高校专区
eCP：基于预训练模型的等变符合预测
机构 * GRASP Laboratory, Department of Electrical & Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系GRASP实验室） ； Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Automatic Control Laboratory, ETH Zürich（苏黎世联邦理工学院自动控制实验室）
AI总结 本文提出eCP方法，通过结合几何信息和预训练模型，改进符合预测的不确定性区域，提升高置信度下的预测精度。
隐私保护的大语言模型路由
机构 * Department of Electrical and Computer Engineering, University of Pittsburgh（匹兹堡大学电气与计算机工程系） ； Department of Computer Science, University of Central Florida（中央佛罗里达大学计算机科学系） ； 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） ； Department of Computer Science, University of Maryland（马里兰大学计算机科学系） ； Department of Computer Science, Florida State University（佛罗里达州立大学计算机科学系）
AI总结 本文提出PPRoute框架，通过MPC友好的操作加速编码器推理，维护路由质量，并采用无序Top-k算法降低通信延迟，实现高效隐私保护的大语言模型路由。
将因果机器学习整合到临床决策支持系统中：文献与实践的见解
机构 * University of Bayreuth and Fraunhofer FIT（拜罗伊特大学和弗劳恩霍夫 FIT 研究所） ； Technical University of Munich（慕尼黑技术大学） ； Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院）
AI总结 本文探讨了如何设计基于因果机器学习的临床决策支持系统，提出八个设计需求、七个设计原则和九个实用特征，以提升临床决策协作的可信度和实用性。
Comments Accepted at the Thirty-Fourth European Conference on Information Systems (ECIS 2026), Milan, Italy
通过奖励进行 scouting：由 VLM-TO-IRL 驱动的电子竞技玩家选拔
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Cornell University（康奈尔大学）
AI总结 本文提出一种基于逆强化学习的电子竞技玩家选拔框架，通过学习专业选手的奖励函数，利用多模态双分支架构和 GAIL 目标实现玩家风格匹配评估，提升人才发现效率。
零消融高估了DINO视觉变换器中注册内容的依赖性
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins Applied Physics Laboratory（约翰霍普金斯应用物理实验室）
AI总结 研究通过零消融实验发现，DINOv2+和DINOv3的注册内容对分类和分割任务至关重要，但其他替换控制方法如均值替换、噪声替换和跨图像注册洗牌能保持性能，表明注册内容并非绝对必要。
Comments 12 pages, 10 figures, to be published in CVPR 2026 HOW Vision Interpretability Workshop Proceedings
流体与力场：从力和示范引导的仿真数据中学习3D顺应性流匹配策略
机构 * GRASP Lab, University of Pennsylvania（GRASP实验室，宾夕法尼亚大学）
AI总结 本文提出一种框架，通过单人示范生成力引导的仿真数据，结合顺应性策略提升视觉模仿学习的性能，验证了在真实机器人任务中的可靠性与适应性。
Comments Accepted to ICRA 2026
从RGB估算森林中树木的胸径
机构 * General Robotics, Automation, Sensing and Perception (GRASP) Laboratory, University of Pennsylvania（通用机器人、自动化、传感与感知实验室，宾夕法尼亚大学） ； Department of Forest Resources and Environmental Conservation, Virginia Tech（森林资源与环境保护系，弗吉尼亚理工学院）
AI总结 本文提出一种低成本方法，利用消费级360视频相机估算树木胸径，结合SfM摄影测量和语义分割技术，实现高精度测量。
正确预测，错误步骤？基于共识推理的知识图谱用于鲁棒的推理链合成
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； University of Pennsylvania（宾夕法尼亚大学） ； Huazhong University of Science and Technology（华中科技大学） ； Hong Kong Polytechnic University（香港理工大学） ； RLWRLD
AI总结 本文提出CRAFT框架，通过构建共识推理知识图谱缓解LLM推理中的内部和步骤性错误，提升推理链质量，实验显示其在逻辑和数学推理基准上表现优越。
新闻出版商对生成式人工智能的战略回应
机构 * Rutgers Business School（罗格斯商学院） ； The Wharton School of the University of Pennsylvania（宾夕法尼亚大学沃顿商学院）
AI总结 研究分析生成式人工智能对新闻出版商的影响，发现其通过封锁LLM访问、转向高质量内容及增加招聘需求等策略应对竞争威胁。
FAST：一种结合注意机制和状态空间模型的协同框架用于时空交通预测
机构 * Columbia University（哥伦比亚大学） ； San Francisco State University（旧金山州立大学） ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 FAST结合注意机制和状态空间模型，提出了一种可扩展的时空交通预测框架，通过时空-时空架构和Mamba基的空模块，有效捕捉短期和长期时间模式及长距离传感器依赖，实验表明其在精度、可扩展性和泛化性上均优于现有方法。
Comments Accepted by ICME 2026
适应性梯度下降在四阶增长和凸性下近线性收敛的简短证明
机构 * Department of Statistics and Data Science, The Wharton School, University of Pennsylvania（统计与数据科学系，沃顿商学院，宾夕法尼亚大学） ； Halicioğlu Data Science Institute, University of California, San Diego（Halicioğlu数据科学研究所，加州大学圣地亚哥分校）
AI总结 本文通过Lyapunov方法证明了在四阶增长和凸性条件下，适应性梯度下降具有近线性收敛性，并提出更高效的变体算法。
无U-turn采样变体的理论比较：在高斯目标下的必要和充分收敛条件及混合时间分析
机构 * Université Paris-Saclay, ENS Paris-Saclay, Centre Borelli（巴黎-萨克雷大学，巴黎-萨克雷高等师范学院，Borelli中心） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文比较了NUTS-mul和NUTS-BPS两种变体，推导了几何平稳性条件，分析了混合时间，发现两者在定性行为上相似，但收敛速率存在差异。
可重复的强化学习与线性函数逼近
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出可重复的强化学习算法，针对线性函数逼近问题，设计了高效的随机设计回归和协方差估计算法，并在生成模型和片段设置中实现了可证明高效的可重复RL算法，通过实验验证了其对神经策略的一致性影响。
Comments ICLR 2026
UCS：用于改进上下文学习的未见覆盖估计
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 UCS通过基于覆盖的免训练方法改进上下文学习，通过诱导离散潜在聚类和估计候选子集中的未揭示聚类数量，提升模型性能。
Comments ACL 2026 Findings; 17 pages, 3 figures
一种高效生成数字乳腺断层摄影密集组织地面真实掩码的工作流程
机构 * Department of Radiology, University of Pittsburgh（匹兹堡大学放射科） ； Center of Informatics, Federal University of Paraíba（巴西北部联邦大学信息中心） ； Department of Radiology, University of Pennsylvania（宾夕法尼亚大学放射科） ； Department of Industrial Engineering, University of Pittsburgh（匹兹堡大学工业工程系）
AI总结 本文提出一种节省时间和劳动力的方法，通过标注中央切片生成密集组织分割掩码，提升乳腺断层摄影图像中纤维腺体组织分割的准确性与效率。
定位、引导与改进：大型语言模型中可操作机制可解释性的一项实用调查
机构 * The University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； LMU Munich（慕尼黑大学） ； Tsinghua University（清华大学） ； Technische Universität Darmstadt（达姆施塔特技术大学） ； Technische Universität Berlin（柏林技术大学） ； Technische Universität Dresden（德累斯顿技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Nanjing University（南京大学） ； University of Manchester（曼彻斯特大学） ； Dartmouth College（达特茅斯学院） ； University of California Los Angeles（加州大学洛杉矶分校） ； University of Michigan（密歇根大学） ； Microsoft（微软） ； Tencent（腾讯）
AI总结 本文提出一个实用调查，围绕'定位、引导与改进'流程，系统分类定位和引导方法，展示如何通过该框架提升模型对齐、能力和效率。
在大量智能体轨迹中检测安全违规
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出Meerkat方法，通过聚类与智能体搜索结合，有效发现自然语言指定的安全违规，提升检测效率并发现广泛开发者作弊和奖励黑客行为。
Comments 35 pages, 17 figures
LitPivot：通过文献景观中的动态情境化和批判发展良好的研究想法
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Allen Institute for AI（艾伦人工智能研究所） ； Google（谷歌）
AI总结 本文提出LitPivot，通过动态情境化和批判在文献景观中发展研究想法，通过文献检索和反馈提升想法质量。
当验证失败时：如何组成不可行的主张逃避拒绝
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文探讨了现有验证基准无法区分严格验证与简单显著约束依赖的问题，通过构造组成不可行的主张，揭示了模型在验证中的固有瓶颈。
Comments 25 pages, 9 figures
美国和中国的人工智能专利：测量、组织与知识流动
机构 * University of Pennsylvania（宾夕法尼亚大学） ； NBER（美国国家经济研究局） ； Durham University（杜伦大学） ； Tsinghua University（清华大学）
AI总结 研究通过高精度分类器测量AI专利，发现中美专利增长迅速且领域趋同，但组织模式差异显著，且中国在专利数量上超越美国。
打乱数据，扩大步长：在固定步长SGD中更精确的偏倚
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Archimedes Research Unit（阿基米德研究单位）
AI总结 本文研究了在有限和最小-最大优化问题中，通过随机重洗数据和Richardson-Romberg外推的组合，提升固定步长SGD的收敛性，提供理论保证和实验验证。
Comments Accepted in ICLR 2026 Conference
基于采样的自适应运动规划：SBAMP
机构 * General Robotics, Automation, Sensing and Perception (GRASP) Laboratory, University of Pennsylvania（宾夕法尼亚大学通用机器人、自动化、感知与感知（GRASP）实验室）
AI总结 SBAMP结合RRT*全局规划与在线Lyapunov稳定的SEDS控制器，实现动态环境下的稳定实时适应与全局路径保持。
VGGT-HPE：将头部姿态估计重新表述为相对姿态预测
机构 * Archimedes, Athena Research Center（雅典娜研究中心阿基米德实验室） ； HERON – Hellenic Robotics Center of Excellence（HERON – 希腊机器人卓越中心） ； Robotics Institute, Athena Research Center（雅典娜研究中心机器人研究所） ； School of ECE, National Technical University of Athens（雅典国家技术大学电子与计算机工程学院） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出VGGT-HPE，通过相对姿态预测方法提升头部姿态估计的鲁棒性和准确性，在无真实数据训练的情况下，在BIWI基准上取得最佳成绩。
Comments CVPRW 2026
Transformer 学习多令牌高斯混合分布的最优 DDPM 去噪器
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 本文研究了Transformer基于扩散模型在多令牌高斯混合分布数据去噪中的收敛性，理论分析了去噪目标的最优解与训练迭代次数的关系，揭示了自注意力机制在去噪中的作用。
迈向可解释临床决策评分的符号回归
机构 * Federal University of ABC（ABC联邦大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Institute for Biomedical Informatics, University of Pennsylvania（宾夕法尼亚大学生物医学信息学研究所） ； Boston Children's Hospital, Harvard Medical School（哈佛医学院波士顿儿童医院）
AI总结 本文提出Brush算法，结合决策树分裂与非线性常数优化，实现规则逻辑与符号回归的融合，提升临床评分的可解释性与预测性能。
Comments 15 pages, 5 figures. Accepted for publication in Philosophical Transactions A. Autor Accepted Manuscript version
相对熵路径策略优化
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； TU Wien（维也纳工业大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Warsaw（华沙大学） ； UC Berkeley（加州大学伯克利分校） ； Polytechnique Montréal（蒙特利尔综合理工学院） ； Mila – Quebec AI Institute（Mila – 魁北克人工智能研究所）
AI总结 本文提出REPPO算法，通过路径策略梯度结合在线学习，提升训练稳定性与效率，展现优越的样本效率和内存表现。
可探索的定理：通过将其基于形式化表示来使书面定理可探索
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Brown University（布朗大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University at Buffalo（布法罗大学）
AI总结 本文提出可探索的定理系统，利用LLM将定理和证明转化为Lean语言，使用户能交互式地逐步验证证明并测试例子，提升数学理解。
Long-SCOPE：完全稀疏的长距离协作3D感知
机构 * Tsinghua University（清华大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Nanyang Technological University（南洋理工大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出Long-SCOPE框架，通过几何引导查询生成模块和上下文感知关联模块，解决远距离协作3D感知中的计算复杂性和特征关联问题，实现高精度低开销的长距离感知。
Comments Accepted by CVPR 2026
字典对齐的概念控制用于保护多模态大语言模型
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Amazon（亚马逊） ； University of Central Florida（中佛罗里达大学）
AI总结 本文提出字典对齐的概念控制框架，通过定制概念字典和稀疏自编码器实现对多模态大语言模型激活的精细控制，提升安全性的同时保持通用能力。
Comments Accepted in CVPR 2026. Project page: https://peterljq.github.io/project/daco
dnaHNet：一种可扩展且分层的基因组序列学习基础模型
机构 * University of Toronto（多伦多大学） ； University of California, San Francisco（加州大学旧金山分校） ； University of California, Berkeley（加州大学伯克利分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Vector Institute（向量研究所） ； University Health Network（大学健康网络） ； Arc Institute（Arc研究所） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 dnaHNet提出一种无需分词的自回归模型，通过可微的动态分块机制压缩基因组序列，实现高效且可扩展的基因组学习，优于现有模型并在零样本任务中表现优异。
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