高校专区
算法社交媒体信息流中重新排序偏见影响情感极化
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Washington（华盛顿大学） ； Northeastern University（东北大学） ； Stanford University（斯坦福大学）
AI总结 通过实时重新排序信息流，研究暴露于反民主内容如何影响情感极化，提供因果证据并建立独立评估方法。
Journal ref Science; Volume 390 | Issue 6776; 27 November 2025
无限制的平衡传播
机构 * Stanford University（斯坦福大学）
AI总结 该研究提出了一种无需微小近似或凸性的广义平衡传播算法，通过有限扰动基础实现了精确的梯度估计，提升了学习效率。
打破人类-人工智能生态系统中的算法合谋
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Stanford University（斯坦福大学）
AI总结 本文研究了人类-人工智能生态系统中算法合谋的稳定性，发现单个或多个人类的背叛行为能破坏合谋并降低价格，揭示了合谋在混合生态系统中的脆弱性。
具有高斯混合变分自编码器（GM-VAE）的物理可解释性表示学习
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） ； Department of Mechanical Engineering, Stanford University（机械工程系，斯坦福大学） ； National Renewable Energy Laboratory（国家可再生能源实验室） ； Ann and H.J. Smead Department of Aerospace Engineering Sciences, University of Colorado, Boulder（安与H.J.斯迈德航空航天工程科学系，科罗拉多大学，博尔德）
AI总结 GM-VAE通过结合EM启发式训练和谱可解释性度量，实现对高维科学数据的物理可解释性表示学习，有效提升湍流和反应流动系统的解释能力。
从公理出发的差分隐私
机构 * Stanford University（斯坦福大学） ； Columbia University（哥伦比亚大学）
AI总结 本研究证明了在满足特定公理的情况下，任何隐私度量等同于差分隐私，且移除任何公理会导致不恰当的隐私度量。
离散扩散模型的快速求解器：高阶算法的理论与应用
机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出高阶算法用于离散扩散模型，提升推断效率和样本质量，适用于文本、图像等生成任务。
Comments Accepted at NeurIPS 2025 as a Poster (https://openreview.net/forum?id=OuklL6Q3sO)
通过并行采样加速扩散模型：在亚线性时间复杂度下进行推理
机构 * ICME Stanford University（ICME 斯坦福大学） ； Department of Mathematics and ICME Stanford University（数学系和ICME 斯坦福大学） ； Department of Chemistry and ICME Stanford University（化学系和ICME 斯坦福大学）
AI总结 通过并行采样技术，提出一种在亚线性时间复杂度下高效推理的扩散模型方法，实现了高维数据的快速高效采样。
Comments Accepted at NeurIPS 2024 as a Spotlight Poster (https://openreview.net/forum?id=F9NDzHQtOl)
基于演化的模型用于干扰下的实验
机构 * Graduate School of Business, Stanford University（斯坦福大学商学院）
AI总结 本文提出基于演化的因果模型，通过分析结果在观察轮次中的变化来估计因果效应，克服了网络信息缺失的限制。
磁悬浮系统Maglev-Pentabot：基于深度强化学习的非接触操控
机构 * Department of Electrical and Computer Engineering, University of Wisconsin-Madison（电气与计算机工程系，威斯康星大学麦迪逊分校） ； Flexcompute ； Department of Electrical Engineering, Stanford University（电气工程系，斯坦福大学）
AI总结 Maglev-Pentabot通过深度强化学习实现克级非接触操控，解决微米尺度操控限制，支持泛化运输任务和更大重量物体操控。
高效训练人类视频生成的熵引导优先级渐进学习
机构 * Stanford University（斯坦福大学） ； North China Electric Power University（华北电力大学） ； University of Adelaide（阿德莱德大学） ； University of Technology Sydney（悉尼技术大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出熵引导优先级渐进学习方法，通过条件熵膨胀和自适应渐进计划，高效训练扩散模型生成人类视频，实现训练速度提升和内存消耗降低。
Comments Project page: https://github.com/changlin31/Ent-Prog
哪一层导致分布偏离？面向扩散和流模型的熵引导自适应剪枝
机构 * Stanford University（斯坦福大学） ； North China Electric Power University（华北电力大学） ； University of Technology Sydney（悉尼科技大学） ； Harvard University（哈佛大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出EntPruner，通过熵引导的自适应剪枝方法，有效减少扩散和流模型的参数冗余，提升推理速度并保持生成质量。
Comments Project page: https://github.com/changlin31/EntPruner
ENACT：通过视角交互的世界建模评估具身认知
机构 * Northwestern University（西北大学） ； Stanford University（斯坦福大学） ； UCLA（加州大学洛杉矶分校）
AI总结 ENACT通过视角交互的世界建模评估具身认知，揭示VLMs在长周期交互中与人类表现差距扩大，且模型在逆向任务中表现更优。
Comments Preprint version
飞行测试中的符合安全监控：数据驱动安全学习的案例研究
机构 * Stanford University（斯坦福大学） ； United States Air Force Academy（美国空军学院） ； United States Air Force（美国空军）
AI总结 本文提出了一种基于数据驱动的方法，利用离线随机轨迹模拟和符合预测技术，用于飞行测试中的安全风险预判与监控。
Comments ICRA 2025 Workshop on Robot safety under uncertainty from intangible specifications
全方位思考：野外人形视觉搜索
机构 * NYU（纽约大学） ； NVIDIA（英伟达） ； TU Darmstadt（图鲁姆大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 本文提出人形视觉搜索方法，通过人形代理在360°全景图像中搜索物体和路径，实验表明现有模型在复杂场景中表现不佳，但通过后训练技术显著提升了性能。
Comments Website: https://humanoid-vstar.github.io/ ; Code: https://github.com/humanoid-vstar/hstar
在大型语言模型对齐中操作多元价值观揭示了安全、包容性和模型行为之间的权衡
机构 * Technical University of Munich（慕尼黑技术大学） ； Stanford University（斯坦福大学） ； Cornell University（康奈尔大学）
AI总结 本研究探讨了在大型语言模型对齐中融入多元价值观的影响，发现不同群体偏好和设计选择对模型行为和安全性有显著影响。
概念感知的批量采样提升语言-图像预训练
机构 * Tübingen AI Center, University of Tübingen（图宾根人工智能中心，图宾根大学） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； University of Trento（特伦托大学） ； LAION ； Stanford University（斯坦福大学）
AI总结 本研究提出CABS方法，通过概念感知的批量采样提升语言-图像预训练效果，提供灵活的任务适应性数据整理方案。
Comments Tech Report
文本失语量表（TAB）：一种针对语言模型中失语样缺陷的临床基准
机构 * Stanford University（斯坦福大学） ； University of California, San Francisco（加州大学旧金山分校） ； Temple University（特拉华大学） ； San Diego State University（圣地亚哥州立大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出TAB，一种针对语言模型中失语样缺陷的临床基准，通过四个子测试评估语言能力，并采用自动化协议提高评估效率。
低地球轨道卫星群中的高效通信学习
机构 * KTH Royal Institute of Technology, Sweden（皇家理工学院） ； Stanford University, United States of America（斯坦福大学） ； School of Electrical Engineering（电气工程学院） ； Digital Futures, KTH Royal Institute of Technology, Sweden（数字未来，皇家理工学院）
AI总结 本文提出一种通信高效的联邦学习算法，用于低地球轨道卫星群中的学习任务，通过减少通信次数和数据量，提高模型训练的准确性。
可扩展的数据归因 via 单向测试时推断
机构 * Stanford University（斯坦福大学）
AI总结 本文提出一种通过单向测试时推断实现可扩展数据归因的方法，结合影响函数保真度与首阶可扩展性，降低推理成本并提升大规模应用效果。
Comments 8 pages. Work in progress
CAMformer: 关联记忆足矣
机构 * Duke University（杜克大学） ； Stanford University（斯坦福大学） ； Arizona State University（亚利桑那州立大学）
AI总结 CAMformer通过关联记忆操作实现高效注意力计算，显著提升能效和吞吐量，同时保持高精度。
Comments 7 pages, 10 figures
机器人驱动的数据飞轮：在真实世界中部署机器人以实现持续的数据收集和基础模型适应
机构 * Stanford University（斯坦福大学） ； Toyota Research Institute（丰田研究机构）
AI总结 机器人驱动的数据飞轮通过部署机器人收集真实世界数据，提升基础模型在复杂环境中的适应能力，减少人工干预并提高多语言OCR性能。
注意力跨度混合：通过异质滑动窗口长度优化LLM推理效率
机构 * Tsinghua University（清华大学） ； Infinigence-AI ； Stanford University（斯坦福大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 MoA通过异质滑动窗口长度优化LLM推理效率，提升上下文长度和检索准确率，减少内存消耗并提高吞吐量。
Comments Published at CoLM'25
位置：完美AI对齐的复杂性——形式化RLHF三重困境
机构 * Berkeley AI Safety Initiative (BASIS), University of California, Berkeley（伯克利人工智能安全倡议（BASIS），加州大学伯克利分校） ； AWS Generative AI Innovation Center, Amazon Web Services（亚马逊网络服务生成式人工智能创新中心） ； Meta AI ； Stanford University（斯坦福大学） ； Northeastern University, Seattle, WA, USA（东北大学，西雅图，华盛顿州，美国）
AI总结 研究提出RLHF三重困境，指出在安全、公平和稳健之间存在根本性权衡，并通过复杂性分析证明实现全球代表性需要超多项式计算资源。
Comments Accepted at NeurIPS 2025 Workshop on Socially Responsible and Trustworthy Foundation Models (ResponsibleFM)
无Oracle的进化：通过LLM裁判驱动有效进化
机构 * Stanford University（斯坦福大学） ； City University of Hong Kong（香港城市大学） ； Princeton University（普林斯顿大学）
AI总结 本文提出MADE框架，通过问题规范减少LLM反馈噪声，实现无Oracle的进化优化，在软件需求满足和复杂指令跟随任务中取得显著成效。
Comments 14 pages, 5 figures
重新思考扩展测试时间计算时的微调：限制置信度可提升数学推理
机构 * Stanford University（斯坦福大学） ； University of Michigan（密歇根大学）
AI总结 通过限制模型置信度改进数学推理，研究发现传统交叉熵损失与测试时间策略pass@N存在不一致，提出改进的训练损失以提升性能。
动态多物种鸟类声音景观生成与声学图案化及3D空间化
机构 * George Mason University（乔治·马歇尔大学） ； Stanford University（斯坦福大学）
AI总结 本文提出了一种基于算法驱动的框架，通过DSP生成和3D空间化技术，实现动态多物种鸟类声音景观的生成，具备高灵活性和生态真实性。
Comments Accepted by IEEE Big Data 2025
建筑光伏适用性分割
机构 * ETH Zurich（苏黎世联邦理工学院） ； VITO CRIB Mol ； Stanford University（斯坦福大学）
AI总结 本文提出了一种基于SegFormer-B5的管道，用于自动识别建筑立面的光伏适用区域并估算太阳能潜力，通过整合建筑组成信息，为城市能源规划提供可靠数据。
Comments NeurIPS 2025 Tackling Climate Change with Machine Learning Workshop version. Non-archival
利用多模态语言模型评估婴儿的视觉和语言经验一致性
机构 * Department of Psychology, Stanford University（心理学系，斯坦福大学） ； Department of Psychology, University of California, San Diego（心理学系，加州大学圣地亚哥分校） ； Department of Psychology, Tsinghua University（心理学系，清华大学）
AI总结 基于多模态语言模型评估婴儿视觉与语言经验一致性，揭示日常学习中视觉与语言对齐的稀有性及跨儿童差异。
PhysGS：基于贝叶斯推断的高斯点云法用于物理性质估计
机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； Stanford University（斯坦福大学）
AI总结 PhysGS通过贝叶斯推断结合视觉线索和语言先验，实现对物理属性的密集估计，提升质量、硬度和摩擦误差的准确性。
Comments Submitted to CVPR 2026
时间中的先验：语言模型可解释性中缺失的归纳偏置
机构 * Goodfire AI ； Independent（独立） ； SEAS, Harvard University（哈佛大学SEAS学院） ； EPFL（瑞士联邦理工学院） ； Kempner Institute at Harvard University（哈佛大学凯普内研究所） ； Department of Psychology, Stanford University（斯坦福大学心理学系） ； Department of Psychology, Harvard University（哈佛大学心理学系） ； Decode Research ； Boston University（波士顿大学）
AI总结 本文提出时序特征分析方法，通过引入时序归纳偏置，改进语言模型表示的可解释性，有效区分抽象与新颖信息，克服现有方法的局限。
Comments Preprint
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