学软件学院） ； University of Science and Technology of China, Hefei, China（中国科学技术大学） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学） ； Zhejiang University, Hangzhou, China（浙江大学）
AI总结 FedCVU通过VS-Norm、CV-Align和SLA解决联邦学习在跨视图视频理解中的异质视角、分布偏差和通信开销问题，提升未见视角性能。
Agnostics: 通过通用学习环境的强化学习实现任何编程语言的代码学习
机构 * Northeastern University（东北大学） ； University of Texas（德克萨斯大学） ； Wellesley College（韦尔斯利学院）
AI总结 Agnostics通过通用学习环境的强化学习，实现任何编程语言的代码学习，提升低资源语言模型性能并简化训练流程。
Comments 30 pages, 19 figures. Accepted at ICLR 2026. For data, code, artifacts, see https://agnostics.abgru.me
层次化多尺度结构-功能耦合用于脑连接组整合
机构 * School of Medicine, University of Dundee, UK（邓迪大学医学院） ； School of Science and Engineering, University of Dundee, UK（邓迪大学科学与工程学院） ； College of Medicine and Biological Information Engineering, Northeastern University, China（东北大学医学院与生物信息工程学院） ； College of Medical Informatics, Chongqing Medical University, China（重庆医科大学医学信息学院） ； School of Airspace Science and Engineering, Shandong University, China（山东大学航空航天科学与工程学院） ； Chinese Institute for Brain Research, China（中国脑科学研究院） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge, UK（剑桥大学应用数学与理论物理系） ； Department of Clinical Neurosciences, University of Cambridge, UK（剑桥大学临床神经科学系）
AI总结 本文提出层次化多尺度结构-功能耦合框架，通过联合学习结构和功能连接组的模块化组织与层级耦合，提升脑连接组整合效果，验证了其在预测脑年龄、认知分数和疾病分类中的优越性。
通过概念检索增强的LLM实现自动化形式化
机构 * School of Computer Science and Engineering, Northeastern University, Shenyang 110819, China（东北大学计算机科学与工程学院，沈阳 110819，中国） ； Ant Research, Ant Group, Beijing, China（蚂蚁集团北京蚂蚁研究院，中国） ； Department of Computer Science, Aalborg University, Denmark（丹麦奥尔堡大学计算机科学系） ； Software College, Northeastern University, Shenyang 110819, China（东北大学软件学院，沈阳 110819，中国）
AI总结 本文提出CRAMF框架，通过检索数学概念定义提升LLM形式化能力，解决模型幻觉和语义鸿沟问题，在三个基准测试中实现显著提升。
人类-人工智能团队中的认知溢出
机构 * Northeastern University（东北大学）
AI总结 研究探讨AI对人类协作的社会和认知影响，通过实验发现AI暴露会引发人类互动中的认知溢出，影响语言、注意力、心理模型和社会凝聚力。
Journal ref Riedl, C., Savage, S., Zvelebilova, J. (2026). Cognitive Spillover in Human-AI Teams. ACM Transactions on Computer-Human Interaction (TOCHI)
MME-CoF-Pro：基于文本和视觉提示评估视频生成模型中的推理一致性
机构 * Northeastern University（东北大学） ； The Chinese University of Hong Kong（香港中文大学） ； Westlake University（西湖大学） ； ByteDance Seed（字节跳动种子） ； Peking University（北京大学） ； NVIDIA（英伟达）
AI总结 本文提出MME-CoF-Pro视频推理基准，评估视频模型的推理一致性，发现生成模型推理一致性弱，文本提示提升正确性但导致不一致，视觉提示在结构化任务中表现较好但难以处理细粒度感知。
评估可解释性代理中的陷阱
机构 * Kempner Institute at Harvard University（哈佛大学 Kempner 机构） ； Northeastern University（东北大学） ； Boston University（波士顿大学） ； MIT（麻省理工学院）
AI总结 本文研究了自动化电路分析中可解释性代理的评估挑战，提出基于模型组件功能互换性的无监督内在评估方法，揭示了复制评估的局限性。
PoC：通过性能预测实现面向性能的上下文压缩
机构 * Northeastern University, China（东北大学，中国） ； Tsinghua University（清华大学） ； Future Living Lab of Alibaba（阿里巴巴未来生活实验室）
AI总结 本文提出PoC方法，通过设定性能底线而非压缩比来优化大语言模型的上下文压缩，设计两种预测器并验证其在问答和摘要任务中的性能优势。
增强检索的大型语言模型用于安全事件分析
机构 * Dartmouth College（达特茅斯学院） ； Northeastern University（东北大学）
AI总结 本文提出基于RAG的系统，通过针对性查询过滤和LLM语义推理分析安全事件，展示LLM在恶意软件和Active Directory攻击中的高召回率和精度，证明RAG架构在安全分析中的有效性。
通过先验知识引导的图学习探索异质脑网络中的子网络交互
机构 * Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Key Laboratory of Intelligent Computing in Medical Image of Ministry of Education, Northeastern University（教育部医学图像智能计算重点实验室） ； College of Artificial Intelligence, Shandong Normal University（山东师范大学人工智能学院） ； National Frontiers Science Center for Industrial Intelligence and Systems Optimization（工业智能与系统优化国家级前沿科学中心） ； AiShiWeiLai AI Research（AiShiWeiLai人工智能研究） ； Early Intervention Unit, Department of Psychiatry, Affiliated Nanjing Brain Hospital, Nanjing Medical University（南京医科大学附属南京脑科医院精神科早期干预单元） ； Amii, University of Alberta（阿尔伯塔大学Amii）
AI总结 本文提出KD-Brain框架，通过注入语义先验和临床先验，改进子网络交互建模，提升精神疾病诊断性能并发现可解释生物标志物。
BrainSCL: 亚型引导的对比学习用于脑部疾病诊断
机构 * Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院） ； School of Computer Science and Artificial Intelligence, Shandong Normal University, Jinan, China（山东师范大学计算机科学与人工智能学院） ； AiShiWeiLai AI Research, Beijing, China（艾世维来人工智能研究所） ； Early Intervention Unit, Department of Psychiatry, Affiliated Nanjing Brain Hospital, Nanjing Medical University, Nanjing, China（南京医科大学附属南京脑科医院早期干预科） ； Amii, University of Alberta, Edmonton, AB, Canada（阿尔伯塔大学Amii）
AI总结 本文提出一种亚型引导的对比学习框架，通过建模患者异质性为潜在亚型并将其作为结构先验，引导判别表示学习。在MDD、BD和ASD数据集上验证了该方法的有效性。
基于提示的大规模视觉模型适应：综述
机构 * University of Alabama at Birmingham, USA（美国阿拉巴马大学伯明翰分校） ； Tulane University, USA（美国路易斯安那大学） ； Northeastern University, USA（美国东北大学） ； University of Missouri-Kansas City, USA（美国密苏里大学堪萨斯城分校） ； Johns Hopkins University, USA（约翰霍普金斯大学） ； Ohio State University, USA（俄亥俄州立大学） ； Carnegie Mellon University, USA（卡内基梅隆大学） ； Oak Ridge National Laboratory, USA（橡树岭国家实验室） ； Harvard University, USA（哈佛大学） ； Mohamed bin Zayed University of Artificial Intelligence, UAE（阿联酋Mohamed bin Zayed人工智能大学） ； Meta AI, USA（Meta AI）
AI总结 本文综述了基于提示的视觉模型适应方法，探讨了VP和VPT的核心机制及在不同领域的应用，揭示了其在测试时适应和可信AI中的作用，并总结了当前基准和未来研究方向。
Comments Accepted by TMLR 2026
在线学习与排名反馈下的均衡计算
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Maryland, College Park（马里兰大学 College Park 分校） ； Northeastern University（东北大学）
AI总结 本文研究了在仅获得动作排名反馈的在线学习模型，探讨了不同排名机制下的子线性遗憾算法，并在特定条件下实现近似粗相关均衡。
DaPT：一种多语言多跳问答的双路径框架
机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院） ； NiuTrans Research, Shenyang, China（牛译科研）
AI总结 本文提出DaPT框架，通过构建多语言多跳问答基准并采用双语检索与回答策略，解决多语言多跳问答中的基准缺失和语义依赖问题，实验表明其在MuSiQue基准上平均EM得分提升18.3%。
Comments Accepted by ICASSP 2026
意识形态超越左右的观念框架
机构 * University at Buffalo（布法罗大学） ； Portland State University（波特兰州立大学） ； Northeastern University（东北大学）
AI总结 本文提出一个多层级的社会认知概念网络框架，用于解释意识形态在话语中的表现，并揭示NLP任务与新研究方向的关联。
HORNet：基于任务引导的帧选择用于视觉语言模型的视频问答
机构 * Northeastern University（东北大学）
AI总结 HORNet通过轻量级策略优化，显著减少视频输入帧数和VLM处理时间，同时提升问答质量与时间推理任务表现。
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