高校专区
拓扑信息神经网络用于光学和合成孔径雷达影像的洪水检测
机构 * US Naval Research Laboratory（美国海军研究实验室） ； Stanford University（斯坦福大学）
AI总结 针对云遮挡导致光学卫星图像难以检测洪水的问题，提出将拓扑数据分析（TDA）提取的拓扑特征融入神经网络，在SEN12-FLOOD数据集上实现更鲁棒和可解释的洪水检测。
SC3-Eval: 通过自洽视频生成评估机器人基础模型
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； NVIDIA（英伟达） ； Physical Intelligence ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； Allen Institute for AI（艾伦人工智能研究所）
AI总结 提出SC3-Eval方法，利用前向-反向动力学一致性、跨视角一致性和测试时一致性，将预训练视频基础模型转化为准确的策略评估器，在7个真实世界策略上达到0.929的皮尔逊相关系数。
使脑机接口更安全
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 针对脑电图（EEG）脑机接口（BCI）易受对抗攻击的问题，提出轻量级卷积神经网络（CNN）架构，在梯度攻击下比EEGNet、DeepConvNet和SleepEEGNet等模型具有更好的分类鲁棒性。
Comments Accepted and presented at IEEE World AI IoT Congress 2026
Journal ref 2026 IEEE World AI IoT Congress (AIIoT)
何时LLMs足以作为序列RL任务的策略优化器？
机构 * Department of Computer Science, Stanford University（计算机科学系，斯坦福大学）
AI总结 提出PromptPO方法，利用LLM通过Python描述状态空间、动作空间和奖励函数，基于rollout反馈迭代生成和优化可执行策略，在多种环境中匹配或超越标准RL基线，但在细粒度连续控制任务中表现不足。
遗忘，然后回忆：通过概要稀疏注意力实现可学习的压缩与选择性展开
机构 * Stanford University（斯坦福大学）
AI总结 本文提出一种通过概要稀疏注意力实现可学习的压缩与选择性展开机制，结合紧凑的全局表示与目标访问细粒度证据，提升长上下文大语言模型的效率与性能。
不要停留在众数！通过特征自引导缓解预训练流模型中的多样性坍塌
机构 * Indian Institute of Science（印度科学研究所） ； Stanford University（斯坦福大学）
AI总结 提出一种无需训练的自引导机制，通过分散批次生成中的内部特征并施加流形正则化，在几乎不增加推理成本的前提下缓解预训练流模型的多样性坍塌问题。
Comments Accepted by ECCV 2026. Project page: https://dont-settle-at-the-mode.github.io/
具有动力学的模拟硬件上的生成模型
机构 * Stanford University（斯坦福大学）
AI总结 提出模拟交互系统框架，通过时变分段参数和隐藏物理状态缩小模拟硬件与生成模型间的差距，结合WGAN训练，在MNIST上实现FID 27.6，能耗比数字方法低两个数量级。
RSPC：使用精神科医生标注对数字媒介关系中的压力和精神病状况进行建模的基准
机构 * Indian Institute of Information Technology Dharwad（印度信息技术学院达尔瓦德分校） ； Keshav Memorial College of Engineering（克沙夫纪念工程学院） ； National University of Singapore（新加坡国立大学） ； University of Birmingham（伯明翰大学） ； NVIDIA, Singapore（英伟达（新加坡）） ； Stanford University（斯坦福大学） ； INSEAD（欧洲工商管理学院）
AI总结 提出RSPC基准，包含精神科医生标注的Reddit帖子，用于多标签障碍分类、关系触发检测和阶段预测，发现模型能力差异及焦虑与关系不确定性的关联。
auto-psych: 使用智能体驱动的理论发现与实验自动化心智科学
机构 * Stanford University（斯坦福大学）
AI总结 提出auto-psych系统，通过嵌套智能体循环自动生成认知模型、设计并在线执行实验、收集数据，在抛硬币随机性判断任务中恢复真实理论并优于文献理论。
Comments 30 pages, 5 figures
重新思考预测中的训练与推理：将赢家通吃带回高斯混合模型
机构 * Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； Boston University（波士顿大学）
AI总结 针对轨迹预测中赢家通吃训练导致模式后验不可靠的问题，提出测试时后验加权合并和一步EM更新两种轻量级后处理方法，无需重训练即可提升模式排序和预测精度。
Comments Accepted by ECCV 2026
面向心理健康药物信息检索的知识增强型智能体AI
机构 * Department of Medicine and Therapeutics, The Chinese University of Hong Kong（香港中文大学内科及药物治疗学系） ； Department of Psychiatry, The Chinese University of Hong Kong（香港中文大学精神科学系） ； School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院） ； College of Information Science, University of Arizona（亚利桑那大学信息科学学院） ； Department of Medicine, Stanford University School of Medicine, Stanford University（斯坦福大学医学院医学系） ； Perelman School of Medicine, The University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院） ； Department of Biostatistics, Vanderbilt University（范德堡大学生物统计学系） ； Li Ka Shing Institute of Health Sciences, Faculty of Medicine, The Chinese University of Hong Kong（香港中文大学医学院李嘉诚健康科学研究所）
AI总结 提出一种基于知识图谱的多智能体框架，整合Reddit、WebMD和FDA不良事件报告，通过来源感知集成实现可审计的精神科药物信息检索。
基于图灵奖励的学习用户模拟器
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
AI总结 提出Turing-RL方法，利用基于图灵测试的强化学习训练用户模拟器，通过判别性图灵奖励使生成响应与真实用户不可区分，在对话和论坛讨论中优于基线方法。
MetaboNet-Bench：1型糖尿病血糖预测的多模态基准
机构 * Department of Genetics, Stanford University School of Medicine（斯坦福大学医学院遗传学系） ； Replica Health ； Boston Children’s Hospital, Harvard Medical School（哈佛医学院波士顿儿童医院） ； Diabetes Research Institute, Mills-Peninsula Medical Center（米尔斯半岛医学中心糖尿病研究所）
AI总结 针对1型糖尿病血糖预测算法缺乏标准化评估基准的问题，提出MetaboNet-Bench多模态基准，集成血糖、胰岛素和碳水化合物数据，通过多个模型对比验证多模态数据对模型性能的影响。
Comments main content in 10 pages with 5 figures; supplementary section with 11 more pages and 5 more figures. v2: fix figure 4 and 5's misordering
CheXanatomy: 面向胸部X光片的解剖感知视觉-语言建模
机构 * Stanford Center for Artificial Intelligence in Medicine and Imaging, Stanford University（斯坦福大学医学与影像人工智能中心） ； Department of Radiology, Stanford University（斯坦福大学放射学系）
AI总结 提出CheXanatomy框架，通过自回归令牌空间监督将解剖知识融入预训练视觉-语言模型，实现解剖分割，在合成和真实X光片上性能媲美U-Net，并提升域迁移鲁棒性和样本效率。
实时语音AI能听到但不倾听
机构 * Together AI ； Stanford University（斯坦福大学）
AI总结 评估四个领先实时语音系统，发现它们依赖文字而非声学线索，在情感理解上存在感知与行动脱节，提示需谨慎用于依赖语调的场景。
相同证据，不同答案：多模态大语言模型中的顺序敏感性审计
机构 * Stanford University（斯坦福大学）
AI总结 提出Facet-Probe审计框架，评估18个多模态大语言模型在五种顺序扰动下的答案翻转率，发现所有模型均非顺序不变，最佳模型仍有13.4%翻转率，提示仅靠提示级缓解难以实现通用顺序鲁棒性。
Comments 22 pages, 4 figures, 5 tables
极限空间高效语言生成
机构 * EPFL（苏黎世联邦理工学院） ； Stanford University（斯坦福大学）
AI总结 针对空间效率约束下的极限语言生成问题，提出基于DFA假设类的流式算法，在多项式空间内实现生成差距O(k^{2s-2})，并证明近乎匹配的下界。
Comments Accepted at COLT 2026
BiPACE：基于双模拟引导与动作反事实估计的LLM智能体策略优化
机构 * University of Chicago（芝加哥大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Stanford University（斯坦福大学） ； University of Science and Technology of China（中国科学技术大学） ； Meituan（美团）
AI总结 针对分组强化学习中状态-动作信用分配不匹配问题，提出BiPACE优势估计器，通过双模拟引导的状态聚类和动作反事实基线，在无需批评网络或额外采样的前提下提升LLM智能体训练效果。
结构化稀疏：块稀疏特征化器捕获视觉概念流形
机构 * Goodfire ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； Brown University（布朗大学）
AI总结 提出块稀疏特征化器（BSF）来建模视觉概念流形，通过最小描述长度分析证明其比方向基特征化器更紧凑，并应用于解释曲线检测、发现新流形及控制图像生成。
面向LLM服务的几何感知在线调度：从理论界到系统实践
机构 * Gaoling School of Artificial Intelligence（人工智能学院） ； Renmin University of China（中国人民大学） ； Department of Management Science and Engineering（管理科学与工程系） ； Stanford University（斯坦福大学） ； Department of Industrial Engineering and Decision Analytics（工业工程与决策分析系） ； HKUST（香港科技大学）
AI总结 针对LLM推理中KV缓存动态内存占用问题，提出Smallest Volume First (SVF)算法，通过几何感知调度优化性能，理论证明将竞争比从48降至5，并在vLLM中实现即插即用，显著降低平均和尾部延迟。
Shepherd: 一个为元代理提供形式化执行迹的运行时基座
机构 * Northeastern University（东北大学） ； Stanford University（斯坦福大学）
AI总结 提出Shepherd，一个基于函数式编程的Python运行时基座，将代理执行作为一等对象，通过类似Git的执行迹支持元代理的检查、分叉和重放，在三个用例中显著提升性能。
Comments 50 pages, 22 figures, 14 tables
AI辅助模拟法庭：模拟特定司法机关的口头辩论提问
机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学）
AI总结 本文研究AI能否有效模拟特定司法机关的提问以辅助模拟法庭训练，提出双层评估框架，发现模拟问题被人类标注者认为真实且能识别法律问题，但存在提问类型单一和奉承等问题。
Comments Accepted at CS & Law 2026
Journal ref CSLAW '26: Symposium on Computer Science and Law, March 3-5, 2026, Berkeley, CA, USA, ACM, pp. 136-172
AI生成成人内容与深度伪造的市场
机构 * Indiana University Bloomington（印第安纳大学布卢明顿分校） ； Stanford University（斯坦福大学）
AI总结 研究Civitai平台上的Bounties机制，发现其被用于生成未经训练的NSFW内容，深度伪造请求集中且针对女性名人，揭示了货币化社区驱动AI平台产生的性别不平等危害。
单调对抗性损坏下的学习
机构 * Aarhus University（奥胡斯大学） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院）
AI总结 研究单调对抗性损坏模型下标准机器学习算法的局限性，发现最优分类算法在该设置下表现次优，而基于一致收敛的算法保持性能。
Comments added a few references in related work
SplatPainter: 通过测试时训练从2D编辑交互式创作3D高斯
机构 * Stanford University（斯坦福大学） ； Adobe
AI总结 提出SplatPainter，一种状态感知的前馈模型，通过测试时训练实现从用户2D视图连续编辑3D高斯资产，支持局部细节优化、涂改和全局重着色，达到交互速度。
Comments project page https://y-zheng18.github.io/SplatPainter/
强化学习改善LLM中参数化知识的遍历
机构 * Carnegie Mellon University（卡内基梅隆大学） ； MIT（麻省理工学院） ； Stanford University（斯坦福大学）
AI总结 本文发现强化学习提升LLM知识回忆能力，原因在于改进了模型对参数化知识层次结构的遍历技能，而非获取新知识。
Comments `
PERRY: 使用辅助数据的策略评估与置信区间
机构 * Stanford University（斯坦福大学） ； Gladstone Institutes（加利福尼亚大学旧金山分校）
AI总结 提出两种方法，利用辅助数据构建离线策略评估的置信区间，通过共形预测和双重稳健估计，在多个模拟和真实医疗数据集上验证有效性。
多中心研究：共享电子健康记录基础模型的适应性
机构 * Program in Child Health Evaluative Sciences, The Hospital for Sick Children, Toronto, ON, 1 Canada（儿童健康评估科学计划，多伦多医院儿童医学中心，多伦多，加拿大） ； Stanford Center for Biomedical Informatics Research, Stanford University, Palo Alto, CA, USA（斯坦福大学生物医学信息学研究中心，斯坦福大学，帕洛阿尔托，美国） ； Universidad del Norte, Barranquilla, Columbia（北方大学，巴兰基利亚，哥伦比亚） ； Division of Haematology/Oncology, The Hospital for Sick Children, Toronto, ON, Canada（血液肿瘤科，多伦多医院儿童医学中心，多伦多，加拿大）
AI总结 本研究评估了共享电子健康记录基础模型在不同医院间的适应性，证明其在较少标注数据下仍能提供优于本地训练的性能，且更高效。
Comments 46 pages, 5 figures, 3 tables, 14 appendices
InSight: 通过可引导的VLA实现自主技能获取
机构 * Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学）
AI总结 提出InSight框架，通过将VLA模型在基本动作层面变得可引导，实现自主技能获取，包括自动分割演示为基本动作和VLM引导的数据飞轮，无需人类演示即可学习新技能。
Comments Project website: https://insight-vla.github.io
BenchX: 基于人口统计和协议偏差的癌症检测与定位AI模型基准测试
机构 * Johns Hopkins University（约翰霍普金斯大学） ； German Cancer Research Center（德国癌症研究中心） ； University Hospital Basel（巴塞尔大学医院） ； University of Zurich（苏黎世大学） ； ETH AI Center（苏黎世联邦理工学院AI中心） ； Istanbul Medipol University（伊斯坦布尔梅迪波尔大学） ； Stanford University（斯坦福大学） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Nanyang Technological University（南洋理工大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California, San Francisco（加州大学旧金山分校） ； Johns Hopkins Medicine（约翰霍普金斯医学）
AI总结 提出BenchX基准，通过85,355次CT扫描系统评估12个肿瘤检测AI模型在肿瘤大小、位置、患者亚组和成像协议上的表现，揭示模型在罕见亚组中性能不佳。
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