高校专区
通过希尔伯特丛和细胞sheaf实现一致的几何深度学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Sakana AI ； Northeastern University（东北大学） ； Harvard University（哈佛大学）
AI总结 本文提出了一种新的卷积学习框架，用于在流形上支持的可能无限维信号，通过希尔伯特丛关联的连接拉普拉斯算子作为卷积算子，引入了称为HilbNets的滤波器和神经网络，并通过两阶段采样过程实现，证明了采样诱导的希尔伯特细胞sheaf的sheaf拉普拉斯收敛于底层连接拉普拉斯，从而在无限维丛设置中推广了Belkin和Niyogi的收敛结果，最终在合成和现实任务中验证了该框架。
Comments 51 pages, 3 figures, 5 tables
在结构互动学习中模型崩溃何时发生？
机构 * School of Operations Research and Information Engineering, Cornell University（卡内基梅隆大学运营管理与信息工程学院） ； Department of Statistics, Columbia University（哥伦比亚大学统计系） ； Department of Statistics and Data Science, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系）
AI总结 研究探讨了在结构互动学习环境中，生成模型性能下降（模型崩溃）的发生条件，通过分析交互图拓扑结构，推导出模型崩溃的必要和充分条件，并通过数值实验验证理论结果。
Comments 57 pages, 12 figures
无分布不确定性量化用于连续AI代理评估
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Columbia University（哥伦比亚大学）
AI总结 本文提出了一种无分布的不确定性量化方法，用于连续AI代理评估，通过适应性符合推断（ACI）提供预测质量分数的覆盖保证，并开发了多代理管道的组合不确定性界限、成对排名的符合回避规则以及领奖台规模多重检验的FDR校正回避方法。
Comments 6 pages, 7 figures, 2 tables. Accepted at the ICML 2026 Workshop on Agentic Uncertainty Quantification (AgenticUQ) - Poster
基于Bures-沃斯特斯坦空间到参数空间的随机梯度变分推断与Price梯度估计
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Yale University（耶鲁大学） ； University of British Columbia（不列颠哥伦比亚大学） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文研究了在仅给定目标分布无规范化的对数密度时，利用随机梯度的变分推断方法。通过比较Wasserstein VI和Black-Box VI，发现WVI在使用Price梯度估计时具有更优的收敛性，本文进一步证明两者在迭代复杂度上可以达到一致的最优结果。
Comments Accepted to ICML'26
仁者重写：通过重写实现良性投影以防御大语言模型数据中毒攻击
机构 * Leidos ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出了一种基于重写的良性投影方法（OBBR），通过利用开放书本的良性样本来提高大语言模型对数据中毒攻击的防御能力，实验表明OBBR在多种已知攻击模式中表现出更高的安全性能，并且在计算效率和模型性能方面具有优势。
Comments 15 pages, 2 Figures, 5 Tables
DecisionBench: 一个用于长周期代理工作流中涌现委托的基准测试
机构 * OpenMesh AI ； University of Pennsylvania（宾夕法尼亚大学） ； Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院）
AI总结 本文提出DecisionBench基准测试，用于评估长周期代理工作流中涌现的委托机制，通过五个条件参考扫描发现委托质量、路由保真度和潜在性能上限等核心发现。
Comments 28 pages, 9 figures, 11 tables. Code and data: https://huggingface.co/decisionbench
FreeOrbit4D: 通过前景完整4D重建实现免训练的任意相机重定向
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Eyeline Labs（Eyeline实验室）
AI总结 本文提出FreeOrbit4D，一种无需训练的框架，通过恢复完整的前景4D代理来解决大角度重定向中的几何模糊问题，从而生成更真实且时间一致的视频。
Comments 12 pages, 10 figures. Accepted to SIGGRAPH Conference Papers 2026
在竞争性游戏中解码奖励：带有熵正则化的逆向博弈论
机构 * Department of Electrical and Computer Engineering, Duke University（杜克大学电气与计算机工程系） ； Department of Statistics and Data Science, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系） ； Department of Biostatistics and Bioinformatics, Duke University（杜克大学生物统计与生物信息学系） ； Department of Statistics and Data Science, Yale University（耶鲁大学统计与数据科学系）
AI总结 本文研究了在竞争性游戏中通过逆向博弈论和熵正则化来恢复未知奖励函数的问题，提出了一种统一的框架，能够在静态和动态设置中学习奖励函数，并通过理论保证和数值实验验证了其有效性。
Comments Extended journal version of ICML 2025 paper. Submitted to Operations Research
迭代组合数据生成用于机器人控制
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Stony Brook University（石溪大学）
AI总结 本文提出了一种语义组合扩散变换器，通过注意力机制学习机器人、物体、障碍物和目标特定组件的交互，从而在有限任务集上训练后，能够零样本生成高质量过渡，进而学习未见任务组合的控制策略，并通过迭代自我改进过程提升零样本性能。
在线零阶和一阶双层优化的随机遗憾保证
机构 * Amirkabir University of Technology（阿姆斯泰尔大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Samsung SDS Research America（三星SDS美国研究部） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出了一种新的搜索方向，证明了利用该方向的零阶和一阶随机在线双层优化算法能够在不使用窗口平滑的情况下实现亚线性随机双层遗憾。此外，该框架通过减少超梯度估计中的oracle依赖、同时更新内层和外层变量以及使用基于零阶的Hessian、雅可比和梯度估计来提高效率。
Comments Published at NeurIPS 2025
PopPy: 在Python复合AI应用中机会性地利用并行性
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Independent Researcher（独立研究者） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出PopPy系统，通过识别Python应用中调用外部组件的并行化机会，从而在复合AI应用的端到端延迟上实现6.4倍的加速，同时保持顺序程序语义。
REBAR：自主性准备的参考伦理基准
机构 * University of Pennsylvania（宾夕法尼亚大学） ； David Barnes, LLC（大卫·巴恩斯公司） ； Kitware, Inc.（Kitware公司） ； Duality Robotics, Inc.（Duality机器人公司） ； Texas A&M University（德克萨斯大学） ； Charles River Analytics（查尔斯河分析公司）
AI总结 本文提出REBAR框架，通过严谨测试提供可计算的自主性准备等级，以量化伦理性能并解决现有伦理AI框架的不足。
Comments To be presented at the 2026 Workshop on Robot Ethics - Ethical, Legal and User Perspectives in Robotics and Automation (WOROBET)
Lean 与理论计算机科学的交汇：形式-非形式对中可扩展的定理证明挑战合成
机构 * D-CHAB, ETH Zurich, Zurich, Switzerland. ； D-INFK, ETH Zurich, Zurich, Switzerland. ； ETH AI Center, Zurich, Switzerland. ； University of Pennsylvania, PA, USA. ； Independent Researcher.
AI总结 本文提出利用理论计算机科学作为可扩展的严谨证明问题来源，通过算法定义自动生成大量挑战性定理-证明对，展示了在Busy Beaver问题和混合布尔算术问题上的应用，并揭示了自动定理证明在复杂问题上的局限性。
Comments Accepted to AI4MATH@ICML2025
门控KalmaNet：通过测试时岭回归实现渐逝记忆层
机构 * University of Pennsylvania（宾夕法尼亚大学） ； AWS Agentic AI（AWS 代理人工智能）
AI总结 本文提出门控KalmaNet（GKA），通过测试时岭回归实现渐逝记忆层，解决了线性状态空间模型（SSMs）在记忆过去信息时的效率与精度问题，展示了GKA在短上下文任务和长上下文任务中的优越性能。
Comments 30 pages, 10 figures. Accepted at CVPR 2026
T-FIX：基于文本的可解释性方法，具备可解释的专家特征
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 Computer Science, University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系） ； Department of Physics and Astronomy, University of Pennsylvania（宾夕法尼亚大学物理与天文学系） ； Flatiron Institute（Flatiron研究所） ； Department of Surgery, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院外科系） ； Division of Pulmonary, Allergy, and Critical Care, Perelman School of Medicine, University of Pennsylvania（宾夕菲亚大学佩雷尔曼医学院呼吸、过敏与危重医学科） ； Division of Cardiovascular Medicine, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院心血管医学科） ； Department of Surgery, University of Toronto（多伦多大学外科系） ； University Health Network（大学健康网络）
AI总结 本文提出T-FIX框架，用于评估LLM生成的解释是否符合专家的推理方式，通过七个科学任务和三个领域进行验证，实现了自动且可定制的专家对齐评估。
对比性概念激活引导（COAST）：通过隐藏状态解锁视觉-语言-动作模型
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出COAST方法，通过识别成功子空间来提升视觉-语言-动作模型在机器人任务中的性能，其核心方法是利用概念投射来引导模型向成功分布发展，从而提高任务成功率。
Comments Submitted to NeurIPS 2026
患者发声，AI倾听：基于大语言模型的在线评论分析揭示了紧急护理满意度的关键驱动因素
机构 * Electrical Engineering department, University of South Florida（佛罗里达州立大学电气工程系） ； Department of Biostatistics, Epidemiology and Bioinformatics, University of Pennsylvania（宾夕法尼亚大学生物统计学、流行病学与生物信息学系） ； Computer Science and Engineering department, University of South Florida（佛罗里达州立大学计算机科学与工程系） ； Mathematics & Statistics, University of South Florida（佛罗里达州立大学数学与统计学系） ； Department of Computer Science and Engineering, University of Missouri Science and Technology（密苏里科技大学计算机科学与工程系） ； School of Medicine, Stanford University（斯坦福大学医学院） ； Department of Computer Science, Rutgers University（罗格斯大学计算机科学系） ； Department of Biostatistics, Vanderbilt University（范德比尔特大学生物统计学系）
AI总结 本文利用大语言模型分析在线评论，揭示紧急护理满意度的关键因素，发现人际因素和运营效率是主要决定因素，其他因素在调整后无显著影响。
选择性学习中泛化理论的实用性研究
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文从理论与实践角度探讨选择性学习的泛化能力，提出基于有符号测度的可学习预测方法，并改进OOF泛化性能。
Comments 15 pages. Technical Report (Extended Version)
支持安全的变分混合滤波器用于接触模式和稀疏定律恢复
机构 * Human Nature Lab, Yale University（耶鲁大学人类本质实验室） ； Department of Statistics and Data Science, The Wharton School, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系，沃顿商学院）
AI总结 本文提出VHYDRO变分混合动力学习器，通过混合学习的提案与可行转换律，防止分支丢失，实现连续状态和离散接触模式的联合推断，并在稀疏端-哈密顿定律恢复中提供三种保障。
CheckSupport：一种基于本地LLM的自动化手稿提交检查清单选择与完成工具
机构 * Department of Radiology, Perelman School of Medicine at University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学学院放射科） ； Department of Computer Science, Drexel University（德雷塞尔大学计算机科学系） ； Department of Computer and Information Science, 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计算机与信息科学系） ； Department of Radiology, Cooper University Hospital（科珀大学医院放射科） ； University of California Davis Graduate School of Management（加州大学戴维斯分校管理研究生院）
AI总结 本文提出CheckSupport，利用本地LLM自动化选择和完成检查清单，提升科研报告的透明度和可重复性。系统通过分阶段提示策略实现高准确率，运行在CPU上，每篇手稿耗时12.5秒，准确率达90%。
SPDEBench：学习随机偏微分方程的广泛基准
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Cambridge（剑桥大学） ； University of Sydney（悉尼大学） ； Imperial College London（伦敦帝国理工学院） ； University College London（伦敦大学学院） ； Fujian Normal University（福建师范大学） ； Beijing Institute of Technology（北京理工大学） ； Chinese Academy of Sciences（中国科学院）
AI总结 本文提出SPDEBench，首个统一的ML学习随机偏微分方程基准，提供物理和数学重要的1-3维领域数据集，涵盖正则和奇异SPDE，并包含7种评估指标，验证模型精度、鲁棒性和分布外泛化能力。
通过采样和局部互补性近似全局接触-隐式MPC
机构 * GRASP Laboratory at the University of Pennsylvania（宾夕法尼亚大学GRASP实验室） ； Boston Dynamics（波士顿动力） ； Amazon Robotics（亚马逊机器人技术）
AI总结 本文提出一种结合局部互补性控制与全局采样方法的控制器，用于实时灵活操作。通过在每个控制循环中先进行无接触阶段再进行接触密集阶段，实现对非凸物体的精确非抓取操作。
Comments S.V. and B.B. contributed equally to this work. Accepted to RA-L 2025; presented at ICRA 2026. Project page: https://approximating-global-ci-mpc.github.io
Journal ref IEEE Robotics and Automation Letters, volume 10, number 11, pages 12117-12124, September 2025
Kolmogorov超位置定理的深度学习替代方案
机构 * Graduate Group in Applied Mathematics and Computational Science（应用数学与计算科学联合研究生组） ； University of Pennsylvania（宾夕法尼亚大学） ； Department of Mechanical Engineering & Applied Mechanics（机械工程与应用力学系）
AI总结 本文探讨了Kolmogorov超位置定理的替代形式，提出ActNet模型克服原有形式的缺陷，在PINNs框架中表现优异，适用于科学计算和PDE模拟。
Journal ref Guilhoto, Leonardo Ferreira, and Paris Perdikaris. "Deep Learning Alternatives Of The Kolmogorov Superposition Theorem." The Thirteenth International Conference on Learning Representations (ICLR 2025)
在函数空间中使用NEON进行复合贝叶斯优化
机构 * Graduate Group in Applied Mathematics and Computational Science（应用数学与计算科学联合研究生组） ； University of Pennsylvania（宾夕法尼亚大学） ； Department of Mechanical Engineering and Applied Mechanics（机械工程与应用力学系）
AI总结 本文提出NEON网络，通过单一运算符网络 backbone 实现预测不确定性，用于解决复合贝叶斯优化问题，展示其在toy和现实场景中优于其他方法。
Journal ref Guilhoto, Leonardo Ferreira, and Paris Perdikaris. "Composite Bayesian optimization in function spaces using NEON - Neural Epistemic Operator Networks." Scientific Reports 14.1 (2024): 29199
核回归中的平均梯度外积在多索引模型中可证明恢复中心子空间
机构 * Department of Mathematics, University of Washington, Seattle, WA 98195（华盛顿大学数学系，华盛顿州西雅图98195） ； Wharton Department of Statistics and Data Science, University of Pennsylvania, Philadelphia, PA 19104, USA（宾夕法尼亚大学沃顿统计与数据科学系，美国费城19104） ； Department of Mathematics, U. Washington, Seattle, WA 98195（华盛顿大学数学系，华盛顿州西雅图98195） ； Department of Electrical & Computer Engineering, University of Washington, Seattle, WA 98195, and Amazon, Inc（华盛顿大学电气与计算机工程系，华盛顿州西雅图98195，亚马逊公司）
AI总结 本文研究了在有限样本下通过核岭回归恢复多索引模型中心子空间的方法，证明了平均梯度外积的前r个特征空间能有效恢复中心子空间，展示了预测与表示的分离性。
Comments 95 pages, 12 figures
InfoSFT: 通过信息感知的标记加权学习更多并忘记更少
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学）
AI总结 InfoSFT通过信息感知的标记加权方案改进监督微调，提升泛化能力并保留原有能力，适用于数学、代码和推理任务。
多模态回归主动学习的互信息下界
机构 * Graduate Group on Applied Mathematics & Computational Science（应用数学与计算科学研究生组） ； Department of Computer and Information Science（计算机与信息科学系） ； University of Pennsylvania（宾夕法尼亚大学） ； Department of Mechanical Engineering and Applied Mechanics（机械工程与应用力学系）
AI总结 本文提出多模态回归主动学习的互信息下界方法，通过两个索引框架区分epistemic和aleatoric不确定性，证明其在数据集增长时趋于零，且在多模态系统基准中优于其他基线方法。
收缩与hourglass持久性用于图、单纯形和细胞上的学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Aalto University（艾尔沃斯大学） ； Indian Institute of Technology Bombay（印度班加罗尔理工学院） ； YaiYai Ltd（YaiYai公司）
AI总结 本文提出收缩同调和hourglass持久性，通过结合包含和收缩操作提升图神经网络的表达能力与稳定性，适用于图、单纯形和细胞网络。
Comments 31 pages, 6 figures, 4 algorithms, 2 tables. Accepted at ICLR 2026
LMPath：基于语言引导的先验与路径生成用于航空探索
机构 * GRASP Laboratory（GRASP实验室） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出LMPath，通过结合语言模型和视觉模型，生成基于语义的航空探索路径，提升大规模环境中的搜索效率。
Comments Poster at 2026 AI-Driven Safe Aerial Robotics Workshop
AdaptNC: 适应性非符合分数用于分布偏移下的符合预测
机构 * Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系）
AI总结 本文提出AdaptNC框架，通过联合在线调整非符合分数参数和符合阈值，解决分布偏移下的预测区域保守问题，实验表明其在保持覆盖率的同时显著减少预测区域体积。
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