高校专区
监督学习关注
机构 * Department of Biostatistics, University of Michigan（密歇根大学生物统计学系） ； Departments of Biomedical Data Science and Statistics, Stanford University（斯坦福大学生物医学数据科学与统计学系）
AI总结 本研究提出了一种基于注意力加权的监督学习方法，用于表格数据，通过局部模型拟合和特征选择提升预测性能与可解释性。
斯坦福睡眠基准：评估多导睡眠图预训练方法用于睡眠基础模型
机构 * Stanford University（斯坦福大学） ； Technical University of Denmark（技术大学） ； Danish Center for Sleep Medicine（丹麦睡眠医学中心） ； University of Copenhagen（哥本哈根大学） ； Harvard Medical School（哈佛医学院）
AI总结 斯坦福睡眠基准通过大规模多导睡眠图数据集评估多种自监督预训练方法，提升睡眠分析的准确性和可重复性。
语言模型作为探究可能与不可能自然语言区别的工具
机构 * Stanford University（斯坦福大学）
AI总结 本文探讨语言模型作为探究可能与不可能自然语言区别的工具，通过改进模型架构来揭示人类语言学习的归纳偏见。
WonderZoom：多尺度3D世界生成
机构 * Stanford University（斯坦福大学）
AI总结 WonderZoom通过多尺度3D生成方法，实现从单张图像生成高质量的多尺度3D世界。
Comments Project website: https://wonderzoom.github.io/ The first two authors contributed equally
语义-度量贝叶斯风险场：从人类视频中学习机器人安全性的方法
机构 * Stanford University（斯坦福大学） ； California Institute of Technology（加州理工学院）
AI总结 本文提出基于贝叶斯框架的语义-度量风险场，通过人类视频学习机器人安全风险模型，实现类人风险评估与规划。
连续博弈中的鲁棒均衡：从战略到动态鲁棒性
机构 * Stanford University（斯坦福大学） ； Univ. Grenoble Alpes, CNRS, Inria, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、法国国家信息与自动化研究所、格勒诺布尔INP、LIG）
AI总结 本文研究了连续博弈中纳什均衡的鲁棒性，探讨了战略和动态鲁棒性的关系，并展示了熵正则化学习在收敛速度上的表现。
Comments 33 pages, 5 figures
多智能体学习在不确定性下的研究：递归与集中
机构 * Stanford University（斯坦福大学） ； Univ. Grenoble Alpes, CNRS, Inria, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、法国国家信息与自动化研究所、格勒诺布尔INP、LIG）
AI总结 本文研究了在不确定性下多智能体学习的收敛性，发现强单调博弈中正则化学习的动力学可能无限次远离均衡，但总能返回附近并集中于该区域。
Comments 44 pages, 17 figures
上下文混合用于长视频生成
机构 * Stanford University（斯坦福大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出上下文混合（MoC）模块，通过稀疏注意力路由解决长视频生成中的长上下文记忆问题，提升模型在长序列中的效率与一致性。
Comments Project page: https://primecai.github.io/moc/
冻结后再训练：在伪相关和特征噪声下的可证明表示学习
机构 * Peking University（北京大学） ； Stanford University（斯坦福大学） ； Rutgers University（罗格斯大学）
AI总结 本文提出冻结后再训练（FTT）算法，通过冻结显著特征并训练其余特征，有效应对伪相关和特征噪声，提升测试环境下的表示学习性能。
JEPA作为一种神经令牌化器：利用密度自适应注意力学习鲁棒的语音表示
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon GenAI（亚马逊生成人工智能） ； James Silberrad Brown Center for Artificial Intelligence（詹姆斯·西伯拉德·布朗人工智能中心） ； University of Bristol（布里斯托大学） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； New York University（纽约大学）
AI总结 本文提出了一种结合JEPA和密度自适应注意力机制的两阶段自监督框架，用于高效学习鲁棒的语音表示，通过令牌化和高保真重建实现高效压缩。
Comments UniReps: Unifying Representations in Neural Models (NeurIPS 2025 Workshop)
用数字双胞胎模拟人生路径：AI生成的未来自我影响决策并拓展人类选择
机构 * MIT Media Lab（MIT媒体实验室） ； Stanford University（斯坦福大学） ； Nanyang Technological University（南洋理工大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； KASIKORN Labs（KASIKORN实验室）
AI总结 本研究利用AI生成的未来自我虚拟形象，通过模拟人生路径拓展人类选择，发现平衡呈现和新增选项能有效影响决策，提升自主性认知。
一种用于有限应变各向异性非弹性的神经网络补充
机构 * Institute of Applied Mechanics University of Erlangen-Nuremberg（应用力学研究所 莱比锡-纽伦堡大学） ； Department of Mechanical Engineering Stanford University（机械工程系 斯坦福大学）
AI总结 本文提出一种结合材料原理的神经网络方法，用于有限应变下各向异性非弹性行为的建模与预测，通过双势能机制和循环液态神经网络实现高精度稳定性能。
Comments 40 pages, 19 figures
EncQA：在图表视觉编码上评估视觉-语言模型的基准测试
机构 * Stanford University（斯坦福大学） ； Apple（苹果公司）
AI总结 EncQA通过系统覆盖图表理解的关键视觉编码和任务，揭示了不同编码和任务间VLMs性能的显著差异，强调了针对性策略的重要性。
具身指称表达理解在人机交互中的应用
机构 * University of Virginia（弗吉尼亚大学） ； Stanford University（斯坦福大学） ； University of Dhaka（达卡大学） ； Amazon GenAI（亚马逊生成人工智能）
AI总结 本文提出Refer360数据集和MuRes模块，用于提升机器人在人机交互中对具身指称表达的理解能力。
Comments 14 pages, 7 figures, accepted at the ACM/IEEE International Conference on Human-Robot Interaction (HRI) 2026
MICCAI 2024 联邦肿瘤分割挑战：联邦学习中高效且稳健的权重聚合方法
机构 * Department of Pathology and Laboratory Medicine, Indiana University School of Medicine（印第安纳大学医学院病理学与实验室医学系） ； Center for Federated Learning in Medicine, Indiana University School of Medicine（印第安纳大学医学院医学联邦学习中心） ； Medical AI Group, MLCommons（MLCommons医学人工智能小组） ； Intel Corporation（英特尔公司） ； Sage Bionetworks（Sage生物网络） ； Turku University of Applied Sciences（图尔库应用科学大学） ； Stanford University（斯坦福大学） ； Ecole Normale Supérieure（巴黎高等师范大学） ； Technical University of Munich（慕尼黑技术大学） ； Weill Cornell Medicine（韦尔医学院） ； Ezri AI Labs（Ezri AI实验室） ； City St George’s, University of London（伦敦大学城市学院） ； Imperial College London（伦敦帝国学院） ； Seoul National University（首尔国立大学） ； Ostbayerische Technische Hochschule (OTH) Regensburg（雷根斯堡应用技术大学） ； Universität Zürich（苏黎世大学） ； Kingston University London（伦敦金史密斯学院） ； Departments of Radiology and Imaging Sciences（印第安纳大学医学院放射学与影像科学系；神经外科系；生物统计学与健康数据科学系） ； Neurological Surgery（印第安纳大学计算机科学系；Luddy信息学、计算与工程学院） ； Biostatistics and Health Data Science, Indiana University School of Medicine ； Department of Computer Science, Luddy School of Informatics, Computing and Engineering, Indiana University
AI总结 MICCAI 2024挑战提出基于PID控制器的联邦学习方法，提升肿瘤分割的鲁棒性和效率，实现高DSC和低HD95的优异性能。
Comments Published at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2025:033
Journal ref Machine.Learning.for.Biomedical.Imaging. 3 (2025)
未来你：设计和评估多模态AI生成的数字双胞胎以加强未来自我连续性
机构 * MIT Media Lab（MIT媒体实验室） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； KASIKORN Labs（KASIKORN实验室）
AI总结 本研究通过多模态AI生成的未来自我探索其对自我连续性、情绪和动机的影响，发现avatar效果最佳，但各模态无显著差异，互动质量是关键因素。
DexFruit：灵巧操作与高分辨率3D高斯点云损伤检测
机构 * Department of Mechanical Engineering（机械工程系） ； Department of Computer Science（计算机科学系） ； Stanford University（斯坦福大学）
AI总结 DexFruit通过光学触觉传感实现对水果的自主操作，减少损伤并提升抓取成功率，引入FruitSplat技术量化3D高斯点云中的视觉损伤。
Comments 8 pages, 5 figures
弥合领域差距的飞行级空间borne视觉
机构 * Nara Space Technology Inc.（纳拉航天科技公司） ； Stanford University（斯坦福大学）
AI总结 SPNv3是一种高效、飞行级的神经网络模型，通过数据增强和视觉Transformer架构，在合成图像上训练后实现对真实空间borne图像的高精度姿态估计，适用于近距 rendezvous和接近操作。
Comments Accepted to Journal of Spacecraft and Rockets
出错是人之常情：通过LLM分析系统性量化已发表AI论文中的错误
机构 * Together AI ； NEC Labs America（NEC美国实验室） ； Rutgers University（罗格斯大学） ； Stanford University（斯坦福大学）
AI总结 通过LLM分析发现已发表AI论文中存在大量客观错误，错误数量随时间增加，AI检查器能有效识别并纠正大部分错误，提升文献的准确性和可重复性。
思考还是不思考：过度使用Co-T示例的元训练隐藏成本
机构 * Stanford University（斯坦福大学） ； LinkedIn AI
AI总结 本文提出CoT-Recipe方法，通过调节元训练序列中CoT和非CoT示例的比例，提升大型语言模型在新任务上的推理准确性，实验显示在无CoT示例时准确率可提升300%。
Comments 26 pages, 45 figures, 3 tables
超越拉普拉斯：图神经网络的插值谱增强
机构 * Department of Computer Science（计算机科学系） ； Duke University（杜克大学） ； Department of Biomedical Data Science（生物医学数据科学系） ； Stanford University（斯坦福大学）
AI总结 本文提出插值拉普拉斯嵌入，通过替代图矩阵的谱嵌入提升图神经网络的性能，扩展了谱增强工具。
火星世界模型：可控视频合成与物理准确的3D重建
机构 * BJTU（北京工业大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； HKUST（香港科技大学） ； Stanford University（斯坦福大学） ； XMU（厦门大学） ； SBU（雪城大学） ； USC（南加州大学） ； NVIDIA（英伟达）
AI总结 本文提出M3arsSynth和MarsGen，通过物理准确的3D重建生成逼真的火星视频，提升任务模拟与机器人训练的可视化效果。
Comments Project Page: https://marsgenai.github.io
从症状到系统：一种专家引导的方法来理解生成式AI对进食障碍风险的影响
机构 * Center for Democracy \& Technology Washington DC USA ； Stanford University Palo Alto California USA ； Center for Democracy \& Technology ； Stanford University
AI总结 本文提出了一种专家引导的方法，通过访谈和分析，分类了生成式AI对进食障碍风险的七个类别，并探讨了其潜在影响和应对策略。
多域现实世界面部伪造检测的 sanity 检查
机构 * Peking University（北京大学） ； Nanjing University（南京大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Wuhan University（武汉大学） ； Stanford University（斯坦福大学）
AI总结 本文提出多域现实世界面部伪造检测范式，通过DevDet框架提升真实伪造区分能力，实现在无域指定条件下的准确判断。
HUME：文本嵌入任务中人类-模型性能差距的测量
机构 * Carleton University（卡尔顿大学） ； Zendesk（Zendesk公司） ； Stanford University（斯坦福大学） ； Aarhus University（阿arhus大学）
AI总结 HUME通过测量人类与模型在文本嵌入任务中的性能差距，揭示了模型与人类在不同语言资源下的表现差异，并提供了一个可扩展的评估框架。
Comments Submitted to ICLR 2026
dVLM-AD：通过可控推理增强扩散视觉语言模型以实现驾驶
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； NVIDIA（英伟达） ； Stanford University（斯坦福大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 dVLM-AD通过可控推理提升扩散视觉语言模型，实现更一致的驾驶推理与规划性能。
对LLMs在数学推理中鲁棒性的调查：通过高级数学问题的数学等价转换进行基准测试
机构 * Department of Computer Science University of Illinois Urbana–Champaign（计算机科学系伊利诺伊大学厄巴纳-香槟分校） ； Department of Computer Science Stanford University（计算机科学系斯坦福大学）
AI总结 本文提出了一种新的评估方法，通过数学等价转换的变体测试LLMs的数学推理鲁棒性，发现模型在不同变体上的表现差异显著。
Comments 34 pages, 9 figures
从序列层面视角出发的扩散大语言模型原理化强化学习
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； Beijing Key Laboratory of Research on Large Models and Intelligent Governance（北京大模型与智能治理研究重点实验室） ； Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE（下一代智能搜索与推荐工程技术研究中心） ； Stanford University（斯坦福大学） ； Lambda, Inc（Lambda公司） ； Tsinghua University（清华大学）
AI总结 本文提出ESPO，一种基于序列级优化的原理化强化学习框架，用于提升扩散大语言模型的生成能力，通过ELBO作为似然代理，显著优于token级方法。
全栈对齐：通过厚价值模型对齐人工智能与机构
机构 * Meaning Alignment Institute（意义对齐研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； University College London（伦敦大学学院） ； University of Oxford（牛津大学） ； Western University（西方大学） ； University of Toronto（多伦多大学） ； McGill University（麦吉尔大学） ； Stanford University（斯坦福大学） ； Potsdam Institute for Climate Impact Research（波茨坦气候影响研究所） ； Yale University（耶鲁大学） ； Carnegie Mellon University（卡内基梅隆大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； New York University（纽约大学） ； Harvard University（哈佛大学） ； Midjourney Core contributor（Midjourney核心贡献者）
AI总结 本文提出通过厚价值模型实现全栈对齐，以解决AI与机构目标不一致导致的不良后果，涵盖价值表示、规范推理和集体利益建模。
AGI 的定义
机构 * Center for AI Safety（AI安全中心） ； University of California, Berkeley（加州大学伯克利分校） ； Virtue AI ； Morph Labs（Morph实验室） ； University of Michigan（密歇根大学） ； LG AI Research（LG人工智能研究） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Gray Swan AI ； Carnegie Mellon University（卡内基梅隆大学） ； Cornell University（康奈尔大学） ； Hong Kong Baptist University（香港 Baptist大学） ； HKUST（香港科技大学） ； Nanyang Technological University（南洋理工大学） ； KAIST（韩国科学技术院） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Tübingen（图宾根大学） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Beneficial AI Research（有益AI研究） ； Conjecture ； Institute for Applied Psychometrics（应用心理测量研究所） ； New York University（纽约大学） ； CSER ； Université de Montréal（蒙特利尔大学） ； LawZero
AI总结 本文提出了一种基于卡特尔-霍恩-卡罗尔理论的可量化框架，定义AGI为与受过良好教育的成年人认知能力相匹配，并通过心理测量电池评估AI系统，揭示当前AI在基础认知机制上的不足。
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