高校专区
战略特征选择
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Texas, Austin（德克萨斯大学奥斯汀分校） ； Cornell Tech（康奈尔科技） ； Stanford University（斯坦福大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Harvard University（哈佛大学） ； Inria, Paris（巴黎Inria）
AI总结 研究通过特征选择和岭正则化应对战略操纵的分类问题，发现仅基于可操纵性排除特征通常次优，提出联合优化特征集与正则化水平的算法，并在医疗支付基准上验证。
DreamReg：基于信念驱动的世界模型用于2D-3D超声配准
机构 * T Stone Robotics Institute, The Chinese University of Hong Kong（香港中文大学T Stone机器人研究所） ； Multi-scale Medical Robotics Center（多尺度医疗机器人中心） ； Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）
AI总结 提出DreamReg框架，将2D-3D超声配准建模为信念更新，通过世界模型模拟探头运动并整合想象结果，在CAMUS和u-RegPro数据集上实现鲁棒且准确的实时配准。
RegimeVGGT：面向视觉几何基础Transformer的逐层空间保持冗余去除
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of California, Irvine（加利福尼亚大学尔湾分校） ； Nanyang Technological University（南洋理工大学）
AI总结 提出RegimeVGGT，通过逐层U形压缩（显著性引导带状合并与选择性保护K/V下采样）去除冗余，在保持重建质量的同时实现6.7倍加速。
Comments 9 pages, 3 figures, 7 tables. Jinhao You, Shuo Lyu, Zhuohang Lyu, Tanxuan Li, and Zibo Zhao contributed equally. Shuo Lyu is the corresponding author
Guava: 一种有效且通用的具身操作工具框架
机构 * University of Maryland College Park（马里兰大学帕克分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Waterloo（滑铁卢大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Amazon FAR（亚马逊 FAR）
AI总结 提出Guava框架，通过迭代感知-推理-行动循环、语义动作抽象和多模态观测三大关键设计，将具身操作能力蒸馏到4B开源模型中，在仿真和真实环境中性能媲美前沿专有模型。
EvoArena: 追踪记忆演化以构建动态环境中的鲁棒LLM智能体
机构 * National University of Singapore（新加坡国立大学） ； Singapore Management University（新加坡管理大学） ； University of Washington（华盛顿大学） ； University College London（伦敦大学学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Nanyang Technological University（南洋理工大学） ； Recursive ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出EvoArena基准套件模拟终端、软件和社交领域的渐进环境变化，并设计基于补丁的记忆范式EvoMem记录结构化更新历史，使智能体能通过记忆变化推理环境演化，实验表明当前智能体在动态环境中表现不佳，EvoMem可稳定提升性能。
LivePI：更真实的智能体对抗间接提示注入基准测试
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出LivePI基准，覆盖7种输入表面、12种攻击/渲染家族和5种恶意目标，在真实虚拟机环境中评估多个AI智能体，发现攻击成功率10.7%-29.6%，并验证了两层防御的有效性。
在符合推断中对虚假发现比例的处处有效界
机构 * Department of Statistics, Stanford University（斯坦福大学统计学系） ； Department of Statistics and Data Science, University of Pennsylvania（宾夕法尼亚大学统计学与数据科学系） ； Department of Mathematics, Stanford University（斯坦福大学数学系）
AI总结 本文提出了一种在多重检验问题中对虚假发现比例（FDP）的处处有效界，通过构造高概率包络来保证在任意后验阈值选择下的统计保证，同时展示了该方法在异常检测和符合选择中的应用。
Comments 34 pages, 12 figures. Code available at https://github.com/sza919/everywhere-valid-fdp-bounds-in-conformal-inference
自主驾驶数据集：从2000万篇论文到大规模精细化生物医学知识
机构 * 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） ； Department of Genetics, University of Pennsylvania（宾夕法尼亚大学遗传学系） ； Departments of Bioengineering and Chemical and Biomolecular Engineering, University of Pennsylvania（宾夕法尼亚大学生物工程与化学与生物分子工程系）
AI总结 本文提出通过PubMed自动生成结构化数据集，实现更大规模、更精细和更准确的生物医学知识，展示Starling系统在多个任务中生成大规模数据集并提升准确性。
分解上下文召回中的预测机制
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 通过设计结合连续上下文学习与离散关联召回的新玩具问题，发现Transformer模型在上下文召回任务中存在两种具有不同学习动态的独立机制：一种依赖离散符号标签进行关联召回，另一种基于前一个token和上下文进行贝叶斯式预测。
Comments 45 pages, 47 figures, 2 tables
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