高校专区
Aurora：神经符号AI驱动的建议代理
机构 * Florida International University（佛罗里达国际大学） ； Northeastern University（东北大学）
AI总结 Aurora通过神经符号AI结合检索增强生成、符号推理和课程数据库，实现大规模、可验证的学术建议，提升推荐准确性和效率。
Comments Accepted to 41st ACM/SIGAPP Symposium On Applied Computing. 8 Pages, 3 Figures
同时实现Blackwell可接近性及其在多类全预测中的应用
机构 * Northeastern University（东北大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种多类全预测算法，通过扩展二元算法，实现了样本复杂度为ε^{-(k+1)}的性能，同时解决了多集合同时接近的Blackwell可接近性问题。
邻域稳定性作为最近邻搜索性的度量
机构 * University of Copenhagen, Copenhagen, Denmark（哥本哈根大学） ； Northeastern University, Boston, MA, USA（东北大学）
AI总结 本文提出两种度量方法，用于评估数据集是否可通过基于聚类的近似最近邻搜索进行搜索，且不依赖特定距离函数。
MerLean：一个用于量子计算自动形式化的代理框架
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Northeastern University（东北大学）
AI总结 MerLean通过自动化形式化框架将量子计算论文中的数学语句转化为Lean代码并回译为可读格式，实现端到端验证，为同行评审和合成数据训练提供实用工具。
标准化文本多样性测量：一种工具和评分的比较分析
机构 * Northeastern University（东北大学） ； Adobe Research（Adobe研究） ； Pattern Data（Pattern Data公司） ； Ithaca College（伊特纳学院）
AI总结 本文提出了一种标准化文本多样性测量工具，通过开源包和交互平台分析文本重复，发现压缩算法与n-gram同质性评分相似，且多种指标组合能有效报告文本多样性。
Comments AACL 2025
随机掩码微调：一种缓解LLM中PII记忆的有效方法
机构 * Khoury College of Computer Sciences, Northeastern University, Boston, MA, USA（东北大学科里学院计算机科学学院）
AI总结 本文提出随机掩码微调方法，有效减少LLM中PII记忆，同时保持模型性能，通过实验验证其在隐私保护和效用之间的平衡。
对同时任务分配与调度的耗尽能力 provisioning 进行建模与优化
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Northeastern University（东北大学）
AI总结 本文提出TRAITS框架，通过非线性规划优化异构机器人团队在电池和时间约束下的特性 provisioning，提升任务分配与调度的可行性和效率。
Comments Accepted at AAMAS 2026
通过人类-人类协作的视角：一个可配置的研究平台，用于探索人类-智能体协作
机构 * Northeastern University（东北大学） ； Rice University（里士满大学） ； University of Notre Dame（诺特难大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出一个可配置的研究平台，用于探索人类与大语言模型代理之间的协作，通过三个案例研究验证了平台在人机协作研究中的有效性。
Comments Accepted at CHI 2026
HIPPO：通过混合模态偏好优化增强大语言模型的表格理解能力
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） ； Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系） ； Huawei Technologies Co., Ltd（华为技术有限公司）
AI总结 HIPPO 通过混合模态偏好优化提升大语言模型的表格理解能力，实现 4% 的性能提升。
自适应时间步长流匹配用于自动驾驶运动规划
机构 * HRI ； Honda Research Institute（本田研究院） ； Northeastern University（东北大学） ； Princeton University（普林斯顿大学） ； University of Maryland（马里兰大学） ； Stanford University（斯坦福大学）
AI总结 本文提出了一种基于条件流匹配的自适应时间步长框架，用于实时自动驾驶轨迹规划，通过在线调整推理步骤数和轨迹后处理提升性能。
Comments Accepted to Intelligent Vehicles Symposium 2026
MAUNet-Light: 一种简洁的MAUNet架构用于降水估计的偏差校正与降尺度
机构 * Department of Artificial Intelligence, Indian Institute of Technology Kharagpur（人工智能系，印度理工学院科丁格浦分校） ； Sustainability and Data Sciences Laboratory (SDS Lab), Civil and Environmental Engineering, Northeastern University（可持续性与数据科学实验室（SDS实验室），土木与环境工程，东北大学） ； AI for Climate and Sustainability (AI4CaS), The Institute for Experiential AI (IEAI), Northeastern University（人工智能用于气候与可持续性（AI4CaS），体验式人工智能研究所（IEAI），东北大学）
AI总结 本研究提出MAUNet-Light架构，通过知识迁移实现降水估计的偏差校正与降尺度，降低计算成本的同时保持高精度。
MetaSeal：通过内容依赖的密码水印防御图像归属伪造
机构 * Northeastern University（东北大学） ； Cisco（思科） ； University of California, Riverside（加州大学河滨分校）
AI总结 MetaSeal通过内容依赖的密码水印技术，提供抗伪造、自包含保护和篡改证据，以增强图像归属的安全性。
Comments To appear at TMLR 2026. 26 pages, 14 figures
语言模型是否适应其用户？对语言趋同的研究
机构 * Khoury College of Computer Sciences, Northeastern University（东北大学克劳尔计算机科学学院） ； Faculty of Computer Science, University of Vienna（维也纳大学计算机科学系） ； Faculty of Philological and Cultural Studies, University of Vienna（维也纳大学语言与文化研究系）
AI总结 本文研究语言模型是否趋同于用户语言模式，发现模型在对话风格上显著趋同，但不同模型和设置下趋同程度存在差异。
Comments EACL 2026
通过利用异构组间专家路由频率和信息密度实现有效的MoE大语言模型压缩
机构 * Department of Computer Science, Stevens Institute of Technology, Hoboken, NJ, USA（计算机科学系，史蒂文斯理工学院，新泽西州霍博肯） ； Northeastern University, Boston, MA, USA（东北大学，波士顿，马萨诸塞州）
AI总结 RFID-MoE通过异构组间专家路由频率和信息密度实现MoE大语言模型压缩，提升压缩效果和性能
NewsInterview: 一个用于通过信息性访谈评估LLM地面间隙的数据集和游乐场
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Southern California（南加州大学） ； Information Sciences Institute（信息科学研究所） ； Northeastern University（东北大学）
AI总结 NewsInterview通过信息性访谈数据集和模拟环境，揭示LLMs在战略对话和多轮规划方面的能力不足，强调需提升其对话策略与说服力。
Comments Accepted at ACL 2025: https://aclanthology.org/2025.acl-long.1580/
弥合压缩-精度悖论：一种用于临床EEG报告生成的混合架构，保证测量精度
机构 * Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； George Mason University（乔治·马歇尔大学）
AI总结 本研究提出了一种混合架构，通过信号处理和跨模态翻译实现临床EEG报告生成，保证测量精度，减少误报并提升检测速度。
Comments 7 pages
从碎片到整合：探索面向人类作为单元的隐私管理的AI代理设计空间
机构 * Northeastern University（东北大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文通过研究用户隐私管理挑战，提出九个AI代理概念，发现后分享管理工具在用户信任度上表现突出，展示了AI代理在整合隐私管理中的潜力。
Journal ref CHI 2026
超越Gemini-3-Pro：大规模LLM路由与聚合的再审视
机构 * Shanghai AI Lab（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； University of Science and Technology of China（中国科学技术大学） ； Northwestern Polytechnical University（西北工业大学） ； Northeastern University（东北大学）
AI总结 本文提出JiSi框架，通过混合路由、支持集聚合选择和自适应切换技术，实现开源LLM协作超越Gemini-3-Pro。
Comments 21 pages
上下文学习无需复制
机构 * Northeastern University（东北大学） ； University of Mannheim（曼海姆大学） ； Boston University（波士顿大学）
AI总结 本文提出Hapax训练方法，通过排除归纳头可预测的token损失，发现模型在保持抽象性ICL能力的同时，训练效果更优。
Fine-T2I: 一个大规模、高质量且多样化的开放数据集用于高质量T2I微调
机构 * Department of Electrical \& Computer Engineering, Northeastern University, Boston
AI总结 Fine-T2I是一个大规模高质量开放数据集，通过结合合成和真实图像，提升T2I微调的生成质量和指令遵循性。
Comments Dataset: https://huggingface.co/datasets/ma-xu/fine-t2i
CausalGDP: 基于因果引导的扩散策略用于强化学习
机构 * Department of Mechanical & Industrial Engineering, Northeastern University, Boston, MA, USA（机械与工业工程系，东北大学，波士顿，马萨诸塞州，美国） ； Department of Civil and Environmental Engineering, Northeastern University, Boston, MA, USA（土木与环境工程系，东北大学，波士顿，马萨诸塞州，美国）
AI总结 CausalGDP通过整合因果推理，提升基于扩散的强化学习策略在复杂高维控制任务中的性能。
用于联合嵌入预测架构中自监督语音表示学习的软聚类锚点
机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； James Silberrad Brown Center for AI（詹姆斯·西伯拉德·布朗人工智能中心） ； Columbia University（哥伦比亚大学） ； Northeastern University（东北大学） ； Stanford University（斯坦福大学） ； Amazon GenAI（亚马逊生成人工智能）
AI总结 GMM-Anchored JEPA通过软聚类锚点提升语音表示学习，实现ASR、情感识别和槽填充的性能提升。
Comments 15 pages, 5 figures. Code: github.com/gioannides/clustering-anchored-jepa
SHIELD：通过偏差和脆弱性防御抑制LVLM编码器中的幻觉
机构 * Department of Electrical and Computer Engineering, Northeastern University（电气与计算机工程系，东北大学） ； Khoury College of Computer Science, Northeastern University（计算机科学学院，东北大学）
AI总结 SHIELD通过减少统计偏差、对抗固有偏差和解决脆弱性，有效抑制LVLM编码器中的对象幻觉。
Comments ICLR 2026
SNAP：在任意点云中实现任意分割
机构 * Northeastern University（东北大学） ； MathWorks
AI总结 SNAP提出一种统一的交互式3D点云分割模型，支持点和文本提示，实现跨领域泛化和高质量分割。
Comments Project Page, https://neu-vi.github.io/SNAP/
通过渐进自适应干预与再整合实现鲁棒编辑
机构 * Engineering Center for Space Utilization of Chinese Academy of Sciences（中国科学院空间利用工程技术中心） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Computer Science and Engineering（计算机科学与工程学院） ； Northeastern University（东北大学） ； New York University（纽约大学） ； School of Computing（计算机学院） ； National University of Singapore（新加坡国立大学） ； The Chinese University of Hong Kong（香港中文大学） ； Technical University of Munich（慕尼黑技术大学）
AI总结 REPAIR通过闭环反馈和动态内存管理实现鲁棒编辑，提升编辑准确性并减少知识遗忘。
局部密集logit关系用于增强知识蒸馏
机构 * Northeastern University, China（东北大学） ； South China Normal University, China（华南师范大学） ； Shenzhen Institutes of Advanced Technology, CAS, China（深圳先进技术研究院） ； The Chinese University of Hong Kong, Hong Kong, China（香港中文大学）
AI总结 本文提出局部密集logit关系蒸馏方法，通过递归解耦和重新组合logit信息，增强学生模型的学习效果，实验表明其在多个数据集上优于现有方法。
Comments Accepted by ICCV2025, Code available at https://github.com/yema-web/LDRLD
神经普通微分方程何时能在复杂网络上泛化？
机构 * Network Science Institute, Northeastern University, Boston, Massachusetts, USA ； Khoury College of Computer Sciences, Northeastern University, Boston, Massachusetts, USA ； Santa Fe Institute, Santa Fe, New Mexico, USA ； Institute for Experiential AI, Northeastern University, Boston, Massachusetts, USA ； Department of Physics, Northeastern University, Boston, Massachusetts, USA
AI总结 研究探讨了神经ODEs在复杂网络上的泛化能力，发现度异质性和动态系统类型是影响泛化的主要因素，同时指出平均聚类作用较弱。
近优交换遗憾最小化用于凸损失
机构 * Northeastern University（东北大学） ； Google（谷歌） ； Microsoft Research（微软研究院）
AI总结 本文提出了一种高效的在线算法，实现凸损失下的近优交换遗憾最小化，并首次为中位数校准提供了O(√T)的校准误差保证。
G-LNS：基于生成式大邻域搜索的LLM自动启发式设计
机构 * Software College, Northeastern University（东北大学软件学院） ； International Centre for Theoretical Physics Asia-Pacific, University of Chinese Academy of Sciences（中国科学院大学国际理论物理亚太中心） ； Taiji Laboratory for Gravitational Wave Universe, University of Chinese Academy of Sciences（中国科学院大学太极引力波宇宙实验室） ； Tsinghua University（清华大学）
AI总结 G-LNS通过生成式进化框架，结合LLM共同进化破坏与修复操作符，实现了大邻域搜索操作符的自动化设计，在复杂组合优化问题中表现出更强的性能和泛化能力。
Legal$Δ$: 通过强化学习与链式思维引导信息增益提升大语言模型的法律推理
机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Institute for AI, Tsinghua University（清华大学人工智能研究院计算机科学与技术系） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 Legal$Δ$通过强化学习与链式思维引导信息增益提升法律推理的准确性和可解释性。
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