高校专区
STAR：增强现实中的智能手机类打字
机构 * Realiy Labs Research, Meta ； Reality Labs Research, Meta ； University of Toronto（多伦多大学）
AI总结 STAR通过在手部皮肤上叠加虚拟键盘，实现AR环境中的智能手机类打字，实验显示其打字速度为智能手机的56%，错误率低，具有实用性。
Comments ACM UIST 2023
通过表征优化增强训练数据归因
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 AirRep通过优化表征提升训练数据归因效率，实现与先进梯度方法相当的性能，且推理效率提高近两数量级。
Comments NeurIPS 2025
R²R：多领域解码器-only重排序框架的路由到重排序后训练方法
机构 * McGill University（麦吉尔大学） ； University of Toronto（多伦多大学） ； University of Manitoba（曼尼托巴大学） ； Mila ； CUHK（中国科技大学） ； Université de Montréal（蒙特利尔大学） ； CG Matrix（CG矩阵）
AI总结 R²R通过动态专家路由和两阶段训练策略，提升多领域解码器重排序器的领域适应能力与跨领域鲁棒性。
Comments 13 pages, including 3 figures and 3 tables
LayerComposer: 通过分层画布实现多人类个性化生成
机构 * Snap Inc. ； University of Toronto（多伦多大学） ； UC Merced（加州大学默塞德分校） ； Virginia Tech（弗吉尼亚理工大学）
AI总结 LayerComposer通过分层画布实现多人类个性化生成，提供直观的人类注入和高效 scalable 的生成框架。
Comments 17 pages including appendix, preprint. Project page: https://snap-research.github.io/layercomposer/
面向真实临床环境的CDSS药物剂量优化：基于端到端递归Q学习的双血管加压素控制
机构 * University of California, San Francisco（加州大学旧金山分校） ； Engineering Science, University of Toronto（多伦多大学工程科学系） ； University of Pittsburgh（匹兹堡大学）
AI总结 本文提出一种端到端递归Q学习方法，用于ICU中双血管加压素的剂量优化，通过设计动作空间提升可解释性与临床实用性。
Comments 13 pages, 5 figures. Neurips 2025 Workshop Learning from Time Series for Health
开发和验证一种高通量机器人系统用于多孔膜的加速开发
机构 * Department of Materials Science and Engineering, University of Toronto（材料科学与工程系，多伦多大学） ； Department of Chemical Engineering, University of Toronto（化学工程系，多伦多大学） ； Department of Engineering Science, University of Toronto（工程科学系，多伦多大学） ； Department of Mechanical Engineering, University of Waterloo（机械工程系，滑铁卢大学）
AI总结 本研究提出了一种自动化平台，通过非溶剂诱导相分离技术实现多孔膜的高通量制备与表征，提升实验效率和一致性。
定向操纵：基于斜率的金融时间序列数据攻击
机构 * University of Toronto Department of Computer Science（多伦多大学计算机科学系）
AI总结 本文提出两种基于斜率的攻击方法，用于操纵N-HiTS模型的股票预测，同时展示了恶意软件注入攻击以提升模型安全性
Comments 13 pages, 6 figures, 4 tables, preprint; Total including Appendix: 21 pages, 11 figures, 7 tables
多数最佳：通过Bootstrap改进最佳-N
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Autodesk（Autodesk公司） ； Polytechnique Montréal（蒙特利尔理工学院） ； Mila - Quebec AI Institute（魁北克人工智能研究所）
AI总结 本文提出MoB方法，通过Bootstrap估计最佳-N的输出分布并选择其模式，以提高在不完美奖励下的准确率。
ReplicationBench: 人工智能代理能否复制天体物理学研究论文？
机构 * Stanford University（斯坦福大学） ； University of Toronto（多伦多大学）
AI总结 ReplicationBench旨在评估人工智能代理复制天体物理学研究论文的能力，通过测试代理在实验设置、推导、数据分析和代码库等任务上的表现，揭示代理在科学研究中的可靠性及挑战。
KV-Efficient VLA: 一种加速视觉语言模型的方法通过RNN门控分块KV缓存
机构 * University of Toronto（多伦多大学） ； Tsinghua University（清华大学）
AI总结 KV-Efficient VLA通过RNN门控分块KV缓存机制，有效降低视觉语言模型的计算和内存开销，提升推理效率。
MVS-TTA: 通过元辅助学习实现多视图立体的测试时间适应
机构 * Gina Cody School of Engineering and Computer Science, Concordia University（吉娜·柯迪工程与计算机科学学院，康科迪亚大学） ； The Edward S. Rogers Sr. Department of Electrical and Computer Engineering, University of Toronto（埃德华·S·罗杰斯Sr.电子与计算机工程系，多伦多大学）
AI总结 MVS-TTA通过元辅助学习结合优化与学习方法，提升多视图立体的测试时间适应性能。
Comments 8 pages, 7 figures
当主动学习失效时，未校准的分布外不确定性量化可能是问题所在
机构 * University of Toronto（多伦多大学） ； King Abdullah University of Science and Technology（卡布斯大学） ； National Institute of Standards and Technology（美国国家标准与技术研究院） ； Artificial, Inc.（Artificial公司）
AI总结 研究发现，在主动学习中，未校准的分布外不确定性量化可能影响模型泛化能力，需关注特征输入空间中的经验不确定性。
分子指纹中的哈希碰撞：对性质预测和贝叶斯优化的影响
机构 * University of Toronto（多伦多大学） ； Valence Labs（Valence实验室）
AI总结 本研究探讨了分子指纹中哈希碰撞对性质预测和贝叶斯优化的影响，发现精确指纹在性质预测中略有提升，但在贝叶斯优化中未见显著改进。
Comments NeurIPS 2025 AI4Science workshop. Code: https://github.com/wvirany/molcollisions Openreview: https://openreview.net/forum?id=POgOHi8a7t
QueryGym: 一个用于可重复LLM查询重述的工具包
机构 * University of Waterloo（滑铁卢大学） ； Mila – Quebec AI Institute（魁北克人工智能研究所） ； University of Toronto（多伦多大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 QueryGym是一个用于可重复LLM查询重述的开源工具包，提供统一框架和多种集成支持，促进方法比较与基准测试。
Comments 4 pages
机构 * Department of Cognitive Robotics, Delft University of Technology（认知机器人系，代尔夫特理工大学） ； Department of Mechanical and Industrial Engineering, University of Toronto（机械与工业工程系，多伦多大学） ； Department of Computer Science, Toronto Metropolitan University（计算机科学系，多伦多 Metropolitan 大学） ； Department of Computer Science, University College London（计算机科学系，伦敦大学学院）
机构 * Technion - Israel Institute of Technology（技术学院-以色列理工学院） ； NVIDIA（英伟达） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
Comments SIGGRAPH Asia 2025
机构 * University College Dublin（都柏林大学） ； Trinity College Dublin（都柏林三一学院） ； University of Toronto（多伦多大学） ； Shanghai University（上海大学）
Comments ACL 2025 main
机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Toronto（多伦多大学） ； University of Notre Dame（诺特大学） ； Stony Brook University（石溪大学）
机构 * Center of Vision Research (CVR) and Centre for AI & Society (CAIS) at York University（约克大学视觉研究中心（CVR）和人工智能与社会研究中心（CAIS）） ； Vector Institute for Artificial Intelligence（人工智能向量研究所） ； Region of York（约克地区） ； York University（约克大学） ； University of Toronto（多伦多大学）
Journal ref 2024 IEEE International Conference on Intelligent Transportation Systems (ITSC), Edmonton, Canada, pp. 741-748, 2024
机构 * McGill University（麦吉尔大学） ； Mila ； University of Toronto（多伦多大学） ； MBZUAI
Comments 14 pages main, 26 pages appendix
机构 * Hamburg University of Technology（汉堡理工大学） ； Helmholtz-Zentrum Hereon（海德堡研究中心） ； University of Toronto（多伦多大学） ； EPFL（苏黎世联邦理工学院）
Comments Accepted for publication in Communications of the ACM (CACM), Opinion section
机构 * Zhejiang University（浙江大学） ； University of Toronto（多伦多大学） ； Peking University（北京大学）
机构 * University of Galway（Galway大学） ； Irish National Centre for Research Training in AI (CRT-AI)（爱尔兰人工智能研究培训中心） ； Université Laval（拉瓦尔大学） ； Canada-CIFAR AI Chair（加拿大CIFAR人工智能 chair） ； Mila - Québec AI Institute（魁北克人工智能研究所） ； University of Toronto（多伦多大学） ； MBZUAI, UAE（阿联酋MBZUAI）
机构 * Division of Engineering Science, University of Toronto（工程科学系，多伦多大学）
Comments Findings of the ACL: IJCNLP-AACL 2025 (accepted)
机构 * University of Toronto（多伦多大学） ； Polytechnique Montréal（蒙特利尔大学） ； Mila – Quebec AI Institute（魁北克人工智能研究所） ； Layer 6 AI（Layer 6 AI公司） ； Prior Labs（Prior实验室） ； ELLIS Institute（ELLIS研究所） ； Tübingen University of Freiburg（弗赖堡大学）
机构 * University of Toronto（多伦多大学） ； Carnegie Mellon University（卡内基梅隆大学）
Comments 17 pages, 5 figures; Accepted to ML4H 2025
机构 * CMU（卡内基梅隆大学） ； The University of Tokyo（东京大学） ； The University of Toronto（多伦多大学）
机构 * Space Telescope Science Institute（太空望远镜科学研究所） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Toronto（多伦多大学）
Comments Authors contributed equally to this work. Accepted to NeurIPS Machine Learning and the Physical Sciences Workshop. See trained model at https://huggingface.co/mwalmsley/euclid-rr2-mae, HuggingFace demo at https://huggingface.co/spaces/mwalmsley/euclid_masked_autoencoder, and code at https://github.com/jwuphysics/euclid-galaxy-morphology-saes
机构 * Utrecht Universiteit（乌得勒支大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Open Universiteit（开放大学） ； University of Aberdeen（阿伯丁大学）
Comments Extended version of a paper accepted for publication at the 22nd International Conference on Principles of Knowledge Representation and Reasoning (KR 2025)
机构 * LIX, École Polytechnique, IP Paris（巴黎高等理工学院LIX研究所） ； Canadian Institute for Theoretical Astrophysics (CITA), University of Toronto（多伦多大学加拿大理论天体物理研究所） ； Google DeepMind（谷歌DeepMind） ； Department of Astronomy, University of Virginia（弗吉尼亚大学天文学系） ； Department of Space, Earth & Environment, Chalmers University of Technology（楚科夫斯基技术大学空间、地球与环境系）
Comments Accepted to NeurIPS 2025. Code available at https://github.com/L-YeZhu/AstroDSB. Updated funding information from last version
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