高校专区
选择、反思与自我完善：通过因果视角重新审视推理任务
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学）
AI总结 本文从因果视角重新审视推理任务，将其视为选择机制，通过引入潜变量反馈提升对潜在依赖关系的学习，显著提升了Sudoku和Maze任务的推理准确率。
Humanline: 在线对齐作为感知损失
机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； University of Chicago（芝加哥大学） ； Princeton Language & Intelligence（普林斯顿语言与智能实验室）
AI总结 本文提出Humanline框架，通过引入感知偏差解释在线对齐方法在性能上的优势，并展示其在提升训练效率的同时保持性能的潜力。
具有扩散空间旋转位置嵌入的扩散磁共振成像变换器（D-RoPE）
机构 * Stanford University（斯坦福大学）
AI总结 本文提出D-RoPE以解决扩散磁共振成像中空间、扩散加权和方向依赖性的建模问题，通过自监督预训练提升模型在多种任务中的表现，实现更稳健的跨设置表示。
将上下文信息纳入KGWAS以实现可解释的GWAS发现
机构 * University of Michigan（密歇根大学） ； gRED, Genentech（基因泰克研究与早期开发部） ； Stanford University（斯坦福大学）
AI总结 本文提出通过整合基因-基因关系提升KGWAS的解释性，利用稀疏上下文特定KG提高疾病关键网络的一致性和生物学鲁棒性。
激活至关重要：基于视觉语言模型的测试时激活负标签用于分布外检测
机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Stanford University（斯坦福大学）
AI总结 本文提出测试时激活负标签（TANL）方法，通过动态评估激活水平和测试批次内的激活信息，提升分布外检测的性能和鲁棒性，实验表明其在ImageNet基准上显著降低FPR95。
Comments CVPR 2026 main track, Codes are available at https://github.com/YBZh/OpenOOD-VLM
SMILES-Mamba：用于药物ADMET预测的化学Mamba基础模型
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； Stanford University（斯坦福大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Washington（华盛顿大学） ； Virginia Tech（弗吉尼亚理工大学）
AI总结 SMILES-Mamba通过自监督预训练和微调策略，利用未标记和标记数据预测药物ADMET属性，在22个数据集上表现优异，提升分子属性预测准确性并减少对大规模标注数据的依赖。
$π$, 但使其飞行：基于物理的VLA模型向空中操作的转移
机构 * Stanford University（斯坦福大学） ； Physical Intelligence
AI总结 本文提出AirVLA系统，研究预训练VLA模型在空中抓取任务中的迁移性，通过引入负载感知指导机制和高斯点扩散管道合成数据，提升空中操作性能，实现导航任务100%成功和抓取任务50%成功。
视频无限 gaze 生成的自回归扩散模型
机构 * New York University（纽约大学） ； Stanford University（斯坦福大学）
AI总结 本文提出一种自回归扩散模型，用于生成任意长度视频的无限 horizon 原始 gaze，通过在 saliency-aware 视觉潜在空间中条件化，提升长程时空准确性和轨迹真实性。
SurgPhase: 一种高效的垂体肿瘤手术阶段识别交互式网页平台
机构 * Children's National Hospital（儿童国家医院） ； Booth School of Business, University of Chicago（芝加哥大学布斯商学院） ； Division of Neurosurgery, Department of Surgery, University of Montreal（蒙特利尔大学外科学系神经外科） ； Wilson Centre for Research in Education, University Health Network（大学健康网络威尔逊教育研究中心） ； Department of Neurosurgery, Hospital Universitari Joan XXIII（胡安二十三世大学医院神经外科） ； University of Southern California（南加州大学） ； Stanford University School of Medicine（斯坦福大学医学院）
AI总结 本文提出SurgPhase平台，通过自监督学习和时间建模实现垂体肿瘤手术阶段识别，准确率达90%，并提供数据标注和模型优化功能。
符合性选择预测与通用风险控制
机构 * Department of Statistics, Stanford University（斯坦福大学统计学系） ； Department of Statistics and Data Science, University of Pennsylvania（宾夕法尼亚大学统计学与数据科学系）
AI总结 本文提出SCoRe框架，通过符合性推理和假设检验方法，在无需统一集中假设的情况下，为任何训练好的模型和用户定义的有界连续风险提供风险控制保证，并应用于药物发现、健康风险预测和大语言模型等领域。
自评分的反高潮：对AI在简答短处和用词弱点的元分析理解
机构 * Stanford University（斯坦福大学）
AI总结 本文通过元分析研究AI在简答评分中的不足，发现人类评分难度对LLM性能无显著影响，且某些人类易评任务对LLM更难，同时探讨了LLM技术对评分的影响因素。
后果性与功能性声音在人机交互中的作用：向音频增强现实接口迈进
机构 * Stanford University（斯坦福大学）
AI总结 研究探讨了机器人声音对人类感知的影响，以及AR技术对这些影响的调节作用，发现增强现实空间音频可有效传递任务信息并提升交互体验。
Comments 29 pages, 11 figures
基于检索-推理的大型语言模型合成临床试验生成
机构 * Institute for Clarity in Documentation（清晰文档研究所） ； Inria Paris-Rocquencourt（巴黎- Rocquencourt 国家信息与自动化研究所） ； Rajiv Gandhi University（拉吉夫·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒实验室） ； University of Chicago（芝加哥大学） ； Stanford University（斯坦福大学） ； Purdue University（普渡大学） ； University of Southern California（南加州大学）
AI总结 本文提出基于检索-推理框架的合成临床试验生成方法，利用LLM生成标注二元结果的合成试验报告，通过检索模块和推理模块提升生成质量，实验证明合成数据可有效增强真实数据集并提升临床试验预测性能。
Comments Published in ACM BCB 2025. 9 pages, 4 figures, 5 tables (Main paper + Supplementary Materials)
Journal ref Proceedings of the 16th ACM International Conference on Bioinformatics, Computational Biology, and Health Informatics (ACM BCB 2025)
通过循环一致性微调改进Lean4自动形式化
机构 * Stanford University（斯坦福大学）
AI总结 本文通过循环一致性奖励改进Lean4自动形式化，RL在未见数据和PutnamBench上表现优于SFT，且对交叉熵损失影响小。
Comments 10 pages, 10 figures, pages 10-27 appendix
具有校准机器学习预测的算法
机构 * Department of Management Science \& Engineering, Stanford University, Stanford, CA, USA ； Department of Computer Science, Stanford University, Stanford, CA, USA
AI总结 本文提出校准作为连接预测信任与算法性能的桥梁，通过滑雪租赁和在线任务调度案例，展示校准预测在高方差环境下提升性能的效果。
Comments Matches the camera-ready version accepted at ICML 2025
可泛化的心脏磁共振成像深度学习系统
机构 * Division of Cardiovascular Surgery, Department of Surgery, University of Pennsylvania（宾夕法尼亚大学心血管外科 division） ； Department of Cardiothoracic Surgery, Stanford University（斯坦福大学心胸外科 department） ； Department of Radiology, Medstar Georgetown University Hospital（梅奥医疗中心乔治城大学医院放射科 department） ； Department of Radiology and Biomedical Imaging, University of California, San Francisco（加州大学旧金山分校放射科和生物医学成像 department） ； Bunkerhill Health, San Francisco（旧金山布纳克希尔健康机构） ； Department of Radiology, University of Pennsylvania（宾夕法尼亚大学放射科 department） ； Division of Cardiovascular Medicine, Department of Medicine, University of Pennsylvania（宾夕法尼亚大学心血管医学 division） ； Division of Cardiovascular Medicine, Department of Medicine, Genetics, and Biomedical Data Science, Stanford University（斯坦福大学心血管医学 division） ； Department of Radiology, Medicine, and Biomedical Data Science, Stanford University（斯坦福大学放射科、医学和生物医学数据科学 department）
AI总结 本文提出一种可泛化的心脏MRI深度学习系统，通过自监督对比学习从放射科报告文本中学习心脏MRI动态序列中的视觉概念，展示了在多种任务上的卓越性能，包括左心室射血分数回归和39种心脏疾病的诊断。
Comments Published in Nature Biomedical Engineering; Supplementary Appendix available on publisher website. Code: https://github.com/rohanshad/cmr_transformer
Journal ref Nat. Biomed. Eng (2026)
3D-LLDM：基于标签的3D潜在扩散模型用于提高肝结构分割的高分辨率合成MR影像
机构 * OUTTA, Republic of Korea（韩国OUTTA） ； Stanford University（斯坦福大学） ； Seoul National University（首尔国立大学） ； Sangmyung University（Sangmyung大学） ； Chung-Ang University（Chung-Ang大学） ； Samsung Medical Center（三星医疗中心） ； NVIDIA ； Sungkyunkwan University School of Medicine（成均馆大学医学院） ； Samsung Changwon Hospital（三星昌原医院）
AI总结 本文提出3D-LLDM模型，通过标签引导生成高质量合成MR影像，提升肝结构分割的精度，实验表明其在数据增强中提升了肝细胞癌分割的Dice得分。
Comments Accepted to ISBI 2026 (Oral). Camera-ready version
揭示深度学习中的隐藏凸性：一种稀疏信号处理视角
机构 * Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系）
AI总结 本文从稀疏信号处理角度探讨深度学习中隐藏的凸性，通过分析ReLU网络的凸等价关系，解决训练和理解神经网络的挑战。
扰动：一种简单且高效的对抗追踪器，用于语言模型中的表示学习
机构 * Stanford University（斯坦福大学）
AI总结 本文提出扰动方法，通过微调语言模型于单个对抗示例，揭示训练模型在不同语言粒度上的结构迁移，展示语言模型在无监督学习中获得语言抽象的能力。
稀疏自编码器用于可解释的医学图像表示学习
机构 * Stanford Center for Artificial Intelligence in Medicine and Imaging（斯坦福大学人工智能医学与成像中心） ； Department of Radiology, Stanford University（斯坦福大学放射科） ； Chair of AI in Healthcare and Medicine, Technical University of Munich（慕尼黑技术大学人工智能医疗与医学主任） ； TUM University Hospital, Munich, Germany（慕尼黑技术大学医院）
AI总结 本文研究使用稀疏自编码器替代抽象特征，通过CT和MRI图像切片生成可解释的稀疏特征，提升医学图像处理的可解释性。
Comments 11 pages, 4 figures
三维大语言模型真的能理解三维空间关系吗？
机构 * VGG（视觉信息组） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学） ； Simon Fraser University（西蒙弗雷泽大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文挑战了3D-LLM对三维空间关系的理解能力，提出Real-3DQA基准测试，发现现有模型在去除简单线索后表现不佳，并提出3D重加权训练目标以提升空间推理能力。
Comments ICLR 2026
从面板到像素：从生物医学科学文献中进行缩放视觉-语言预训练
机构 * University of Strasbourg, CNRS, INSERM, ICube, UMR7357, Strasbourg, France（斯特拉斯堡大学、法国国家科学研究中心、法国国家医学研究院、ICube、UMR7357、斯特拉斯堡，法国） ； Technical University of Munich（慕尼黑技术大学） ； Stanford University（斯坦福大学） ； DSAI, The Hong Kong Polytechnic University（香港理工大学DSAI实验室） ； University of British Columbia（不列颠哥伦比亚大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； IHU Strasbourg, Strasbourg（斯特拉斯堡IHU医院，斯特拉斯堡） ； Vector Institute for AI（人工智能向量研究所） ； Yale University（耶鲁大学）
AI总结 本文提出Panel2Patch方法，通过挖掘生物医学文献中的层次结构，生成多粒度监督，提升视觉-语言预训练效果。
视网膜扩散：高效的视空适应图像和视频生成
机构 * Stanford University, USA（斯坦福大学，美国）
AI总结 本文提出视网膜扩散模型，通过非均匀分配token提高生成效率，利用人类视觉的视网膜区域高分辨率特性，在保持视觉质量的同时显著减少token数量和生成时间。
Comments Project website at https://bchao1.github.io/foveated-diffusion
VTAM：用于复杂物理交互的视频-触觉-动作模型超越VLAs
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 VTAM通过整合触觉感知提升复杂物理交互的稳定性，其多模态框架在接触密集任务中表现优异，成功率达到90%。
学习具备执行器意识的谱子流形以实现连续机器人精确控制
机构 * Autonomous Systems Lab, Stanford University, USA（斯坦福大学自主系统实验室，美国） ； Institute of Mechanical Systems, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院机械系统研究所） ； Soft Robotics Lab, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院软机器人实验室） ； NVIDIA Research, Santa Clara, USA（美国圣克拉拉NVIDIA研究）
AI总结 本文提出一种结合控制输入的谱子流形方法，用于减少连续机器人高维非线性动力学，通过训练紧凑模型降低开环预测误差并提升闭环控制性能。
UniQueR：统一的基于查询的前馈3D重建
机构 * Applied Intuition ； UC Berkeley（伯克利大学） ； Stanford University（斯坦福大学）
AI总结 UniQueR通过统一的基于查询的前馈框架实现高效准确的3D重建，利用稀疏3D查询推理问题，减少内存和计算成本，提升几何表达能力。
基于视觉的深度学习分析无序生物医学表格数据的最优空间制图
机构 * Department of Radiation Oncology, Stanford University（斯坦福大学放射肿瘤学系） ； Department of Radiology, Stanford University（斯坦福大学放射学系） ； Institute for Stem Cell Biology and Regenerative Medicine, Stanford University（斯坦福大学干细胞生物学与再生医学研究所） ； Stanford Cancer Institute, Stanford University（斯坦福癌症研究所）
AI总结 本文提出Dynomap框架，通过学习任务优化的特征空间拓扑，提升视觉模型对无序生物医学数据的处理能力，在多个数据集上均优于传统方法。
Comments 54 Pages, 8 main figures, 26 supplementary figures
Cerebra：一个多学科AI平台用于多模态痴呆症特征化和风险评估
机构 * Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系） ； Department of Radiation Oncology, Stanford University（斯坦福大学放射肿瘤科） ； Center for Data Science, New York University（纽约大学数据科学中心） ； J. Crayton Pruitt Family Department of Biomedical Engineering, University of Florida（佛罗里达大学杰·克雷顿·普瑞特家庭生物医学工程系） ； Department of Biomedical Engineering and Informatics, Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校生物医学工程与信息学系） ； Department of Neurology, NYU Grossman School of Medicine（纽约大学格罗斯曼医学院神经科） ； Department of Neuroscience, NYU Grossman School of Medicine（纽约大学格罗斯曼医学院神经科学系） ； UF Health Family Medicine – Haile Plantation（佛罗里达大学健康家庭医学-海莱种植园） ； Department of Family Medicine, Indiana University School of Medicine（印第安纳大学医学院家庭医学系） ； Department of Biostatistics and Health Data Science, Indiana University School of Medicine（印第安纳大学医学院生物统计学与健康数据科学系） ； Scripps Research Translational Institute（斯克里普斯研究转化研究所） ； Courant Institute, New York University（纽约大学柯朗研究所） ； Center for Biomedical Informatics, Regenstrief Institute（再生斯蒂夫研究所生物医学信息中心） ； Center for Cognitive Aging and Memory, McKnight Brain Institute, University of Florida（佛罗里达大学麦金托神经研究所认知衰老与记忆中心） ； Population Health Department, NYU Langone Health（纽约大学兰戈恩健康人口健康部） ； Radiology Department, NYU Langone Health（纽约大学兰戈恩健康放射科）
AI总结 Cerebra通过多智能体协调处理电子病历、临床笔记和医学影像，提供可视化分析和对话界面，提升临床决策支持的可解释性和鲁棒性。
DART-Eval: 一个全面的DNA语言模型评估基准，针对调控DNA
机构 * Department of Computer Science, School of Engineering, Stanford University（计算机科学系，工程学院，斯坦福大学） ； Department of Genetics, School of Medicine, Stanford University（遗传学系，医学院，斯坦福大学） ； Department of Pathology, School of Medicine, Stanford University（病理学系，医学院，斯坦福大学）
AI总结 本文提出DART-Eval基准，用于评估DNALM在零样本、 probing和微调场景下的性能，针对调控DNA的关键下游任务，发现现有模型表现不一致且计算资源消耗大。
Comments NeurIPS Datasets and Benchmarks 2024
梯度下降可证明解决非线性断层重建
机构 * Department of Electrical Engineering, Stanford University（斯坦福大学电子工程系）
AI总结 本文提出通过非线性正向模型直接重建信号，证明梯度下降在非凸优化中能以几何速率收敛至全局最优，减少金属伪影。
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