高校专区
MedRedFlag：探究LLMs如何在真实健康沟通中纠正误解
机构 * Independent Researcher（独立研究者） ； Duke University（杜克大学） ； Stanford University（斯坦福大学）
AI总结 本研究通过构建MedRedFlag数据集（1100+个来自Reddit的需纠正问题），系统比较了先进LLMs与临床医生的回应，发现LLMs常未能纠正问题中的错误前提，可能导致次优医疗决策，揭示了患者面向医疗AI系统的关键安全漏洞。
PoliticsBench: 通过多轮角色扮演基准测试大型语言模型中的政治价值观
机构 * Northville High School, Northville, USA（北维尅高中） ； Department of Computer Science, Stanford University, Stanford, USA（斯坦福大学计算机科学系）
AI总结 提出PoliticsBench，一个多阶段角色扮演基准，通过20个演化场景评估LLM的细粒度价值表达，发现场景提示比直接提问能引发更广泛和强烈的价值表达。
Comments 7 pages, 5 tables, 5 figures, 4 appendix pages. Accepted to the ICML 2026 Trustworthy AI for Good Workshop
LiSeCo：语言生成的线性语义控制
机构 * Universitat Pompeu Fabra（庞培法布拉大学） ； Stanford University（斯坦福大学）
AI总结 提出一种轻量级、无梯度的线性语义控制方法LiSeCo，通过控制理论在线干预嵌入空间中的激活值，将生成轨迹引导至预定义的安全语义区域，实现高效且保证性能的文本生成控制。
Comments TMLR 2026 camera ready; earlier version in NeurIPS MINT Workshop 2024
Journal ref Published in NeurIPS MINT 2024
大型语言模型能否跨表示泛化过程？
机构 * Stanford University（斯坦福大学）
AI总结 研究大型语言模型在代码、图与自然语言等不同表示间泛化过程的能力，提出两阶段强化学习课程来弥合差距。
Comments Accepted at ICML 2026
调整掩码扩散语言模型的隐式正则化器：通过$k$-奇偶问题的见解增强泛化能力
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 本文通过$k$-奇偶问题研究掩码扩散语言模型的泛化特性，理论分解其目标函数为信号和噪声两部分，并利用噪声作为隐式正则化器，通过优化掩码概率分布显著提升模型性能。
Comments ICML 2026
MATCH: 面向半监督组织病理学分割的多面自适应拓扑一致性
机构 * Stony Brook University（斯通布罗克大学） ； Massachusetts General Hospital and Harvard Medical School（麻省总医院和哈佛医学院） ； Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系）
AI总结 提出一种半监督分割框架MATCH，通过随机丢弃和时间训练快照生成多种扰动预测，并强制拓扑一致性来识别和保留相关拓扑特征，引入结合空间重叠与全局结构对齐的匹配策略以减少预测差异，有效降低拓扑错误，提升分割鲁棒性和准确性。
Comments 20 pages, 6 figures. Accepted by NeurIPS 2025
合作多智能体强化学习中潜在最优联合动作识别
机构 * School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） ； Stanford University（斯坦福大学） ； MOE Key Lab of Embedded System and Service Computing, Tongji University, Shanghai, China（同济大学嵌入式系统与服务计算教育部重点实验室，上海，中国） ； The University of Hong Kong（香港大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 针对值函数分解中单调性约束限制表达能力的问题，提出潜在最优联合动作加权方法，通过迭代加权训练保证最优策略恢复，在多个任务上超越现有方法。
Comments ICLR 2026
Journal ref ICLR 2026
应急模型预测控制用于自动驾驶车辆
机构 * Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系）
AI总结 本文提出了一种新的应急模型预测控制（CMPC）框架，该框架在跟踪期望路径的同时，维护一个替代轨迹以避免已识别的潜在紧急情况。通过在经典递推MPC时间 horizon中并行添加额外的预测时间 horizon，CMPC能够预见可能发生的情况，而不是在紧急情况发生后才反应。通过数学定义框架并实验比较其性能与最先进的确定性MPC，展示了CMPC在应对潜在摩擦损失（如冰面）时的有效性。
Comments American Control Conference, July 2019; 6 pages
Journal ref IEEE American Control Conference (ACC) (2019) 717-722
绿色选择：学习和影响共享道路上的人类决策
机构 * Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系） ； Department of Electrical and Computer Engineering, UC Santa Barbara（加州大学圣芭芭拉分校电气与计算机工程系） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
AI总结 本文研究如何通过设计价格策略来影响人类在共享道路上的决策，以最大化道路使用效率并减少交通延误，核心方法是基于用户偏好算法和交通基本图模型的规划优化。
Comments Submitted to CDC 2019
在未知转移模型的确定性马尔可夫决策过程中实现高效且安全的探索
机构 * Stanford University（斯坦福大学） ； Jet Propulsion Laboratory（喷气推进实验室） ； California Institute of Technology（加州理工学院）
AI总结 本文提出了一种安全探索算法，通过利用Lipschitz连续性确保在探索过程中不访问危险状态，该算法在确定性马尔可夫决策过程中提供了确定性的安全保证，并通过模拟导航任务验证了其性能。
Comments Proceedings of the American Control Conference (ACC), July 2019. The first two authors have equal contribution
具有模型不匹配的鲁棒跟踪：一种SOS优化方法
机构 * Dept. of Aeronautics and Astronautics, Stanford University（航空航天系，斯坦福大学） ； Dept. of Electrical Engineering and Computer Science, University of California, Berkeley（电气工程与计算机科学系，加州大学伯克利分校）
AI总结 本文提出了一种基于SOS优化的方法，用于在快速且安全的规划中处理模型不匹配问题，通过设计反馈跟踪控制器和跟踪界限，以在不精确模型下保证系统安全性。
Comments Presented at WAFR 2018; final version v2 -- fixed typos
BCR-Net: 一种基于非标准小波形式的神经网络
机构 * Department of Mathematics, Stanford University（斯坦福大学数学系） ； Institute for Computational and Mathematical Engineering, Stanford University（斯坦福大学计算与数学工程研究所） ； Department of Mathematics and ICME, Stanford University（斯坦福大学数学系和计算与数学工程研究所） ； Facebook AI Research, Menlo Park, CA（脸书人工智能研究（Menlo Park, CA））
AI总结 本文提出了一种基于非标准小波形式的神经网络架构，该架构通过将非标准形式的矩阵向量乘法算法表示为线性神经网络，其中每个多分辨率计算的尺度都由局部连接的线性子网络完成，并通过用更深层次和强大的非线性子网络替换线性子网络来扩展以解决非线性问题。
Comments 17 pages and 9 figures
重新思考系统健康管理
机构 * Intelligent Systems Division, NASA Ames Research Center（美国国家航空航天局阿姆斯研究中心智能系统部门） ； Dependable System Technologies, LLC（可靠系统技术有限公司） ； Jacobs ESSCA Group at NASA Marshall Space Flight Center（美国国家航空航天局马歇尔太空飞行中心Jacobs ESSCA小组） ； Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空与航天系）
AI总结 本文提出将系统健康管理与决策制定统一起来，以提高系统运行效率并降低整体复杂性，通过数值示例展示了传统方法的局限性。
Comments Published in the proceedings of the 2018 AAAI Fall Symposium on Integrating Planning, Diagnosis, and Causal Reasoning
电压调节问题中的可处理椭球近似
机构 * Facebook Inc.（Facebook公司） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Tesla Inc.（特斯拉公司）
AI总结 本文提出了一种基于机器学习的方法来解决电力系统运行中电压调节问题中的机会约束优化问题，通过用椭球近似不确定性可行区域，提出了类似支持向量机的学习模型和高效的采样算法。
Comments accepted by ACC2019 http://acc2019.a2c2.org/
结构机械系统学习的通用框架
机构 * Stanford University（斯坦福大学）
AI总结 本文提出了一种通用框架，用于结构化学习机械系统，通过结合先验知识和训练表达式近似器来提高模型的准确性和效率。
Comments 10 pages, 7 figures. First two authors contributed equally. Submitted to IROS/RA-L. Code at https://github.com/sisl/mechamodlearn/
理解压缩对抗隐私
机构 * Stanford University（斯坦福大学）
AI总结 本文提出了一种压缩对抗隐私框架，通过凸优化在数据隐私和效用之间取得平衡，并通过实证应用展示了该框架在保护敏感信息方面的有效性。
Journal ref 2018 IEEE Conference on Decision and Control (CDC)
超越快速矩阵乘法的谱近似：算法与难度
机构 * MIT（麻省理工学院） ； Microsoft Research（微软研究院） ； Stanford University（斯坦福大学） ； University of Minnesota（明尼苏达大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了如何在比矩阵乘法时间更快的运行时间内近似矩阵的谱，提出了一种基于随机迹估计、多项式逼近和快速系统求解器的算法，能够高效地隔离矩阵谱的不同范围并近似奇异值的数量，从而在许多应用中替代真实的奇异值。
Comments ITCS 2018
通过控制收缩度量学习可稳定化的动态系统
机构 * Dept. of Aeronautics and Astronautics, Stanford University（航空航天系，斯坦福大学） ； Google Brain Robotics, New York（谷歌大脑机器人，纽约） ； Dept. of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院）
AI总结 本文提出了一种新的框架，用于学习可稳定化的非线性动态系统，以实现机器人连续控制任务。核心方法是开发一种基于稳定性的控制理论正则化器，以确保学习到的系统可以配备一个稳健的控制器，能够稳定任何系统生成的开环轨迹。通过利用收缩理论、统计学习和凸优化工具，我们提供了一个通用且可操作的半监督算法来学习可稳定化的动态系统，可以应用于复杂的欠驱动系统。在模拟平面四旋翼系统上验证了所提算法，并观察到与传统回归技术学习的模型相比，使用控制理论正则化模型在轨迹生成和跟踪性能上有显著改进，尤其是在使用少量示范示例时。结果展示了将标准基于模型的强化学习算法与非线性控制理论概念结合的必要性，以提高可靠性。
Comments To appear at WAFR 2018. v2: re-structured Sections 3 & 4 to improve clarity; expanded discussion on limitations & future work in Section 5; added details on training & validation, significantly expanded experiments
SwitchNet: 一种用于正反散射问题的神经网络模型
机构 * Department of Mathematics, Stanford University, Stanford, CA 94305.（斯坦福大学数学系） ； Department of Mathematics（数学系） ； ICME, Stanford University, Stanford, CA 94305. Facebook AI Research, Menlo Park, CA 94025.（斯坦福大学计算数学与工程系，Facebook人工智能研究实验室）
AI总结 SwitchNet通过建立散射体与散射场之间的映射，解决基于波方程的反散射问题，利用低秩结构和稀疏连接的切换层减少参数量并提升训练效率。
Comments 19 pages, 7 figures
BaRC：机器人强化学习中的逆向可达性课程
机构 * Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） ； School of Computing Science, Simon Fraser University（西蒙弗雷泽大学计算机科学学院）
AI总结 本文提出BaRC方法，利用物理先验知识设计课程方案，通过逆向可达性策略加速连续控制MDP中模型无关RL算法的训练，提升性能并减少探索需求。
自动驾驶出行即服务与公共交通系统的交互
机构 * Stanford University（斯坦福大学） ； Technical University of Munich（慕尼黑技术大学）
AI总结 本文研究了自动驾驶出行即服务与公共交通系统的耦合模型及协调策略，通过网络流模型最大化社会福利，并设计定价与收费方案实现社会最优，以纽约市为例验证了协同效应。
Comments 9 pages, 8 figures, ITSC 2018
拟合跳跃模型
机构 * IMT School for Advanced Studies Lucca（IMT 高级研究学院卢塞拉分校） ； Dalle Molle Institute for Artificial Intelligence Research - USI/SUPSI（达勒莫莱人工智能研究所 - USI/SUPSI） ； Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系）
AI总结 本文提出了一种新的框架，用于拟合跳跃模型序列数据，通过交替最小化损失函数以拟合多个模型参数和确定每个数据点的活跃参数集，适用于隐马尔可夫模型等主流模型。
Comments Accepted for publication in Automatica
利用人工神经网络求解高维承诺函数
机构 * Department of Mathematics, Stanford University（数学系，斯坦福大学） ； Department of Mathematics, Department of Chemistry and Department of Physics, Duke University（数学系、化学系和物理系，杜克大学） ； Department of Mathematics and ICME, Stanford University（数学系和ICME，斯坦福大学）
AI总结 本文提出基于人工神经网络的方法，用于研究由随机过程支配的状态转换。通过变分公式和神经网络参数化，获得高维Fokker-Planck方程的承诺函数数值解，证明在高维问题中可实现中等精度。
Comments 12 pages, 6 figures
非凸机器学习中的二阶优化：一项实证研究
机构 * Institute for Computational and Mathematical Engineering, Stanford University（计算与数学工程研究所，斯坦福大学） ； School of Mathematics and Physics, University of Queensland（数学与物理学院，昆士兰大学） ； International Computer Science Institute, Berkeley, USA（国际计算机科学研究所，伯克利，美国） ； International Computer Science Institute and Department of Statistics, University of California at Berkeley（国际计算机科学研究所和统计学系，加州大学伯克利分校）
AI总结 本文通过实证研究评估了非凸机器学习问题中牛顿型方法的性能，证明其在泛化性能和超参数鲁棒性方面优于传统SGD，能有效逃离平坦区域和鞍点。
Comments 21 pages, 11 figures. Restructure the paper and add experiments
可扩展的非负矩阵分解方法用于近可分离的高瘦矩阵
机构 * Stanford University（斯坦福大学） ； Purdue University（普渡大学） ； Purdue University Institute for Computational and Bindley Biosciences Center（普渡大学计算与Bindley生物科学中心） ； Computer Science Mathematical Engineering（计算机科学数学工程）
AI总结 本文提出高效算法处理高瘦矩阵的非负矩阵分解，通过正交变换保持分离性，适用于流式数据和分布式计算环境。
Journal ref Proceedings of Neural Information Processing Systems, 2014
BEAST3D: 通过高斯泼溅从多视角视频进行动物行为分析与神经编码
机构 * Columbia University（哥伦比亚大学） ； Cold Spring Harbor（冷泉港） ； Stanford University（斯坦福大学）
AI总结 提出BEAST3D自监督预训练框架，利用未标注的多视角视频通过3D高斯泼溅重建和动物分割，学习3D视觉表征，有效应用于新视角合成、多视角姿态估计和神经编码。
基于遗传优化的稀疏道路观测城市交通仿真校准
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 提出一种基于遗传算法的框架，利用稀疏道路观测数据校准城市交通仿真，无需详细就业数据，生成与真实测量高度相关的交通流和就业分布。
利用BART基于评分标准评估CS1 C++编程作业
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 提出基于评分标准的多任务微调BART模型，用于自动评分C++编程作业，通过联合预测数值分数和等级区间并匹配分布，使评分更接近教师行为。
DeepSpeak-Agentic 数据集
机构 * University of California, Berkeley, USA（加州大学伯克利分校） ； Stanford University, USA（斯坦福大学）
AI总结 本文提出了一个包含37小时人机半结构化对话视频的数据集DeepSpeak-Agentic，用于评估AI代理的自动取证识别、研究人机交互特性，并作为大型语言模型和AI生成语音/面部技术的基准。
大型语言模型中的多语言遗忘：迁移、动态与可逆性
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学）
AI总结 本文通过扩展TOFU基准到五种语言，研究大型语言模型中的多语言遗忘，发现遗忘迁移在不同语言间高度可变，且遗忘主要作用于后期解码层而非共享的跨语言潜在空间，因此可以通过推理时的单一引导方向逆转大部分遗忘效果。
Comments Accepted at ICML 2026
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