高校专区
预训练表格基础模型作为神经后验估计的多功能总结网络
机构 * University of Pennsylvania（宾夕法尼亚大学） ； The George Washington University（乔治·华盛顿大学） ； Brown University（布朗大学）
AI总结 本文提出PFN-NPE，利用预训练的TabPFN作为固定总结网络，通过归一化流实现高效的后验估计，展示其在模拟基于贝叶斯推断中的有效性与多功能性。
通过欧拉-拉格朗日残差最小化学习偏微分方程的拉格朗日模型
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Montclair State University（蒙特克莱尔州立大学）
AI总结 本文提出了一种直接利用学习连续拉格朗日量预测偏微分方程系统动力学的方法，通过内在守恒结构实现稳定长程预测。方法基于优化的积分器，通过无网格近辛构造局部空间-时间块最小化欧拉-拉格朗日残差，实现模型误差与积分误差解耦，具有线性扩展性和无需结构要求的网络耦合能力。
Comments 9 pages, 8 figures, 2 tables, 7 pages of appendices
在何处分配 rollout：用于基于组的 RLVR 的 hit-utility 优化 rollout 分配
机构 * University of Pennsylvania（宾夕法尼亚大学） ； New Jersey Institute of Technology（新泽西理工学院） ； University of Tennessee Knoxville（田纳西大学肯纳邦克分校）
AI总结 本文提出 HORA 方法，通过最大化 hit-utility 提升 RLVR 的效率，实验证明其在多个基准上优于 GRPO，且兼容其他组基估计器。
三维医学影像中的知识迁移扩展定律
机构 * Vanderbilt University（范德比大学） ； Zhejiang University（浙江大学） ； McGill University（麦吉尔大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文研究了三维医学影像中不同域的预训练扩展规律，提出基于可转移性的数据分配方法，提升跨域迁移效果，实验表明该方法在疾病分类和器官分割任务中表现更优。
Comments 20 Pages
MolmoAct2：面向现实部署的动作推理模型
机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） ； National University of Singapore（新加坡国立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Amazon（亚马逊公司） ； University of Michigan（密歇根大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出MolmoAct2，一个完全开放的动作推理模型，通过改进架构和引入新数据集，在五个方面提升性能，展示了在多个基准测试中优于现有模型的成果。
Comments 31 pages, project page: https://allenai.org/blog/molmoact2
检验学习算法的噪声假设
机构 * University of Pennsylvania（宾夕法尼亚大学） ； UT Austin（得克萨斯大学）
AI总结 本文提出一种高效测试训练集是否符合给定噪声模型假设的方法，首次解决了该问题，并展示了在高斯边际分布下半空间学习的可测试学习算法。
Comments 45 pages, Best Paper Award at Reliable ML workshop at NeurIPS 2025, Accepted to COLT 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