高校专区
Q-realign: 量化驱动的对齐以实现安全高效的LLM部署
机构 * University of Georgia（佐治亚大学） ； University of North Texas（北卡罗来纳州立大学） ； Hong Kong Polytechnic University（香港理工大学） ； Northeastern University（东北大学）
AI总结 Q-realign通过量化驱动的对齐方法，在部署流程中实现安全高效的LLM部署，有效减少不安全行为并降低计算开销。
揭示掩码扩散模型中的注意力漂浮机制
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, Tsinghua University（清华大学计算机科学与技术系）
AI总结 本文揭示了掩码扩散模型中注意力漂浮机制，通过动态分散的注意力锚点和浅层结构感知、深层内容聚焦的机制，解释了其在知识密集型任务中性能优势。
PathoSyn: 通过解耦偏差扩散实现影像-病理MRI合成
机构 * Department of Radiology, Boston Children’s Hospital, Harvard Medical School（放射科，波士顿儿童医院，哈佛医学院） ； College of Science, Northeastern University（科学学院，东北大学） ； School of Medicine, Yale University（医学院，耶鲁大学） ； Department of Cardiac Surgery, The Second Affiliated Hospital of Jiangxi Medical College, Nanchang University（心脏外科科，江西医学院第二附属医院，南昌大学） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学）
AI总结 PathoSyn通过解耦偏差扩散模型生成高保真MRI合成数据，提升低数据环境下诊断算法的鲁棒性。
MDReID: 任意到任意多模态对象重识别的模态解耦学习
机构 * Northeastern University（东北大学） ； Xiamen University（厦门大学） ； National University of Singapore（新加坡国立大学）
AI总结 MDReID通过模态解耦学习和模态感知度量学习，实现了任意到任意多模态对象重识别的鲁棒性和可扩展性。
Comments Accepted by NeurIPS 2025
PlaM: 无需训练的高原引导模型融合以提升多模态大语言模型的视觉语义
机构 * Northeastern University, China（东北大学） ； CIS, LMU Munich, Germany（慕尼黑大学计算机学院） ； Munich Center for Machine Learning (MCML), Germany（慕尼黑机器学习中心）
AI总结 PlaM通过无需训练的高原引导模型融合方法，提升多模态大语言模型的视觉语义表现。
Comments under review
高秩结构调制用于参数高效微调
机构 * Northeastern University, China（东北大学） ； CIS, LMU Munich, Germany（慕尼黑大学计算机科学系） ； Shandong University, China（山东大学） ； Munich Center for Machine Learning (MCML), Germany（慕尼黑机器学习中心）
AI总结 SMoA通过高秩结构调制在减少可训练参数的同时提升模型代表能力，优于LoRA在多个任务上表现更优。
Comments under review
SAD：一个大规模的战略辩论对话数据集
机构 * Northeastern University, China（东北大学） ； CIS, LMU Munich, Germany（慕尼黑莱茵-穆尔大学认知科学研究所） ； Munich Center for Machine Learning (MCML), Germany（慕尼黑机器学习中心） ； Alibaba Group, Hangzhou, China（阿里巴巴集团）
AI总结 SAD数据集旨在通过大规模战略辩论对话数据支持更深入的论证对话建模，包含392,822个示例，标注五种策略类型，并测试多种预训练模型。
Comments under review
现代神经形态AI：从内词到跨词处理
机构 * Intelligent Networked Systems Institute (INSI), Northeastern University London（智能网络系统研究所（INSI），伦敦诺思安普顿大学）
AI总结 本文探讨了神经形态AI中内词与跨词处理的区别，分析了神经形态模型、状态空间模型和Transformer架构的联系，并回顾了训练方法。
通过RFAMoE和MDFF推进时间序列补全
机构 * University of Georgia（佐治亚大学） ； University of Arizona（亚利桑那大学） ； Northeastern University（东北大学）
AI总结 本文提出基于MoE的噪声估计器和RFAMoE、MDFF模块，通过自适应接收域和并行信号融合提升医疗时间序列补全性能。
Jailbreak-AudioBench: 对大型音频语言模型中 jailbreak 威胁的深入评估与分析
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Oxford（牛津大学） ； Xi’an Jiaotong University（西安交通大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Northeastern University（东北大学） ； Beijing University of Technology（北京理工大学）
AI总结 Jailbreak-AudioBench 通过构建工具箱、数据集和基准，深入评估大型音频语言模型中 jailbreak 威胁，并促进安全防护机制的发展。
CIRAG：多跳问答中的构造-整合检索与自适应生成
机构 * Northeastern University（东北大学）
AI总结 CIRAG通过构造-整合模块和自适应生成模块，提升多跳问答的准确性和鲁棒性。
MixDPO：建模偏好强度以实现多元对齐
机构 * Northeastern University（东北大学） ； Johns Hopkins University（约翰霍普金斯大学） ； West Virginia University（西弗吉尼亚大学）
AI总结 MixDPO通过建模偏好强度差异，提升多样的偏好对齐性能，同时保持子群体偏好，适用于高异质性场景。
训练后阶段对数据污染的影响
机构 * Boston University（波士顿大学） ； Northeastern University（东北大学）
AI总结 研究发现数据污染在训练后阶段会引发性能波动，但通过SFT和GRPO方法可缓解，且模型规模越大，污染影响越显著。
群体技术视角下的代理AI
机构 * Department of Computer and Systems Sciences, Stockholm University（斯德哥尔摩大学计算机与系统科学系） ； Center for Ubiquitous Computing, University of Oulu（奥卢大学无处不在计算中心） ； College of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Zhejiang A\&F University, Hangzhou（浙江工业大学之江学院） ； School of Computer Science, Peking University（北京大学计算机科学学院） ； Department of Mechatronics, University of Prishtina（普里什蒂纳大学机电系） ； Department of Computer Science, IISER Berhampur（伯尔哈普尔IISER计算机科学系） ； Systems Research Institute Polish Academy of Sciences（波兰科学院系统研究所） ； Department of Computer Science, University of Helsinki（赫尔辛基大学计算机科学系）
AI总结 本文从社会技术视角探讨代理AI，分析其技术组件与社会背景的关联，揭示伦理挑战及未来研究方向。
Comments Dear Reviewer, please note that this is not survey/review or position paper. This paper introduced new framework (MAD-BAD-SAD Framework) for Socio-technical aspects of Agentic AI, Ethical considerations, which is very important to consider beside technical development
数据库视图作为关系深度学习的解释
机构 * Northeastern University（东北大学）
AI总结 本文提出了一种基于视图定义的关系深度学习解释框架，通过可学习掩码实现模型特定的解释方法，提升了解释效率和质量。
掩码扩散模型中解码偏见的实证分析
机构 * School of Computer Science and Engineering, Northeastern University, China（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, China（清华大学人工智能研究院计算机科学与技术系） ； Alibaba Group, Hangzhou, China（阿里巴巴集团）
AI总结 本文通过实证分析揭示了掩码扩散模型中注意力漂浮现象，揭示其浅层结构感知与深层内容聚焦的注意力机制，证明其在知识密集型任务中性能优于自回归模型。
Comments 22 pages,17 figures
代理大语言模型作为强大的去名化工具：在Anthropic面试者数据集中重新识别参与者
机构 * Khoury College of Computer Sciences, Northeastern University, Boston, MA, USA（东北大学凯里计算机科学学院）
AI总结 本文研究了代理大语言模型如何通过网络搜索和交叉验证实现对Anthropic面试者数据集中的参与者重新识别，展示了低技术门槛的攻击方法及潜在影响。
Comments 4 pages
ACDZero：用于掌握自动化网络防御的MCTS代理
机构 * Dept of ECE, George Washington University（电子工程系，乔治华盛顿大学） ； Dept of ECE, Northeastern University（电子工程系，东北大学） ； Dept of EECS, United States Military Academy（电子工程与科学系，美国军事学院）
AI总结 ACDZero通过基于MCTS的规划策略和图神经网络实现高效自动化网络防御，提升防御奖励和鲁棒性。
FIRE-GNN：力信息引导、松弛等价图神经网络用于快速准确预测表面性质
机构 * Northeastern University（东北大学） ； Department of Mathematics（数学系） ； Khoury College of Computer Sciences（计算机科学学院） ； Department of Mechanical and Industrial Engineering（机械与工业工程系）
AI总结 FIRE-GNN通过整合力信息和对称性打破，实现了对表面性质预测的准确性和速度提升。
基于强化学习的伊辛模型临界参数自主发现
机构 * School of Science, Northeastern University, Shenyang, China（科学学院，东北大学，沈阳，中国）
AI总结 本研究提出一种基于强化学习的框架，用于自主发现伊辛模型的临界参数，通过模拟相变行为实现高效参数识别，优于传统方法。
Comments 37 pages, 9 figures. This is the Accepted Manuscript of an article published in J. Stat. Mech
Journal ref J. Stat. Mech. (2025)
体积一致的 kneading 基础变形制造用于材料高效成形
机构 * School of Mechanical Engineering and Automation, Northeastern University（机械工程与自动化学院，东北大学） ； Future Laboratory, Tsinghua University（清华大学未来实验室）
AI总结 本文提出了一种基于 kneading 的体积一致成形方法，通过闭环工作流程实现高保真度和高材料利用率的三维变形制造。
Comments 39 pages, 31 figures
从想法到协同创造：一种规划-执行-批评框架用于代理增强的3D建模
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Northeastern University（东北大学）
AI总结 本文提出一种规划-执行-批评框架，通过多代理自我反思和人类监督提升3D建模的几何精度、审美质量和任务完成率。
文本作为通用的可转移个性化接口
机构 * Software College, Northeastern University（东北大学软件学院） ； Ant Group（蚂蚁集团） ； Ant International（蚂蚁国际） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学商学院）
AI总结 本文提出利用自然语言作为通用接口，通过两阶段训练框架开发出可转移的偏好推理模型，实现在多个任务和模型家族中的高性能表现。
激活 oracle：训练和评估 LLM 作为通用目的激活解释器
机构 * MATS ； Truthful AI ； EPFL（瑞士联邦理工学院） ； ENS Paris-Saclay（巴黎-萨克雷大学） ； Northeastern University（东北大学） ； Anthropic
AI总结 本文提出了一种通用的 LLM 激活解释器，通过多样化训练在多个下游任务中表现出色，能恢复模型内部信息。
Comments 36 pages
SAFE-QAQ: 通过强化学习实现端到端的慢思考音频-文本欺诈检测
机构 * Northeastern University, China（东北大学） ； China Mobile Internet Company Ltd.（中国移动互联网有限公司） ； Shanghai University of Electric Power, China（上海电力大学） ； Peking University, Shenzhen, China（北京大学深圳分校）
AI总结 SAFE-QAQ通过强化学习实现端到端音频-文本欺诈检测，有效提升准确性、效率和实时处理能力。
频域中解耦幅度与相位注意力以实现RGB-事件视觉目标跟踪
机构 * School of Computer Science and Technology, Anhui University（安徽大学计算机科学与技术学院） ； Northeastern University（东北大学） ； Beijing Institute of Technology（北京理工大学） ； School of Computer and Communication Engineering, University of Science and Technology Beijing（北京科技大学计算机与通信工程学院） ； Peng Cheng Laboratory（鹏城实验室） ； National Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University（北京大学多媒体信息处理国家重点实验室） ； School of Electronic and Computer Engineering, Shenzhen Graduate School, Peking University（北京大学深圳研究生院电子与计算机工程学院）
AI总结 本文提出了一种在频域中解耦幅度与相位注意力的RGB-事件视觉目标跟踪方法，通过高频信息融合和运动引导稀疏化模块提升跟踪性能和效率。
VisualActBench: VLMs能否像人一样看见并行动？
机构 * University of Rochester（罗切斯特大学） ； Purdue University（普渡大学） ； Northeastern University（东北大学）
AI总结 VisualActBench通过评估VLMs在视觉行动推理任务中的表现，揭示了其在主动推理和高优先级动作生成方面与人类能力的差距。
RePose：一种用于康复训练的实时3D人体姿态估计与生物力学分析框架
机构 * Zhejiang Lab（浙江实验室） ； Northeastern University（东北大学） ； Xi’an Jiaotong University（西安交通大学） ； Zhengzhou University（郑州大学） ； Dalian Minzu University（大连民族大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Fuyao University of Science and Technology（福耀科技大学） ； Xianghu Lab（翔虎实验室）
AI总结 RePose通过实时3D姿态估计和生物力学分析，为康复训练提供即时反馈和指导，提升患者运动恢复效率。
在大语言模型、多模态大语言模型及更广泛的领域中进行模型融合：方法、理论、应用与机遇
机构 * Shenzhen Campus of Sun Yat-sen University, China（中山大学深圳校区） ； Northeastern University China（东北大学） ； Shenzhen Campus of Sun Yat-sen University China（中山大学深圳校区） ； Nanyang Technological University Singapore（南洋理工大学） ； Northeastern University（东北大学） ； Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Nanyang Technological University（南洋理工大学） ； Institute for Clarity in Documentation Dublin Ohio USA（文档清晰研究所） ； Inria Paris-Rocquencourt Rocquencourt France（巴黎-罗quentourt研究所） ； Rajiv Gandhi University Doimukh Arunachal Pradesh India（拉贾·甘地大学） ； Tsinghua University Haidian Qu Beijing Shi China（清华大学） ； Palmer Research Laboratories San Antonio Texas USA（帕勒研究中心） ； Institute for Clarity in Documentation（文档清晰研究所） ； Inria Paris-Rocquencourt（巴黎-罗quentourt研究所） ； Rajiv Gandhi University（拉贾·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒研究中心）
AI总结 本文综述了模型融合的方法、理论、应用及未来方向，提出新的分类方法并探讨其在多个机器学习领域的应用及挑战。
重新思考微调：解锁视觉-语言模型中的隐藏能力
机构 * College of Engineering, Northeastern University（东北大学工程学院） ； Khoury College of Computer Science, Northeastern University（东北大学计算机科学学院）
AI总结 本文提出基于MFT的结构重参数化方法，通过重新组织VLMs内部子网络实现高效微调，超越LoRA和全微调，无需改变骨干网络。
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