高校专区
SegWithU：不确定性作为扰动能量用于单次前向传递的鲁棒医学图像分割
机构 * University of Toronto（多伦多大学） ； McGill University（麦吉尔大学） ； University of Waterloo（滑铁卢大学） ； Vector Institute（向量研究所） ； Project Neura ； University of Toronto Machine Intelligence Student Team（多伦多大学人工智能学生团队） ； Amplimit
AI总结 SegWithU通过引入轻量级不确定性头，提升单次前向传递医学图像分割的鲁棒性，实现高可靠性分割结果。
重新思考高斯轨迹预测器：为安全规划校准不确定性
机构 * Department of Electrical and Computer Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电子与计算机工程系） ； Department of Mathematical and Computational Sciences, University of Toronto（多伦多大学数学与计算科学系）
AI总结 本文提出了一种新的损失函数，通过核密度估计校准高斯轨迹预测器的不确定性，以提高安全规划性能。
通过概率性偏误校正增强人工智能和动力学亚季预测
机构 * Harvard College（哈佛学院） ； University of Toronto（多伦多大学） ； Instituto de Matemática Pura e Aplicada（数学与应用数学研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； Atmospheric and Environmental Research（大气与环境研究） ； Microsoft Corporation（微软公司） ； Rhiza Research（Rhiza研究） ； Microsoft Research New England（微软新英格兰研究院） ； European Centre for Medium-Range Weather Forecasts（欧洲中期天气预报中心）
AI总结 本文提出概率性偏误校正方法，通过学习历史概率预测来减少系统性误差，显著提升亚季预测能力，应用于ECMWF模型后，AI预测系统技能翻倍，操作性去偏模型在91%压力、92%温度和98%降水目标上表现更优。
ReinforceGen：具有自动数据生成和强化学习的混合技能策略
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA Research（NVIDIA研究）
AI总结 针对机器人长期操纵挑战，ReinforceGen系统结合任务分解、数据生成、模仿学习与运动规划形成初始方案，经强化学习微调，在Robosuite数据集基准测试中成功率达80%，消融研究显示微调使性能平均提升89%，实际评估也有显著改进。
LDPKiT：用于隐私保护蒸馏的远程查询叠加
机构 * University of Toronto（多伦多大学） ； The University of British Columbia（不列颠哥伦比亚大学）
AI总结 研究针对模型远程推理的隐私问题，提出LDPKiT框架，利用私有数据并限制隐私泄露。通过叠加技术生成样本，在局部差分隐私下实现知识转移。实验表明该框架能在保持隐私时提高效用，还进行了敏感性分析等提供见解。
Comments 18 pages, published at the 6th International Workshop on Advances on Security and Privacy Technologies and Solutions (IWAPS) co-located with the International Conference on Availability, Reliability and Security (ARES), Linköping, Sweden, August 24 - 27, 2026
关于使用私有预言机的隐私保护优化的梯度复杂度
机构 * Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Vector Institute（向量研究所）
AI总结 研究Lipschitz凸损失的差分隐私经验/总体风险最小化在一阶预言机查询方面的运行时间，在非光滑和光滑损失等不同情况下给出下界，表明差分隐私优化器有维度相关运行时代价，还展示了信息有限预言机交互的下界及梯度量化技术局限性。
通过自适应合并回收LoRAs的吸引力与现实
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Mistral AI ； Hugging Face
AI总结 研究针对回收在模型库中“野生”的LoRAs，通过实证研究多种自适应和非自适应合并方法，发现自适应合并虽能提升性能，但相比用相同数据训练新LoRA优势有限，且合并LoRAs的具体选择重要性不大，还证实了正向迁移的可能性并开源相关资源。
Comments 24 pages, 14 figures, 5 tables. Preprint
二元线性分类中良性过拟合的普遍性
机构 * University of Toronto（多伦多大学）
AI总结 研究二元线性分类中线性最大间隔分类器的良性过拟合，发现噪声模型测试误差界的相变及背后几何直觉，放宽协变量假设，证明其在更广泛场景成立，为潜在机制提供新见解。
Comments 84 pages, 10 figures; To appear in Bernoulli
DBLP：面向突发弹性分布式机器学习训练的相位感知有界损失传输协议
机构 * Department of Computer Science, University of Toronto（多伦多大学计算机科学系）
AI总结 针对分布式ML训练受网络瞬态拥塞影响的问题，提出相位感知的DBLP传输协议，动态调整梯度损失容忍度，大幅降低训练时延、提升突发场景下的通信效率。
CoopEval：社会困境中合作维持机制与LLM代理的基准测试
机构 * Carnegie Mellon University ； Foundations of Cooperative AI Lab (FOCAL) ； Jinesis Lab, University of Toronto \& Vector Institute ； ETH Z\" u rich ； Max Planck Institute for Intelligent Systems, T\" u bingen, Germany
AI总结 研究探讨了社会困境中合作维持机制与LLM代理的交互效果，发现重复游戏和声誉系统最有效，但合作效果随对手变化而下降，且在进化压力下更有效。
Comments Published paper at the International Conference on Machine Learning (ICML) 2026. 65 pages, 38 Figures, 8 Tables, 17 Listings
视频生成中的运动归因
机构 * NVIDIA ； Princeton University（普林斯顿大学） ； MIT（麻省理工学院） ； University of Michigan（密歇根大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 研究视频生成模型中数据对运动影响，提出基于梯度的运动归因框架Motive，通过运动加权损失掩码分离静态外观和时间动态，用于研究微调剪辑对时间动态的影响及指导数据策划，提升视频运动质量。
Comments See the project website at https://research.nvidia.com/labs/sil/projects/MOTIVE/
TokSuite：衡量分词器选择对语言模型行为的影响
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Google DeepMind（谷歌DeepMind） ； McGill University（麦吉尔大学） ； University of Cambridge（剑桥大学） ； Hugging Face
AI总结 提出TokSuite，含模型集合与基准测试，通过不同分词器的预训练模型及多语言鲁棒性基准测试，解耦分词器影响，阐明多种流行分词器优缺点。
Comments ICML 2026. 46 pages, 13 figures
使态度变化生成模型稳定
机构 * University of Toronto（多伦多大学） ； Caltech（加州理工学院） ； Gibran AI
AI总结 本文提出基于演员的生成模型工作流，利用Concordia库将态度变化理论转化为可运行的演员-环境模拟，并通过实验验证其稳定性，揭示了理论描述的不足与稳定化过程的重要性。
Comments 46 pages, 8 figures, 1 table
用于心理健康评估的基于激光多普勒血流仪和荧光光谱传感器的可穿戴设备数据集
机构 * Aston University（阿斯顿大学） ； University of Toronto（多伦多大学） ； University Health Network（大学健康网络） ； Florida Institute of Technology（佛罗里达理工学院） ； Hai Duong Central College of Pharmacy（海洞中央药学院） ； Stanford University（斯坦福大学） ； Industrial University of Ho Chi Minh City（胡志明市工业大学） ； The University of Alabama at Birmingham（伯明翰大学） ； Pukyong National University（浦项国立大学）
AI总结 本研究利用可穿戴设备采集指尖血流和组织活动信号，结合心理健康问卷数据，发现这些信号与压力相关症状存在关联，为日常非侵入性心理健康监测提供新方法。
Comments Communications Medicine 2026
从捆绑销售数据中学习消费者偏好
机构 * University of Toronto（多伦多大学） ； McGill University（麦吉尔大学） ； Zhejiang University（浙江大学）
AI总结 提出一种从捆绑销售交易数据中估计消费者对单个产品估值分布的方法，通过定义效用模型并使用EM算法和蒙特卡洛模拟恢复估值分布，扩展至未观测无购买、市场细分和协同效应，并提供可识别性和收敛性理论保证。
REALM：一种RGB和事件对齐的潜在流形用于跨模态感知
机构 * University of Toronto, Robotics Institute（多伦多大学机器人研究所） ； University of Toronto, Department of Computer Science（多伦多大学计算机科学系）
AI总结 REALM通过将事件表示投影到预训练的RGB基础模型潜在空间，实现跨模态感知，利用LoRA技术解锁冻结RGB主干的几何和语义先验，实现零样本应用复杂解码器。
Comments Accepted to the European Conference on Computer Vision (ECCV), Malmö, SE, 2026
通过正则化实现私有ML的高效公开验证
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 提出首个差分隐私算法，在接近最优隐私-效用权衡下，DP保证的验证成本低于训练成本，通过正则化目标最小化和标准DP组合界限实现。
Comments Proceedings of the 43rd International Conference on Machine Learning
私有率约束优化及其在公平学习中的应用
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 针对差分隐私下的率约束优化问题，提出RaCO-DP算法，通过SGDA的拉格朗日形式处理约束，额外隐私代价仅限于每步小批量直方图估计，理论证明收敛，实验在公平约束下帕累托优于现有方法。
Comments ICLR 2026
学生视角下技术写作反馈质量比较研究：评估计算机科学主题中的LLM、SLM和人类
机构 * McMaster University（麦斯特大学） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Research Institute for the Study of University Pedagogy, University of Toronto Mississauga（多伦多大学密西根分校大学教学研究学院） ； Department of Mathematical and Computational Sciences, University of Toronto Mississauga（多伦多大学密西根分校数学与计算科学系）
AI总结 本研究比较了本地部署的小语言模型（SLM）、商业大语言模型（LLM）和人类导师在计算机科学课程中提供写作反馈的质量，发现SLM在可读性和可操作性上获得学生更高评价，而人类反馈在专业写作任务中更受青睐。
Comments accepted at AIED 26
观察、推断、干预：面向目标导向社交智能的主动世界建模
机构 * Mita Technology（Mita技术公司） ； University of Bristol（布里斯托大学） ； University of Toronto（多伦多大学） ； McGill University（麦吉尔大学）
AI总结 提出 See-Infer-Intervene (SII) 框架和主动意图世界模型 (PIWM)，通过观察顾客行为、推断潜在意图并选择干预动作，实现零售场景中的主动辅助，在 GuidanceSalesBench 基准上达到 0.641 macro F1。
Comments 16 pages, 3 figures, 9 tables. Preprint
通用反应条件的贝叶斯优化
机构 * Institute of Chemical and Bioengineering, Department of Chemistry and Applied Biosciences, ETH Zurich（苏黎世联邦理工学院化学与生物工程学院，化学与应用生物科学系） ； NCCR Catalysis, Switzerland（瑞士催化联合体） ； Department of Chemistry, University of Toronto（多伦多大学化学系） ； Vector Institute, Toronto, Canada（多伦多向量研究所） ； Department of Biological Chemistry & Molecular Pharmacology, Harvard Medical School（哈佛医学院生物化学与分子药理学系） ； Dana-Farber Cancer Institute, Boston, MA, USA（波士顿马萨诸塞州 Dana-Farber 癌症研究所） ； School of Chemistry, Chemical Engineering and Biotechnology, Nanyang Technological University（南洋理工大学化学系、化工与生物技术学院） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Department of Chemical Engineering and Applied Chemistry, University of Toronto（多伦多大学化学工程与应用化学系） ； Department of Materials Science and Engineering, University of Toronto（多伦多大学材料科学与工程系） ； Acceleration Consortium, University of Toronto（多伦多大学加速联盟） ； Canadian Institute for Advanced Research (CIFAR)（加拿大高级研究研究院） ； Institute of Medical Science, Medical Sciences Building, Toronto, Canada（多伦多大学医学科学研究院，医学科学大楼） ； NVIDIA, Toronto, Canada（多伦多NVIDIA） ； Department of Computer Science, Western University（温哥华大学计算机科学系）
AI总结 提出CurryBO框架，通过curried函数的贝叶斯优化实现通用反应条件的高效搜索，在多个基准上显著提升样本效率。
评估基于场景的原位物品标签用于沉浸式对话推荐
机构 * University of Toronto（多伦多大学） ； University of Waterloo（滑铁卢大学） ； Vector Institute of Artificial Intelligence（向量人工智能研究所）
AI总结 针对沉浸式对话推荐系统，提出基于显式意图满足和主动信息需求的原位标签分类与评估指标，基准测试显示现有方法在利用场景信息、避免冗余和预测主动需求方面存在局限。
SGD在多指标模型中的局限性超越统计查询
机构 * Weizmann Institute of Science（魏茨曼科学研究院） ； University of Toronto（多伦多大学）
AI总结 针对标准SGD在多指标模型中的局限性，提出非SQ框架，证明其无法有效学习某些低维目标函数，适用于多种架构包括深度神经网络。
Self-CriTeach: LLM 自我教学与自我批评用于通过自动领域生成提升机器人规划
机构 * Huawei Noah's Ark Lab（华为诺亚实验室） ； University of Toronto（多伦多大学） ； University of British Columbia（不列颠哥伦比亚大学） ； McGill University（麦吉尔大学）
AI总结 本文提出Self-CriTeach框架，通过LLM自动生成符号规划领域，用于自我教学生成规划问题-计划对及自我批评生成结构化奖励信号，提升机器人规划性能与泛化能力。
Comments International Conference on Machine Learning (ICML) 2026
通过大师蒸馏实现语言模型中的接地国际象棋推理
机构 * Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Queen’s University（皇后大学） ； Coolwei AI Lab（Coolwei人工智能实验室）
AI总结 提出大师蒸馏框架，将专家系统推理过程蒸馏为自然语言思维链，使4B参数模型C1在国际象棋中达到48.1%准确率，超越所有开源模型和多数前沿闭源系统。
社会对齐框架可以改进大语言模型对齐
机构 * ETH Zurich（苏黎世联邦理工学院） ； Mila, McGill University（麦吉尔大学米尔人工智能实验室） ； University of Cambridge（剑桥大学） ； Columbia University（哥伦比亚大学） ； University of Toronto, Google DeepMind（多伦多大学与DeepMind） ； McGill University, ServiceNow（麦吉尔大学与ServiceNow） ； Google DeepMind（谷歌DeepMind） ； University of Utah（犹他大学） ； King's College London（伦敦国王学院） ； Johns Hopkins University（约翰霍普金斯大学） ； Mila, McGill University, ServiceNow（麦吉尔大学米尔人工智能实验室与ServiceNow）
AI总结 本文提出借鉴社会、经济和契约对齐框架来改进大语言模型对齐，探讨不确定性在其中的作用，并将目标未指定性视为机遇而非缺陷，同时强调参与式对齐界面设计的必要性。
OSCAR: 用于自适应机器人导航的障碍物生存曲线
机构 * University of Toronto（多伦多大学）
AI总结 提出OSCAR框架，利用生存模型学习障碍物清除时间分布，并通过图规划器动态调整等待与重路由的阈值，以减少导航时间。
Comments 8 pages main text, appendices included
基于广义吉辛森-香农散度的LLM生成文本黑盒检测
机构 * Department of Electrical and Computer Engineering, University of Toronto, Toronto, Canada（电子与计算机工程系，多伦多大学，多伦多，加拿大）
AI总结 本文提出SurpMark检测器，通过文本token意外性动态总结，利用广义吉辛森-香农散度衡量测试文本与人类和机器生成文本的差异，验证了其在不同领域和生成器上的鲁棒性。
Comments ICML 2026
从噪声到有序：通过去噪扩散学习排序
机构 * University of Guelph（圭尔夫大学） ； Independent Researcher（独立研究者） ； University of California, Berkeley（加州大学伯克利分校） ； McGill University（麦吉尔大学） ； University of Toronto（多伦多大学）
AI总结 提出基于去噪扩散的生成式排序模型DiffusionRank，通过建模特征向量与相关性标签的联合分布，在四个标准LTR数据集上优于传统判别式方法。
360Anything: 图像和视频的无几何约束360°生成
机构 * Google DeepMind（谷歌DeepMind） ； Simon Fraser University（西蒙弗雷泽大学） ； University of Toronto（多伦多大学）
AI总结 提出无几何约束框架360Anything，基于预训练扩散Transformer，以数据驱动方式学习透视到等距柱状投影映射，无需相机元数据，实现图像和视频到360°全景的高质量生成，并引入循环潜在编码消除拼接伪影。
Comments ECCV 2026. Project page: https://360anything.github.io/
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