高校专区
HandX：扩展双臂运动和交互生成
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Specs Inc.（Specs公司） ； Snap Inc.（Snap公司）
AI总结 本文提出HandX，通过整合数据、标注和评估，解决双臂运动生成中精细指节动态和协作的不足，验证了大模型在生成高质量双臂运动中的有效性。
Comments CVPR 2026. Project Page: https://handx-project.github.io. Code: https://github.com/handx-project/HandX
线性回归与线性神经网络中迁移学习的期望误差界
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta
AI总结 本文研究了迁移学习中辅助数据提升主任务泛化能力的理论条件，针对线性回归和欠参数化线性神经网络，推导了泛化误差的闭式表达式和非渐近误差界，提供了任务权重优化方法和一致性保证。
数据即一切：马尔可夫链跟车（MC-CF）模型
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Northwestern University（西北大学）
AI总结 本文提出基于经验概率范式的MC-CF模型，通过马尔可夫过程模拟状态转移，利用经验分布预测加速，证明其在轨迹预测和自然驾驶行为建模中优于传统物理模型。
ImagenWorld: 通过可解释的人类评估对图像生成模型进行压力测试，针对开放性现实任务
机构 * University of Waterloo（滑铁卢大学） ； G-G-G ； Comfy Org ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Independent（独立研究者）
AI总结 ImagenWorld通过3600个条件集评估14个模型，揭示编辑任务比生成任务更难，艺术和照片实感领域表现优异，但符号和文本密集领域表现较差，现代VLM指标在Kendall准确性上达0.79，但无法实现细粒度可解释性误差归因。
Comments Published in ICLR 2026
无需视觉：利用分布式节点加密流量进行地理推断
机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出GraySense框架，通过分析加密无线视频传输流量中的包大小，实现无原始数据的地理物体跟踪，实验显示在无原始信号访问情况下，跟踪误差达2.33米。
MM-DADM：多模态药物感知扩散模型用于虚拟临床试验
机构 * Zhejiang University（浙江大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AI总结 本文提出MM-DADM，一种多模态药物感知扩散模型，用于生成个性化药物诱导ECG。通过动态交叉注意模块融合外部物理知识，解决形态真实性和病理灵活性的平衡问题，并利用因果特征编码器提取纯药理表示，提升模拟准确性和召回率。
Comments Under review
STRIDE：当语音识别与序列去噪相结合用于流媒体视频理解
机构 * UIUC（伊利诺伊大学厄巴纳-香槟分校） ； KAIST（韩国科学技术院） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出STRIDE方法，通过结构化序列建模解决流媒体视频中的主动激活问题，提升在线流媒体场景下的'何时说话'决策质量。
Comments Project page: https://interlive-team.github.io/STRIDE
激励时间感知的自体视频理解模型
机构 * Virginia Tech（弗吉尼亚理工大学） ； Apple（苹果公司） ； Harvard University（哈佛大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； UC Davis（加州大学戴维斯分校）
AI总结 本文提出TGPO算法，通过强化学习提升多模态大语言模型在自体视频理解中的时间感知能力，实验表明其在时间接地和因果连贯性方面优于现有方法。
Comments 11 pages, 4 figures
BRIDGE：用于评估大语言模型理解现实世界临床实践文本的基准测试
机构 * Brigham and Women's Hospital（布莱根妇女医院） ； Harvard Medical School（哈佛医学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Mayo Clinic（梅奥诊所） ； Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心） ； Kempner Institute for the Study of Natural and Artificial Intelligence（肯普纳自然与人工智能研究所） ； Broad Institute of MIT and Harvard（博德研究所） ； Harvard Data Science Initiative（哈佛数据科学计划）
AI总结 本文提出BRIDGE基准测试，涵盖9种语言的87项任务，涵盖患者护理全过程的六个临床阶段和20种应用，评估95种LLM在不同推理策略下的性能差异，展示开源模型与专业模型的性能对比。
可扩展的神经网络验证与分支界限推导切割平面
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； RWTH Aachen University（亚琛工业大学）
AI总结 本文提出BICCOS方法，通过神经网络验证问题的结构生成高效可扩展的切割平面，利用分支界限搜索树中的逻辑关系生成约束，提升验证效率和可扩展性。
Comments Accepted by NeurIPS 2024. BICCOS is part of the alpha-beta-CROWN verifier, the VNN-COMP 2024 winner; fixed Theorem 3.2 and clarified experimental results
LSM-GNN: 基于大规模存储的多GPU GNN训练方法通过优化数据传输方案
机构 * NVIDIA（英伟达） ； NVIDIA/UIUC（英伟达/伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出LSM-GNN框架，通过优化数据传输方案提升多GPU环境下GNN训练效率，实验表明其在单节点双GPU配置下优于双节点四GPU的Dist-DGL基线，实现端到端训练时间的3.75倍加速。
BHCast: 从单张模糊图像解锁黑洞等离子体动力学的长期预测
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； NVIDIA（英伟达）
AI总结 BHCast通过单张模糊图像预测黑洞等离子体动力学，结合多尺度金字塔损失实现超分辨率和长期稳定预测，提取时空特征并利用梯度提升树恢复黑洞属性。
Comments CVPR 2026
测量基于概念的解释的（不）忠实性
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文研究了基于概念的解释方法的忠实性，提出Surrogate Faithfulness方法以评估其忠实度，发现许多视觉上吸引人的U-CBEMs并不忠实。
Comments To appear in CVPR 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