高校专区
通过多智能体强化学习进行协作信息感知以监控动态室内环境
机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Riverside（加州大学河滨分校）
AI总结 本文提出利用多智能体强化学习进行协作信息感知，以提高动态室内环境监控的准确性，优于传统覆盖和学习无关的多机器人方法。
Comments 8 pages, 10 figures, 2 tables
一种用于改进财富监测的卫星基础模型
机构 * Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Department of Earth System Science, Stanford University（斯坦福大学地球系统科学系） ； Center on Food Security and the Environment, Stanford University（斯坦福大学食品安全与环境中心） ； Development Economics Data Group, World Bank Group（世界银行发展经济学数据组） ； Department of Environmental Social Science, Stanford University（斯坦福大学环境社会科学系）
AI总结 本文提出Tempov模型，通过自监督学习预训练并高效微调，实现大规模高精度财富映射与动态监测，减少对昂贵标签的依赖，并在非洲大陆层面取得良好性能。
Comments 22 pages, 10 figures, technical report
打破锁定：在低数据VLA后训练中保持可引导性
机构 * Stanford University（斯坦福大学）
AI总结 本文提出DeLock方法，通过保留视觉 grounding 和测试时对比提示指导，解决VLA策略在低数据后训练中因过度专业化导致的概念和空间锁定问题，实验证明其优于现有基线方法。
CheXmix：用于医学影像的统一生成预训练
机构 * Stanford AIMI, Stanford University（斯坦福大学AIMI研究所，斯坦福大学） ； Oracle Health AI（Oracle健康AI） ； Department of Radiology, Stanford University（斯坦福大学放射科）
AI总结 CheXmix通过统一早融合生成方法，在医学影像中实现更精确的联合表征学习，优于现有生成模型，在多个任务上表现突出。
Comments CVPR Findings (2026)
RecoverFormer: 末端执行器感知的人形机器人恢复控制
机构 * Stanford University（斯坦福大学）
AI总结 本文提出RecoverFormer，一种端到端的人形机器人恢复策略，通过学习切换恢复行为（如补偿步态、手-环境接触、质心重塑）实现鲁棒恢复，验证了其在多种扰动条件下的泛化能力。
CoFi-PGMA：在多智能体LLM中基于过滤反馈的反事实策略梯度
机构 * Stanford Graduate School of Business（斯坦福商学院） ； Stanford University（斯坦福大学） ； Department of Mathematics（数学系）
AI总结 针对多智能体LLM中过滤反馈导致的RLHF目标不准确问题，提出CoFi-PGMA框架，通过边际贡献反事实目标修正路由和协作机制下的学习信号，并提供实用训练算法和实证研究。
Comments 17 pages, 0 figures
SMP：基于物理的字符控制的可重用评分匹配运动先验
机构 * Simon Fraser University（西蒙 Fraser大学） ； Stanford University（斯坦福大学） ； Snap Inc.（Snap公司） ； National Research Council Canada（加拿大国家研究理事会） ； NVIDIA（NVIDIA公司）
AI总结 本文提出SMP，利用预训练的运动扩散模型和评分蒸馏采样生成可重用的运动先验，适用于多种任务，能合成新风格并产生高质量动作。
Comments To appear in ACM Transactions on Graphics (SIGGRAPH 2026)
分辨率缩放决定了DINOv3在胸部X光分类中的转移性能
机构 * Lab for AI in Medicine, RWTH Aachen University（人工智能医学实验室，亚琛工业大学） ； Department of Diagnostic and Interventional Radiology, University Hospital RWTH Aachen（诊断与介入放射学部门，亚琛大学医院） ； Department of Urology, Stanford University（泌尿科，斯坦福大学） ； Department of Radiology, Stanford University（放射科，斯坦福大学） ； Institute for Computational Genomics, Joint Research Center for Computational Biomedicine, University Hospital RWTH Aachen（计算基因组研究所，计算生物医学联合研究中心，亚琛大学医院） ； Else Kroener Fresenius Center for Digital Health, Technical University Dresden（数字健康中心，德累斯顿技术大学） ； Department of Medicine I, University Hospital Dresden（第一医学部，德累斯顿大学医院） ； National Center for Tumor Diseases (NCT), University Hospital Heidelberg（肿瘤疾病国家中心（NCT），海德堡大学医院）
AI总结 本文评估了DINOv3在胸部X光分类中的性能，发现其在512x512像素下表现最佳，尤其在ConvNeXt-B模型中，但高分辨率1024x1024并未带来显著提升，反而增加计算成本。
PoseX：人工智能击败物理方法在蛋白质-配体交叉对接
机构 * Microcyto ； Purdue University（普渡大学） ； State Key Laboratory for Novel Software Technology at Nanjing University（南京大学新型软件技术国家重点实验室） ； Anew Therapeutics ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Peking University（北京大学） ； Virginia Tech（弗吉尼亚理工大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 PoseX设计了一个开放源代码的基准测试，评估自我对接和交叉对接，通过23种方法和718/1312个数据集，发现AI方法在对接成功率上优于物理方法，并通过放松方法和结合口袋信息提升性能。
算法特征突出用于人机决策制定
机构 * Stanford University（斯坦福大学）
AI总结 本文研究了在复杂情况下通过突出少量特定特征来辅助人类决策的算法，探讨了不同人类认知模式下特征选择的优化问题，并通过实证研究验证了该方法的实用性。
结果奖励并不能保证可验证或因果重要的推理
机构 * Stanford University（斯坦福大学）
AI总结 本文通过实验发现，尽管RLVR提升了任务准确率，但并未可靠提升推理的因果重要性和充分性，通过预训练可改善此问题，辅助奖励能进一步提升推理质量。
NSF关于人工智能在电子设计自动化领域的研讨会报告
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of California at Los Angeles（加州大学洛杉矶分校） ； Cadence Design Systems, Inc.（Cadence设计系统公司） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； IBM
AI总结 报告总结了NSF人工智能在电子设计自动化领域研讨会的讨论和建议，探讨了AI技术如何加速EDA设计流程，提出加强AI与EDA合作、投资基础AI研究等核心贡献。
Comments Accepted by IEEE Circuits and Systems Magazine (2026). This is the accepted version. The published version is available at https://ieeexplore.ieee.org/document/11466406
Journal ref IEEE Circuits and Systems Magazine, vol. 26, no. 1, First Quarter 2026
地方政府发言中的参与与代表性
机构 * Department of Economics, Stanford University（斯坦福大学经济学系）
AI总结 本文通过分析加州115个城市十年来的市政会议数据，发现公众参与者的年龄、种族、性别和政治倾向与注册选民不同，且土地使用议题会增加参与度。研究探讨了会议访问成本对参与模式的影响。
WFM：用于超快速多模态MRI合成的3D小波流匹配
机构 * Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Machine and Hybrid Intelligence Lab, Feinberg School of Medicine, Northwestern University（北western大学费因伯格医学院机器与混合智能实验室）
AI总结 本文提出WFM方法，通过学习基于小波空间条件均值的直接流，实现高效多模态MRI合成，单模型在BraTS 2024上达到26.8 dB PSNR和0.94 SSIM，速度比扩散模型快250-1000倍。
Comments 17 pages, 4 figures, 3 tables. Accepted at MIDL 2026 (Poster)
验证一种深度学习算法以利用系统电子健康记录识别青光眼患者
机构 * Department of Ophthalmology, Byers Eye Institute, Stanford University（眼科学系，Byers眼科研究所，斯坦福大学）
AI总结 研究通过验证深度学习模型在系统电子健康记录中识别青光眼患者的能力，发现模型在AUROC和PPV指标上表现良好，且增加可训练层数和数据量可提升性能。
Comments submitted to AMIA Annual Symposium 2026
通过人类-大语言模型协作探索科拉兹动力学
机构 * Stanford University（斯坦福大学） ； QuadriumAI
AI总结 本文通过1014次计算实验，系统分析科拉兹猜想，利用29种数学方法揭示分布收敛到点收敛的不可还原障碍，证明了科拉兹猜想难以证明的本质原因。
Comments 233 pages, 11 figures, 52 tables
解决神经网络因果干预中的分歧表示
机构 * Stanford University（斯坦福大学）
AI总结 研究探讨因果干预是否导致模型表示偏离自然分布，分析无害与有害分歧，并提出改进方法以提升解释性可靠性。
EduCoder：一种用于教育转录数据的开源标注系统
机构 * Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出EduCoder，一种专为教育对话标注设计的工具，解决教育对话转录中复杂编码问题，支持开放式和分类编码，并提供外部特征上下文，提升数据可靠性。
稳定性边缘的起源
机构 * Stanford University（斯坦福大学）
AI总结 本文研究了梯度下降法驱动Hessian特征值至2/η的现象，引入边缘耦合概念，通过递推关系和二阶展开揭示了曲率趋近2/η的机制，并分析了固定点和周期二轨道的分类。
基于分位数标记和邻近上下文的文本到分布预测
机构 * Amazon.com, Inc.（亚马逊公司） ； Stanford University（斯坦福大学）
AI总结 本文提出分位数标记回归，通过插入专用分位数标记并结合邻近实例，提升分布预测精度，实验显示在多个数据集上效果显著，MAPE更低且预测区间更窄。
Comments Accepted to ACL 2026 main conference
HumanScore：在生成视频中评估人类动作的基准测试
机构 * Stanford University（斯坦福大学） ； Peking University（北京大学）
AI总结 本文提出HumanScore框架，通过六个可解释指标评估AI生成视频中人类动作的质量，揭示感知合理性与生物力学真实性的差距，并产生可靠的模型排名。
RareSpot+: 一种用于小型稀有野生动物的基准、模型和主动学习框架
机构 * University of California, Santa Barbara（加州大学圣芭芭拉分校） ； Smithsonian National Zoo and Conservation Biology Institute（史密森尼国家动物园与保护生物学研究所） ； Stanford University（斯坦福大学） ； The Doris Duke Foundation（多里斯·杜克基金会）
AI总结 RareSpot+通过多尺度一致性学习、上下文感知增强和地理引导主动学习，解决小而稀有野生动物的检测难题，提升检测精度并实现生态空间分析。
学习何时不决定：一种克服人工智能裁决中事实预设性的框架
机构 * Stanford University（斯坦福大学）
AI总结 本文研究了人工智能裁决中因信息不足导致的预设性问题，提出SPEC框架在失业保险裁决中实现89%的准确率，展示了如何通过结构化提示清单解决信息缺失问题。
无偏语言识别与生成
机构 * Aarhus University and University of Oxford（奥胡斯大学和牛津大学） ； Stanford University（斯坦福大学）
AI总结 本文在不假设数据分布的情况下，研究了语言识别与生成问题，得出了新的特性描述和接近最优的速率。
Comments typos and minor bug fixes
从基础出发的可解释性：面向教育评估的自动评分者设计
机构 * Graduate School of Education, Stanford University（斯坦福大学教育研究生院） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
AI总结 本文提出FGTI可解释性原则，开发AnalyticScore框架，在文本构造响应评分中提升准确性并接近人类标注表现。
Comments In Findings of the Association for Computational Linguistics (ACL 2026)
多臂老虎机与机器学习生成的代理奖励
机构 * Stanford University（斯坦福大学） ； Northwestern University（西北大学） ； Cornell University（康奈尔大学）
AI总结 本文提出MLA-UCB算法，利用机器学习模型将辅助信息转换为代理奖励，解决代理奖励偏差问题，改进累积遗憾并实现渐近最优。
罗德里格斯网络用于学习机器人动作
机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 本文提出罗德里格斯网络，通过引入运动学先验知识提升机器人动作学习性能，验证了其在动作预测和手部重建中的有效性。
Comments ICLR 2026
差分方程近似在小间隙情形下的汤普森采样
机构 * Kellogg School of Management, Northwestern University（西北大学凯洛格管理学院） ； Department of Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系）
AI总结 研究小间隙情形下汤普森采样及相关采样算法的过程动态，展示其弱收敛于随机微分方程解，发现算法不变原理及对模型误设定的不敏感性。
SWE-chat：从真实用户中编码代理交互
机构 * Stanford University（斯坦福大学）
AI总结 SWE-chat是首个大规模真实编码代理会话数据集，包含6000个会话，揭示了编码代理在真实场景中的使用模式和失败模式，发现代理生成的代码效率低下且存在更多安全漏洞。
具有语言基础的稀疏编码的生成AI内容分析
机构 * National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； Stanford University（斯坦福大学） ； Harvard University（哈佛大学）
AI总结 本文提出LanSE工具，通过自然语言描述将图像分解为可解释的视觉模式，实现了对生成AI内容的细粒度分析，提升了物理合理性评估并扩展至医学影像领域。
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