高校专区
专家与通才的人工集体在不同任务中表现出色
机构 * Cornell University（康奈尔大学） ； University of Vermont（佛罗里达大学） ； Santa Fe Institute（圣达菲研究所） ； Northeastern University（东北大学）
AI总结 通过优化代理的系统实验，研究代理解释能力、理性边界和任务质量如何影响集体绩效，发现通才集体在生成、选择和协调任务上更优，而专家集体在谈判任务上更优。
Comments 10 pages, 4 figures
使用多模态混合专家病理基础模型预测免疫生物标志物，赋能精准肿瘤学
机构 * Program of Computational Biology and Bioinforamtics, Yale University（耶鲁大学计算生物学与生物信息学项目） ； Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所） ； Department of Statistics and Data Science, Northwestern University（西北大学统计与数据科学系） ； Department of Computer Science, Northeastern University（东北大学计算机科学系） ； Department of Computer Science, Harvard University（哈佛大学计算机科学系） ； Department of Pathology, Yale University（耶鲁大学病理学系） ； Department of Anatomic Pathology and Laboratory Medicine, Hospital of the University of Pennsylvania（宾夕法尼亚大学医院解剖病理学与检验医学系） ； Department of Pathology and Laboratory Medicine, University of California, San Francisco（加州大学旧金山分校病理学与检验医学系） ； Department of Pathology and Laboratory Medicine, KK Women’s and Children’s Hospital（竹脚妇幼医院病理学与检验医学系） ； Department of Biostatistics, Epidemiology and Informatics, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院生物统计学、流行病学与信息学系）
AI总结 提出MixTIME多模态基础模型，采用混合专家架构整合不同模态的病理基础模型，从HE全切片图像预测多重免疫荧光蛋白表达，在17个蛋白标记物上达到最优性能，并增强空间域识别、生存预测等下游任务。
Comments 5 figures
进化物理信息时间融合用于换道意图预测
机构 * Tandon School of Engineering（工程学院） ； New York University（纽约大学） ； Khoury College of Computer Science（计算机科学学院） ； Northeastern University（东北大学） ； School of Business（商学院） ； Wake Forest University（威克森林大学） ； Independent Researcher（独立研究者） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Qualcomm CDMA Technologies（高通CDMA技术） ； University of Michigan（密歇根大学）
AI总结 提出一种进化物理信息时间融合框架，通过融合从传统交通信号导出的时间描述符和从原始轨迹序列学习的时间嵌入，实现三分类换道意图预测，在highD和exiD数据集上取得高F1分数。
你有一张金票：用单一噪声向量改进生成式机器人策略
机构 * Robotics and AI Institute（机器人与人工智能研究所） ； Arizona State University（亚利桑那州立大学） ； Northeastern University（东北大学）
AI总结 提出用固定初始噪声替换高斯采样，通过蒙特卡洛搜索找到“金票”，无需训练即可提升预训练扩散/流匹配策略在46/51个任务中的成功率，最高提升55%。
Comments 34 pages, 14 figures, 12 tables
低阶系统的频率响应辨识：有限样本分析
机构 * Robust Systems Lab, ECE Department, Northeastern University（鲁棒系统实验室，电子与计算机工程系，东北大学）
AI总结 提出一种基于重复噪声测量的频域估计器，通过Loewner矩阵核范数正则化和凸稳定性约束，在有限样本下给出误差界，并通过有理插值推广到所有频率。
Comments 16 pages, Submitted to IEEE Transactions on Automatic Control
大型语言模型中真理的三难困境
机构 * Khoury College of Computer Sciences Northeastern University（东北大学科里学院） ； Network Science Institute Northeastern University（东北大学网络科学研究所） ； Santa Fe Institute（圣菲研究所）
AI总结 针对大型语言模型知识真实性探测方法的缺陷，提出结合多实例学习与共形预测的sAwMIL框架，实现真、假及不确定三类分类，揭示真理与虚假的非对称编码及第三种信号的存在。
Comments The main text is 9 pages long (plus 3 pages of references); supplementary material (60 pages) is included in the same PDF
探索-执行链：迈向高效的结构化推理范式
机构 * Qizhi Institute（启智研究院） ； Dept. of Computer Science, Tsinghua University（清华大学计算机科学系） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Engineering Department, National University of Singapore（新加坡国立大学工程系） ； Dept. of Automation, Shanghai Jiao Tong University（上海交通大学自动化系） ； IIIS, Tsinghua University（清华大学人工智能研究院） ； College of Software, Northeastern University（东北大学软件学院）
AI总结 提出探索-执行链（E²C），将推理分为随机探索阶段（生成简洁高层计划）和确定性执行阶段（忠实执行计划），通过因果SFT和RL训练分离，在AIME'2024上以更少token超越思维树，并支持轻量领域适应。
覆盖约束下的数据偏差缓解与公平的代价
机构 * Khoury College of Computer Sciences, Northeastern University（东北大学库里计算机科学学院） ； Cheriton School of Computer Science, University of Waterloo（滑铁卢大学切里顿计算机科学学院）
AI总结 针对多敏感属性交叉群体的偏差问题，提出在覆盖约束下扩展偏差缓解框架，通过整数线性规划优化缓解策略，权衡偏差近似误差与数据效率，并刻画公平的代价。
Comments Accepted to FAccT 2026
论基于最高密度区域的量化不确定性探索
机构 * Northeastern University London（东北大学伦敦校区）
AI总结 针对概率机器学习中回归问题的不确定性量化，提出基于最高密度区域体积的QUEST框架，满足单调性和平移不变性公理，在选择性预测基准上优于方差和微分熵。
Comments 27 pages, of which 10 are main text. Contains 7 figures, 4 tables, 1 algorithm in total
S-JEPA：用于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·西尔伯拉德·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（亚马逊生成式人工智能）
AI总结 提出S-JEPA，通过KL散度匹配高斯混合模型的软后验概率训练编码器-预测器对，无需离线重聚类或教师蒸馏，在SUPERB协议下以低于90M参数取得最低WER，并建立新的帕累托前沿。
跨GPU架构的3D生成扩散模型性能分析与优化
机构 * Fairleigh Dickinson University（费尔利·迪金森大学） ； The University of Colorado at Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校） ； Northeastern University（东北大学）
AI总结 针对3D MRI扩散模型Med-DDPM，分析其在三代NVIDIA架构上的内核级性能瓶颈，提出TF32 Tensor Core激活和3D channels-last布局优化，实现SM周期和动态指令减少100倍，Tensor Core利用率提升至9.98倍，IPC提升7%。
看见不等于筛查：针对智能体技能扫描仪的多模态隐藏指令攻击
机构 * Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Chongqing University, China（重庆大学） ； Northeastern University, China（东北大学） ； University of Chinese Academy of Sciences, China（中国科学院大学） ； Beihang University, China（北航大学）
AI总结 针对现有技能扫描仪忽视图像中恶意指令的盲点，提出SkillCamo多模态攻击将指令隐藏于图像，并设计ExecScan执行级扫描模块，通过意图提取、行为重建等检测隐藏指令，实验证明其有效性。
WAM-RL：基于重建奖励和在线视频SFT的世界-动作模型强化学习
机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理国家重点实验室） ； Northeastern University（东北大学） ； Tsinghua University（清华大学）
AI总结 提出WAM-RL框架，通过强化学习联合优化世界模型和动作模型，解决长时域任务中仅优化动作模型的不足，首次将强化学习引入世界-动作范式。
SkillJect：有效自动化基于技能的提示注入以针对具备技能的代理
机构 * Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Chongqing University, China（重庆大学） ； Northeastern University, China（东北大学） ； Sun Yat-sen University, China（中山大学） ； University of Oxford, UK（牛津大学）
AI总结 SkillJect 是首个自动化生成有效中毒技能的框架，通过隐藏恶意负载和重写指令通道，提升攻击效果，揭示可重用技能生态中的持久性攻击向量。
ThinkJEPA：赋予潜在世界模型大型视觉-语言推理能力
机构 * Northeastern University（东北大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Maryland（马里兰大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Washington（华盛顿大学）
AI总结 提出ThinkJEPA框架，结合密集JEPA分支与稀疏VLM思考者分支，通过分层金字塔表示提取模块，实现细粒度运动建模与长程语义引导，在手部操作轨迹预测任务上超越基线。
Comments 10 pages, 5 figures
使用大型视觉语言模型审核不安全的用户生成内容游戏中的非法在线图像推广
机构 * University at Buffalo（布法罗大学） ； Northeastern University（东北大学） ； Clemson University（克莱姆森大学） ； The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
AI总结 针对社交媒体上非法推广不安全UGC游戏的图像，提出UGCG-Guard系统，利用大型视觉语言模型和条件提示策略实现零样本域适应，检测准确率达94%。
Comments In Proceedings of the 33rd USENIX Conference on Security Symposium (SEC '24), August 14-16, 2024
SPRI: 基于SVD分解残差初始化的数据受限MoE升级方法
机构 * Northeastern University, China（东北大学） ； Huawei TSC, China（华为技术有限公司） ； CUHK-Shenzhen, China（香港中文大学（深圳）） ； University of Maryland, USA（马里兰大学） ； Harbin Engineering University, China（哈尔滨工程大学） ； Inclusion AI, Ant Group（蚂蚁集团Inclusion AI） ； NiuTrans Research, China（小牛翻译研究中心）
AI总结 提出SPRI方法，利用预训练FFN权重的SVD分解残差初始化MoE专家，结合两阶段训练策略，在数据受限的多语言语音翻译任务中显著提升性能。
Comments 8pages, 12 tables, 3 figures
嵌入式竞技场：通过硬件反馈的迭代优化
机构 * University of Washington（华盛顿大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Northeastern University（东北大学）
AI总结 提出硬件在环智能体框架，通过迭代编译、烧录和测量真实硬件，实现模型与固件的闭环优化，在嵌入式设备上达到250倍压缩且精度损失<3.3%。
Comments Code: https://github.com/ubicomplab/embedded-arena
重新喂食并非重放：在反事实令牌信用估计中测量重放噪声
机构 * Northeastern University（东北大学）
AI总结 通过三遍实验设计，测量了在反事实令牌信用估计中重新喂食前缀导致的噪声，发现其改变信用估计的比率高于副本噪声基底，建议恢复解码器状态或使用批不变内核。
Comments 10 pages, 3 figures. Code, per-pivot data, logs, and registration: https://github.com/thaw-ai/thaw (benchmarks/, paper/refeed-drift/)
双基础模型的相互蒸馏用于半监督PET/CT分割
机构 * Central South University（中南大学） ； Hangzhou Dianzi University（杭州电子科技大学） ； Communication University of Zhejiang（浙江传媒学院） ； Northeastern University（东北大学）
AI总结 提出MuDuo框架，利用SAM-Med3D和SegAnyPET分别从CT和PET中蒸馏知识到轻量学生网络，实现半监督器官分割，仅用5个标注样本在AutoPET数据集上达到最优性能。
Comments MICCAI 2026
理解中行动：面向实时视觉-语言-动作模型的异步语义-动作解耦
机构 * Northeastern University（东北大学） ； Ising AI ； CUHK-Shenzhen（香港中文大学（深圳））
AI总结 提出异步语义-动作解耦框架，分离VLAs中的语义理解与动作生成，通过低频率语义更新和高频率动作推理实现高频闭环控制，在LIBERO和真实机器人上验证了高达35.6Hz的动作模块吞吐率。
GeoStream：迈向精确相机控制的流式视频生成
机构 * CMU（卡内基梅隆大学） ； Northeastern University（东北大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Rice University（莱斯大学） ； Snap Inc.（Snap公司） ； KAUST（阿卜杜拉国王科技大学）
AI总结 提出GeoStream框架，通过自刷新3D缓存和在线策略蒸馏，实现自回归流式视频生成中的精确度量级相机控制，解决了现有方法在视角移动时控制失效和分布偏移问题。
暗调控组：从基因组基础模型中分离可预测性与调控性
机构 * IIT Jodhpur（印度理工学院贾尔普尔分校） ； University of Central Florida（中央佛罗里达大学） ； Northeastern University（东北大学）
AI总结 本研究提出残差化-置换诊断方法，从基因组基础模型的计算机诱变评分中分离序列可预测性与调控信号，揭示10kb近端调控边界，并验证跨架构分解可区分可预测性层与调控输出层，为暗基因组调控研究提供通用工具。
机器中的人类认知：世界模型的统一视角
机构 * Northeastern University（东北大学） ； EmbodyX Inc.（EmbodyX公司） ； Tulane University（路易斯安那州立大学） ； Cornell University（康奈尔大学） ； University of Georgia（佐治亚大学）
AI总结 提出统一框架整合记忆、感知等认知功能，指出动机和元认知研究不足，并引入认知世界模型新类别。
MUZZLE: 针对间接提示注入攻击的自适应智能体红队测试框架
机构 * Northeastern University（东北大学） ； Mozilla Corporation（Mozilla公司）
AI总结 提出MUZZLE框架，利用智能体轨迹自动识别高显著性注入面，自适应生成上下文相关的恶意指令，评估网络智能体对间接提示注入攻击的安全性，发现44种新攻击和跨应用攻击策略。
Token缩减应超越生成模型中的效率——从视觉、语言到多模态
机构 * Harvard University（哈佛大学） ； Northeastern University（东北大学） ； CAS（中国科学院） ； Wuhan University（武汉大学） ； MIT（麻省理工学院） ； Peking University（北京大学）
AI总结 本文提出Token缩减应超越传统效率优化，成为生成模型的基础原则，通过减少冗余token来促进多模态融合、缓解幻觉、维持长输入连贯性并提升训练稳定性。
Comments Project page: https://github.com/ZLKong/Awesome-Collection-Token-Reduction
RSPECT：空中监控中无人机-无人车团队能量感知协调的鲁棒可扩展规划器
机构 * Department of Electrical and Computer Engineering, Northeastern University（东北大学电气与计算机工程系）
AI总结 针对无人机与作为移动充电站的无人车在长期空中监控任务中的鲁棒规划问题，提出可扩展启发式算法RSPECT，通过混合整数规划建模并保证规划可行性与鲁棒性。
Comments Accepted to the Journal of Intelligent & Robotic Systems (JINT)
基于共振-放电神经元的神经形态无线分割计算
机构 * Department of Engineering, King’s College London（工程系，伦敦国王学院） ； Department of Electrical and Computer Engineering, Princeton University（电气与计算机工程系，普林斯顿大学） ； Institute for Intelligent Networked Systems, Northeastern University London（智能网络化系统研究所，伦敦东北大学）
AI总结 提出一种利用共振-放电神经元直接处理时域信号的无线分割计算架构，通过振荡动力学提取谱特征，降低脉冲率和能耗，在音频和调制分类任务中达到与传统方法相当的精度。
一种用于癫痫发作渐进预测的多模态非侵入式深度学习框架
机构 * Institute for the Wireless Internet of Things, Northeastern University, Boston, MA, U.S.A.（无线物联网研究所，东北大学，波士顿，马萨诸塞州，美国） ； University of Louisville, Louisville, KY, U.S.A.（路易斯维尔大学，路易斯维尔，肯塔基州，美国）
AI总结 本文提出一种基于非侵入式多模态传感器网络的深度学习框架，用于癫痫发作的渐进预测，通过提高预测精度和实时处理能力，实现95%的灵敏度和98%的特异度。
Comments 4 pages, 5 figures, Proceedings of the IEEE 20th International Conference on Body Sensor Networks (BSN), October 2024
Journal ref 2024 IEEE 20th International Conference on Body Sensor Networks (BSN)
SeizNet：一种基于人工智能的可植入传感器网络系统用于癫痫预测
机构 * Institute for the Wireless Internet of Things, Northeastern University, Boston, MA, U.S.A.（无线互联网研究所，东北大学，波士顿，马萨诸塞州，美国） ； University of Louisville, Louisville, KY, U.S.A.（路易斯维尔大学，路易斯维尔，肯塔基州，美国）
AI总结 SeizNet利用深度学习和多传感器数据提升癫痫预测的特异性与灵敏度，实现高达99%的预测准确率，为难治性癫痫治疗提供新途径。
Comments 4 pages, 4 figures, 1 table
Journal ref 2024 19th Wireless On-Demand Network Systems and Services Conference (WONS)
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