高校专区
医学音频分类中的合成数据增强：初步评估
机构 * Independent Researcher（独立研究者） ； University of Toronto（多伦多大学）
AI总结 本研究评估了合成数据增强在医学音频分类中的效果，发现仅在模型集合中应用增强时，F1分数有所提升，但标准CNN分类器未见明显性能提升。
Comments 5 pages, 1 figure
无需训练的多模态掩码扩散模型自校正
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Mohamed bin Zayed University of Artificial Intelligence（莫莫德·本·扎耶德人工智能大学） ； East China Normal University（华东师范大学） ； University of Virginia（弗吉尼亚大学） ； University of Minnesota（明尼苏达大学） ； Drexel university（德雷塞尔大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Toronto（多伦多大学）
AI总结 本文提出无需训练的多模态掩码扩散模型自校正方法，通过减少采样步骤提升生成质量，适用于文本到图像和多模态理解任务。
BinaryPPO：用于二分类任务的高效策略优化
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（智能系统马克斯·普朗克研究所）
AI总结 BinaryPPO通过置信度加权奖励机制提升二分类任务的准确率，优于传统监督微调方法。
将延迟反馈转换为即时反馈用于在线凸优化的减少方法，具有改进的保证
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Institute for Data, Econometrics, Algorithms, and Learning（数据、计量经济学、算法和学习研究所）
AI总结 本文提出了一种将延迟反馈转换为即时反馈的在线凸优化方法，改进了现有结果，适用于一阶和老虎机优化，并在延迟相关项上取得了更优的性能界。
MAPGD：多智能体提示梯度下降用于协作提示优化
机构 * South China Normal University（华南师范大学） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； University of Macau（澳门大学） ； University of Sydney（悉尼大学） ； Silicon Sapiens LLC ； University of Alberta（阿尔伯塔大学） ； University of Toronto（多伦多大学）
AI总结 MAPGD通过多智能体协作机制提升提示优化的鲁棒性和效率，结合梯度融合与动态加权实现高效且可解释的优化方案。
解构LLM NVFP4预训练中的异常动态
机构 * The Hong Kong University of Science（香港科学与技术大学） ； Alibaba Group（阿里巴巴集团） ； University of Toronto（多伦多大学）
AI总结 本研究通过分析NVFP4预训练中的异常动态，提出HCP机制和CHON训练配方，有效缩小了与BF16的损失差距。
Comments 39 pages, 32 figures
通过奖励尾部引导搜索预测并改进测试时间扩展规律
机构 * Department of Statistical Sciences, University of Toronto（多伦多大学统计科学系） ； Department of AI and Data Science, University of Hong Kong（香港大学人工智能与数据科学系）
AI总结 本文提出通过奖励尾部引导搜索预测并改进LLM测试时间扩展规律，通过动态分配计算资源提升推理能力。
Comments 33 pages, 5 figures
MOMA: 面向零额外参数模型融合的掩码正交矩阵对齐
机构 * Beihang University, Beijing, China（北航大学） ； Tongji University, Shanghai, China（同济大学） ； University of Toronto, Toronto, Canada（多伦多大学）
AI总结 MOMA通过正交矩阵对齐技术，在无需额外参数的情况下实现模型融合性能提升。
并非所有偏好都同等重要：面向推理模型的稳定性感知与梯度高效对齐
机构 * Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航空航天信息研究所） ； Baidu Inc.（百度公司） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院）
AI总结 SAGE通过动态框架提升推理模型对齐的稳定性与梯度效率，通过信噪比优化和稳定性感知评分函数实现更高效的训练。
离线发现多任务轨迹中的可解释技能
机构 * Department of Mechanical and Industrial Engineering, and the Operation Research and Reinforcement Learning (DORL) Lab, University of Toronto（机械与工业工程系，以及操作研究与强化学习（DORL）实验室，多伦多大学） ； University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所（UTIAS）） ； Agentic Intelligence Lab, The University of Hong Kong（代理智能实验室，香港大学）
AI总结 LOKI通过三阶段端到端学习框架，从多任务离线数据中发现可解释的技能，实现高成功率和语义有意义的技能组合。
元学习强化学习用于加密货币收益预测
机构 * Sichuan University（四川大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Northwestern University（西北大学） ； Huazhong University of Science and Technology（华中科技大学） ； Queen’s University（女王大学） ； University of Toronto（多伦多大学） ； TrueNorth ； Tsinghua University（清华大学） ； Emory University（埃默里大学） ； University of Macau（澳门大学）
AI总结 Meta-RL-Crypto通过结合元学习和强化学习，构建了一个自我改进的交易代理，有效提升加密货币收益预测性能。
SynCoGen: 通过联合反应和坐标建模实现可合成的3D分子生成
机构 * University of Toronto（多伦多大学） ； The Hospital for Sick Children（多伦多儿童医院） ； University of Cambridge（剑桥大学） ； ETH Zürich（苏黎世联邦理工学院） ； Vector Institute（向量研究所） ； Mila – Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； Caltech（加州理工学院）
AI总结 SynCoGen通过联合反应和坐标建模实现可合成的3D分子生成，实现了分子构建块、化学反应和原子坐标的联合分布采样，在无条件小分子生成和药物发现中表现出色。
Comments ICLR 2026
揭示人类驾驶中的多目标效用聚合
机构 * University of Toronto（多伦多大学） ； University of Waterloo（滑铁卢大学）
AI总结 本文通过分析人类驾驶中的多目标效用聚合，提出基于理性化概念的算法，揭示了安全与进度效用的聚合机制及情境依赖性，并提升了行为模型的预测准确性。
Journal ref AAMAS '23: Proceedings of the 2023 International Conference on Autonomous Agents and Multiagent Systems Pages 1979 - 1987
大语言模型：数学表述
机构 * Statistical Sciences, University of Toronto（多伦多大学统计科学系） ； Vector Institute（向量研究所） ； Amazon Search（亚马逊搜索） ； Computing and Mathematical Sciences, California Institute of Technology（加州理工学院计算与数学科学系）
AI总结 本文提出了一种大语言模型的数学框架，涵盖文本编码、模型架构、学习过程及部署方法，旨在提升算法的准确性、效率和鲁棒性。
Comments 51 pages, 2 figures
ModalTune: 通过多模态信息细调滑片级基础模型以实现数字病理学中的多任务学习
机构 * Sunnybrook Research Institute（辛普森布鲁斯研究所在） ； University of Toronto（多伦多大学） ； Google Research（谷歌研究）
AI总结 ModalTune通过引入多模态信息和大型语言模型，实现数字病理学中多任务学习的统一细调框架，提升癌症生存和亚型预测性能。
Journal ref Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 2025
RefAny3D: 3D资产参考扩散模型用于图像生成
机构 * ShanghaiTech University（上海科技大学） ； Sun Yat-sen University（中山大学） ； University of Toronto（多伦多大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； SynWorld ； Macau University of Science and Technology（澳门科学理工学院）
AI总结 RefAny3D通过整合3D资产，提出一种双分支扩散模型，实现2D图像与3D资产的协同生成，提升图像生成的精确性和多样性。
Comments ICLR 2026. Project page: https://judgementh.github.io/RefAny3D Codes: https://github.com/JudgementH/RefAny3D
通过符号验证揭示LLM因果推理中的隐藏正确性
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； ETH Zürich（苏黎世联邦理工学院） ； MPI for Intelligent Systems（智能系统研究所） ； ETH AI Center（苏黎世联邦理工学院人工智能中心）
AI总结 本文提出DoVerifier，通过符号验证揭示LLM因果推理中的隐藏正确性，提升因果推理评估的严谨性与信息量。
Comments EACL 2026 Main
用于检测智能电网继电保护装置网络攻击的大型语言模型
机构 * Department of Electrical and Computer Engineering, University of Toronto（电气与计算机工程系，多伦多大学） ； Concordia Institute for Information Systems Engineering (CIISE), Concordia University（信息系统工程研究所（CIISE），康科迪亚大学）
AI总结 本文提出基于LLM的检测框架，用于检测智能电网继电保护装置的网络攻击，通过结构化自然语言提示实现高准确率的攻击检测。
用于无监督3D形状抽象的分层变换器
机构 * Simon Fraser University（西蒙弗雷泽大学） ； University of Toronto（多伦多大学）
AI总结 HiT通过无监督学习在不同3D形状类别中自适应生成分层结构，利用压缩代码本自动识别子结构，实现更通用的层次表示。
Comments Accepted to 3DV'26, 16 pages, 13 figures
Hexcute: 一种用于自动布局合成的编译器框架，用于GPU程序
机构 * University of Toronto（多伦多大学） ； NVIDIA（英伟达） ； Vector Institute（向量研究所）
AI总结 Hexcute是一种自动布局合成的编译器框架，通过类型推断算法实现高效GPU程序编译，显著提升性能并减少代码量。
Comments 19 pages, 27 figures
LogSieve: 任务感知的CI日志缩减以实现基于大语言模型的可持续分析
机构 * Faculty of Information University of Toronto Toronto Ontario Canada（信息学院多伦多大学多伦多安大略加拿大） ； Department of Computer Science Trent University Peterborough Ontario Canada（计算机科学系特伦特大学彼得伯格安大略加拿大） ； Faculty of Information University of Toronto Toronto Ontario Ontario（信息学院多伦多大学多伦多安大略安大略） ； University of Toronto（多伦多大学） ； Trent University（特伦特大学）
AI总结 LogSieve通过任务感知的日志缩减技术，有效减少CI日志体积并提升大语言模型推理的可持续性与可解释性。
Comments Preprint. Accepted for presentation at Mining Software Repositories (MSR'26), co-located ICSE 2026. The final version will appear in the ACM Digital Library as part of the MSR'26 conference proceedings
反事实文化线索降低大语言模型医学问答准确性：标识符效应与情境效应
机构 * Institute of Health Policy, Management, and Evaluation (IHPME)（健康政策、管理与评估研究所） ； Dalla Lana School of Public Health（达拉兰公共卫生学院） ； University of Toronto（多伦多大学） ； Faculty of Information（信息学院） ； Schwartz Reisman Institute（施瓦茨-雷曼研究所）
AI总结 本研究通过反事实文化线索测试，发现文化相关信息显著降低大语言模型医学问答准确性，尤其在标识符与情境共同存在时影响最大。
外部验证的纵向GRU模型用于转移性去势抵抗性前列腺癌的就诊级180天死亡风险
机构 * University of Toronto（多伦多大学）
AI总结 本文提出了一种基于纵向数据的GRU模型，用于预测转移性去势抵抗性前列腺癌的180天死亡风险，并通过外部验证展示了其在临床中的应用价值。
Comments 7 pages, 4 figures
WaveSP-Net: 基于小波域可学习稀疏提示微调的语音深度伪造检测
机构 * University of Eastern Finland（东芬兰大学） ； National Institute of Informatics（日本信息处理学会） ； University of Chinese Academy of Sciences（中国科学院大学） ； National Taiwan University（台湾大学） ； University of Toronto（多伦多大学） ； Tsinghua University（清华大学）
AI总结 WaveSP-Net通过结合小波域稀疏提示微调与Mamba架构，提升语音深度伪造检测的性能与效率。
Comments Accepted at ICASSP 2026
mR3：多语言无评分标准奖励推理模型
机构 * Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； Boston University（波士顿大学） ； Ontario Tech University（安大略技术大学） ； Monash University Indonesia（墨尔本大学印尼分校） ； Capital One（Capital One公司）
AI总结 mR3是一种多语言无评分标准奖励推理模型，通过72种语言训练实现广泛语言覆盖，超越更大模型并验证其在多语言奖励模型基准上的最佳性能。
Comments Accepted to ICLR 2026
通过聚合多个扩散模型实现更精细的控制
机构 * Sun Yat-Sen University（中山大学） ； Game AI Center, Tencent（腾讯游戏AI中心） ； University of Toronto（多伦多大学）
AI总结 本文提出AMDM算法，通过聚合多个扩散模型实现无需训练的细粒度生成控制，提升生成质量和一致性，减少复杂数据集和模型架构设计的需求。
谁在掌控？现实世界LLM使用中的去赋能模式
机构 * ACS Research Group（ACS研究组） ； University of Toronto（多伦多大学）
AI总结 研究揭示现实世界中AI助手交互中去赋能模式的分布与影响，指出其对人类赋权的潜在威胁，并呼吁设计更支持人类自主的AI系统。
人工智能算法中偏好使用的最优利用
机构 * Rotman School of Management, University of Toronto and NBER（多伦多大学罗特曼管理学院和美国国家经济研究局）
AI总结 本文研究了人工智能算法中偏好嵌入的最优利用，提出在训练时避免嵌入偏好，而是在事后应用偏好，以提高决策效率。
Comments 54 pages, 2 figures
CASSANDRA：面向随机世界建模的程序化与概率学习与推理
机构 * Skyfall AI ； Tufts University（塔夫茨大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Toronto（多伦多大学） ； Vector Instiute（Vector研究所）
AI总结 CASSANDRA通过结合LLM的知识先验和概率图模型结构学习，提升随机世界建模中的转移预测与规划能力。
Comments 28 pages, 2 figures
语言模型的串联训练
机构 * EPFL（瑞士联邦理工学院） ； University of Toronto（多伦多大学） ； Microsoft（微软公司）
AI总结 本文提出串联训练方法，通过强化学习促进语言模型在任务中保持可解释性，使模型能适应较弱协作者并保持高准确性。
Journal ref Proceedings of the 2026 Conference of the European Chapter of the Association for Computational Linguistics (EACL)
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