高校专区
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。
Wasserstein残差：从种群动力学中学习梯度流
机构 * Basis Research Institute（基础研究机构） ； Aalto University（艾尔沃斯大学） ； Brown University（布朗大学） ； University of Toronto（多伦多大学） ； MIT（麻省理工学院）
AI总结 针对传统Wasserstein梯度流JKO方法离散不灵活、计算成本高的问题，提出基于残差的新目标与无仿真粒子方法stitching，在轨迹推断基准上取得SOTA性能。
战略性购买智能体
机构 * Rotman School of Management, University of Toronto（多伦多大学罗特曼管理学院）
AI总结 该研究面向自主代客购物场景，分三类信息场景设计有限购物窗口内的最优购买策略，经真实电商价格数据验证，大模型更适配场景选择而非直接购买决策。
用于稳健医学分割的位移保持关系蒸馏
机构 * Bowling Green State University（鲍灵格林州立大学） ； The University of Findlay（芬德利大学） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； University of Toronto（多伦多大学） ； University of Houston - Clear Lake（休斯顿大学清水湖分校） ； UTHealth Houston（德克萨斯大学健康科学中心休斯顿分校）
AI总结 针对准确3D医学分割受解剖变异性和高计算成本限制的问题，提出位移保持关系蒸馏方法，通过基于向量对齐蒸馏潜在解剖轨迹，集成到nnU-Net后在基准测试中表现优异。
流形流：具有可学习奇异谱的对称正定松弛斯蒂费尔层
机构 * University of Toronto（多伦多大学） ； Emory University（埃默里大学）
AI总结 研究提出ManifoldFlow，通过\(W = Q S^{1/2}\)在斯蒂费尔流形上学习有界正谱，放松固定谱斯蒂费尔层约束，在部分实验中可学习的对称正定谱表现更好。
Comments 39 pages
测量多步语言模型智能体中工具诱导的信念差异
机构 * University of Toronto（多伦多大学） ； Emory University（埃默里大学）
AI总结 研究多步语言模型智能体中工具对其信念的影响，引入信念展开诊断，定义跨工具信念差异并分解，通过实验表明工具设计是智能体评估中的实验变量。
Comments 28 pages
看一次就够了？用于3D问答的在线几何感知令牌剪枝
机构 * National Tsing Hua University（国立清华大学） ； Industrial Technology Research Institute ITRI（工业技术研究院） ； University of Toronto（多伦多大学） ； Atmanity Inc（Atmanity公司）
AI总结 针对3D问答中多模态大语言模型推理成本高的问题，提出在线令牌剪枝方法，利用深度和相机姿态投影到体素空间，识别重叠区域并剪枝冗余令牌，减少令牌使用，提升效率和性能。
Comments published at ICLR 2026 Workshop on Efficient Spatial Reasoning
TemporalGS：通过时间先验实现无训练即插即用的3D高斯点渲染加速
机构 * McGill University（麦吉尔大学） ； University of Waterloo（滑铁卢大学） ； Concordia University（康考迪亚大学） ； University of Toronto（多伦多大学）
AI总结 研究针对3D高斯点渲染在高帧率和低延迟方面的挑战，提出TemporalGS，利用时间先验减少连续帧高斯预处理等操作冗余，有动态剔除和选择性渲染策略，可加速渲染且无需训练。
具有精度保证的HNSW：基于图Spanner的技术报告
机构 * University of Toronto（多伦多大学） ； The University of Texas At Arlington（德克萨斯大学阿灵顿分校） ； IIT Bombay（博扬理工学院）
AI总结 提出Certify-then-Rectify框架，结合HNSW的快速启发式搜索与精确检索的严格性，通过无分布统计认证和极值理论估计图拉伸因子，实现平均速度与最坏情况正确性。
Comments 23 pages, 22 figures
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
深度权重空间中推理过程的动态神经图编码
机构 * University of Toronto（多伦多大学） ； National University of Singapore（新加坡国立大学） ； McMaster University（麦马斯特大学） ； Concordia University（康科迪亚大学）
AI总结 提出动态神经图编码器（DNG-Encoder），通过动态图表示神经网络参数并保留推理的时序特性，在INR分类任务上比现有方法提升约10%准确率。
Comments Published in Transactions on Machine Learning Research (TMLR), 2026. 28 pages, 5 figures
Journal ref Transactions on Machine Learning Research, 2026
高维空间中基于网格的近似最近邻搜索的缩放定律
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto, St. George（多伦多大学圣乔治校区） ； Independent Researcher（独立研究员） ； University of Waterloo（滑铁卢大学）
AI总结 本研究系统刻画了多探针网格算法在数据集大小N和维度d上的缩放行为，发现其在GloVe嵌入上具有恒定的维度缩放指数，优于图、树和分区方法，且索引成本更低。
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。
从卷帘快门图像估计球体的速度
机构 * Epson Canada Ltd（爱普生加拿大有限公司） ； University of Toronto（多伦多大学）
AI总结 利用卷帘快门畸变作为时间信息源，提出一种无对应点的公式，通过反向投影框架中的几何一致性，从单帧图像估计快速运动球体的三维平动和角速度。
训练与泛化的统计特性
机构 * John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保罗森工程与应用科学学院） ； Tel Aviv University（特拉维夫大学） ； Department of Physics, University of Toronto and Vector Institute（多伦多大学物理系和向量研究所）
AI总结 从物理学角度研究深度学习的关键特征和意外现象，回顾神经缩放定律及其与物理问题中约束和归纳偏置的相互作用。
Comments 32 pages, 3 figures. Part of the VERaiPHY initiative
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
邪恶光谱：优化器如何放大或抑制涌现性失调
机构 * Astra Fellows Program（Astra Fellows 项目） ； University of Cambridge（剑桥大学） ； Durham University（杜伦大学） ； University of Toronto（多伦多大学）
AI总结 研究优化器选择对LLM涌现性失调的影响，发现优化器导致7倍失调率差异，Muon通过隐式正则化奇异值分布保持对齐，谱正则化可缓解失调。
PruneGround: 用于3D视觉定位的即插即用空间剪枝框架
机构 * Knovel Engineering Lab（Knovel工程实验室） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； ELLIS Institute（ELLIS研究所） ； Max Planck Institute（马克斯·普朗克研究所）
AI总结 提出PruneGround框架，通过语言引导的空间剪枝、多视角描述重构和LLM定位器，在剪枝区域高效定位目标，在多个基准上取得最优结果。
Comments Preprint
自然语言解释中的判断质量测量：来自预测锦标赛的证据
机构 * Forecasting Research Institute（预测研究所） ； Good Judgment Inc（Good Judgment公司） ； University of Toronto（多伦多大学） ； Vector Institute for Artificial Intelligence（向量人工智能研究所） ； Stanford University（斯坦福大学） ； School of Arts and Sciences & Wharton, University of Pennsylvania（宾夕法尼亚大学文理学院与沃顿商学院） ； Federal Reserve Bank of Chicago（芝加哥联邦储备银行） ； Federal Reserve System（联邦储备系统）
AI总结 提出解释质量标记（EQMs），用大语言模型评分60种理论驱动的推理模式，在超过55,000个预测-理由对中预测准确性，优于传统方法。
PhotoQuilt: 通过引导式分块去噪实现无训练任意分辨率的光马赛克
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Samsung Research（三星研究院） ； KITE Research Institute（KITE研究所） ； Queen’s University（女王大学）
AI总结 提出PhotoQuilt框架，通过引导式分块去噪过程，在无需训练的情况下生成任意分辨率的光马赛克，兼顾全局结构与局部细节，并避免二次注意力成本。
Comments 17 pages, 9 figures. Project page: https://kooroshrh.github.io/photo-quilt/
无观测则无适应：面向LiDAR语义分割的观测约束测试时提示调整
机构 * Concordia University（康考迪亚大学） ； Mila – Quebec AI Institute（米拉-魁北克人工智能研究所） ； University of Toronto（多伦多大学）
AI总结 针对LiDAR语义分割在部署中性能下降的问题，提出一种几何约束的测试时提示调整框架，通过估计感知可靠性并加权空间监督，仅调整轻量提示适配器，实现稳定适应。
Comments IROS 2026
通过局部分支路由实现高效且可训练的语言模型测试时扩展
机构 * Northwestern University（西北大学） ； Rutgers University（罗格斯大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Carnegie Mellon University（卡内基梅隆大学） ； LMSYS Org（LMSYS组织） ； Tilde Research（Tilde研究） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； University of Toronto（多伦多大学） ； University of British Columbia（不列颠哥伦比亚大学） ； University of California, San Diego（加州大学圣迭戈分校）
AI总结 提出局部分支路由（LBR）框架，通过轻量级路由器选择局部前瞻树中的深度-1子路径，实现令牌级测试时扩展，在数学推理基准上优于链式思维和软令牌分支基线。
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
在 Lean 中形式化求解答案构造问题
机构 * University of Toronto（多伦多大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出 Enumerate-Conjecture-Prove (ECP) 框架，结合通用大语言模型和证明器大语言模型，在 Lean 中端到端地构造答案并生成形式化证明，解决数学竞赛中的答案构造问题。
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
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