高校专区
Urban-ImageNet: 一个大规模多模态数据集和用于城市空间感知的评估框架
机构 * University of Auckland（奥克兰大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Stanford University（斯坦福大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
AI总结 本文提出Urban-ImageNet，一个用于评估城市空间感知的多模态数据集和基准，包含2019-2025年间中国24个城市61个地点的200万张社交媒体图像及文本。通过HUSIC框架定义10类城市理论基础分类，支持城市场景分类、跨模态检索和实例分割三个任务。
TD3B：过渡引导的离散扩散用于别构结合物生成
机构 * Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系） ； Department of Bioengineering, University of Pennsylvania（宾夕法尼亚大学生物工程系） ； Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Centre for Computational Biology, Duke-NUS Medical School（杜克-新加坡国立大学医学学校计算生物学中心）
AI总结 TD3B通过方向性状态转换控制目标，设计具有指定激动剂或拮抗剂行为的结合物，结合方向Oracle、软结合亲和门和预训练离散扩散模型的微调，实现与结合亲和力解耦的靶向生成。
Comments Published as a Spotlight at ICML 2026 (Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea)
基于模型不匹配的自适应约束紧缩方法
机构 * School of Engineering and Applied Science, University of Pennsylvania（宾夕法尼亚大学工程与应用科学学院） ； Department of Aeronautics & Astronautics, Stanford University（斯坦福大学航空与航天工程系）
AI总结 本文提出MACT方法，通过分析车辆动态模型不匹配问题，提出基于速度和曲率的状态依赖性约束紧缩策略，提升轨迹优化的安全性与效率。
轨迹的陷阱：朝着理解并缓解代理记忆中的虚假相关性
机构 * Binghamton University, State University of New York（宾夕法尼亚州立大学） ； Oakland University（奥克兰大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文研究代理记忆中的虚假相关性问题，通过基准测试揭示记忆在清洁输入下提升推理但放大虚假模式依赖性，并提出CAMEL方法在写入和检索时减少对虚假模式的依赖，同时保持性能。
基于拍卖的在线策略适应用于演化的目标
机构 * University of Pennsylvania（宾夕法尼亚大学） ； IMDEA Software Institute（IMDEA软件研究所）
AI总结 本文提出基于拍卖的模块化框架，通过自利局部策略和动态拍卖机制实现多目标强化学习中目标变化时的策略适应，证明了纳什均衡的存在性和有效性。
Comments 22 pages, 8 figures
基于 compositional Q-learning 的电解质补充与不平衡患者亚群
机构 * Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Gladstone Institutes（加利福尼亚大学旧金山分校 Gladstone 实验室） ； University of Pennsylvania（宾夕法尼亚大学） ； Gladstone Institutes, Stanford University（加利福尼亚大学旧金山分校 Gladstone 实验室，斯坦福大学）
AI总结 本文提出 Compositional Fitted Q-iteration 方法，用于处理医疗场景中患者治疗反应的异质性问题，通过分层任务结构实现高效决策，验证了其在电解质补充任务中的有效性。
Journal ref Proceedings of the 3rd Machine Learning for Health Symposium 2023
NARRA-Gym用于评估交互叙事代理
机构 * University of Notre Dame（诺丁汉大学） ； LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Pennsylvania（宾夕法尼亚大学） ； Lehigh University（莱恩大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Bake AI UC Santa Barbara（加州大学圣芭芭拉分校） ； University of Washington（华盛顿大学）
AI总结 本文提出NARRA-Gym，一个可执行评估环境，用于评估LLM在多轮交互中生成连贯故事的能力，通过模拟情感种子生成完整故事并记录完整模型在环轨迹，验证了不同模型在故事质量、鲁棒性和用户适应性上的差异。
生成交叉熵：一种数据高效分类的严格合理损失
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出生成交叉熵（GenCE），通过引入生成学习原理改进传统判别网络，提升数据效率和分类性能，在多种数据集和架构上优于传统交叉熵及其他损失函数。
一种基于点云的无网格外演算用于通用且数据高效的物理学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Mechanical Engineering and Applied Mechanics（机械工程与应用力学）
AI总结 本文提出了一种无网格外演算（MEEC），用于在点云上学习保持结构的物理描述，通过MEEC-Net实现高效数据替代，跨分辨率、几何和物理参数转移。
Comments 25 pages, 13 figures
一种用于开放性问答中校准评估的语义采样框架
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Dartmouth College（达特茅斯学院）
AI总结 本文提出Sem-ECE框架，通过语义分类评估开放性问答的校准，证明其在易题一致、难题差异，优于传统方法。
Comments Preprint
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