高校专区
再三思考后再写作——一种基于熵的解码策略以增强大语言模型推理
机构 * Oracle AI Science（甲骨文人工智能科学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出一种基于熵的解码策略，通过在生成过程中引入令牌级适应性，提高大语言模型的推理能力，实验表明在GSM8K等数据集上表现优异。
Science-T2I: 解决图像合成中的科学幻觉
机构 * New York University（纽约大学） ； University of Washington（华盛顿大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本文提出ScienceT2I数据集，评估18种图像生成模型，发现科学提示能显著提升生成效果，提出SciScore奖励模型和两阶段对齐框架提升科学推理能力。
Comments Accepted to CVPR 2025. Code, docs, weight, benchmark and training data are all avaliable at https://jialuo-li.github.io/Science-T2I-Web
OmniRoam：通过长视界全景视频生成实现世界漫游
机构 * University of California, Irvine（加州大学尔湾分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； City University of Hong Kong（香港城市大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Adobe Research（Adobe研究院）
AI总结 本文提出OmniRoam框架，利用全景视频生成实现长视界场景漫游，通过预览和精炼阶段提升视频质量和一致性，实验表明其在视觉质量、可控性和长期一致性方面优于现有方法。
Comments Code is available at https://github.com/yuhengliu02/OmniRoam
医疗团队中的生理与语义模式：基于智能教学系统
机构 * McGill University（麦吉尔大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 研究通过智能教学系统分析医疗团队在诊断虚拟患者时的生理和对话动态，发现语义变化与生理同步峰值相关，且高生理同步伴随低语义相似性，揭示了团队协作中的关键时刻。
Comments Accepted as short paper to the 27th International Conference on Artificial Intelligence in Education (AIED 2026)
MathGen：通过文本到图像生成揭示数学能力的幻觉
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Michigan（密歇根大学） ； The Ohio State University（俄亥俄州立大学） ； USTC（中国科学技术大学） ； City University of Hong Kong（香港城市大学） ； University of Wisconsin（威斯康星大学） ； UCSB（加州大学圣塔芭芭拉分校） ； University of Hong Kong（香港大学） ； Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 MathGen通过900道跨七个核心领域的数学问题，评估生成模型在视觉化数学解答中的准确性，发现现有模型在数学 fidelity 上存在显著瓶颈。
SIMPACT：基于视觉-语言模型的仿真增强动作规划
机构 * UMD（马里兰大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Harvard（哈佛大学） ； Amazon FAR（亚马逊FAR） ； UPenn（宾夕法尼亚大学）
AI总结 SIMPACT通过仿真循环世界建模赋予视觉-语言模型物理推理能力，实现高效动作规划，优于现有通用机器人操作模型，在五个复杂真实世界任务中表现优异。
Comments Accepted to CVPR 2026; camera-ready version
人工智能的未来是多元而非单一
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出应摒弃单一超级智能代理的AI发展思路，主张通过多元AI代理团队促进突破性创新与科学发现。
Comments 25 pages, 0 figures
层次化概念嵌入与追求用于可解释的图像分类
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出HCEP框架，通过在潜在空间中诱导概念嵌入的层次结构，利用层次稀疏编码恢复图像中的概念，提升分类可解释性与精度。
Comments To be published in Conference on Computer Vision and Pattern Recognition (CVPR) 2026
可解释提升机的统计推断
机构 * School of Economics, Fudan University（复旦大学经济学院） ； Department of Statistics and Data Science, The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院统计与数据科学系）
AI总结 本文提出利用梯度提升的统计推断方法，通过移动平均替代树的求和（Boulevard正则化），使提升过程收敛于特征核岭回归，实现渐近正态预测并达到最小最大最优MSE，同时构建预测区间和置信区间，提升EBM的可解释性。
Comments Accepted to AISTATS 2026 (poster)
跟随你的内心：面向点即护理超声的标志引导换能器姿态评分
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Michigan（密歇根大学） ； Central Michigan University（中密歇根大学）
AI总结 本文提出一种多任务网络，通过换能器姿态评分模块和不确定性强的左室标志检测器，自动估计左室射血分数，无需复杂设备即可指导A4CH视图获取。
Comments Accepted for oral presentation at the International Symposium on Biomedical Imaging 2026
自主代理协调数字孪生（AADT）：利用OpenClaw框架实现罕见遗传病中的状态同步
机构 * Raymond G. Perelman Center for Cellular and Molecular Therapeutics, Children's Hospital of Philadelphia（费城儿童医院雷蒙德·G·佩雷尔曼细胞与分子治疗中心） ； Applied Mathematics and Computational Science Graduate Program, University of Pennsylvania（宾夕法尼亚大学应用数学与计算科学研究生项目） ； Bioengineering Graduate Program, University of Pennsylvania（宾夕法尼亚大学生物工程研究生项目） ； Department of Biomedical Informatics, Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心生物医学信息学系） ； Department of Pathology and Laboratory Medicine, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院病理学与实验医学系）
AI总结 本文提出基于OpenClaw框架的自主代理协调数字孪生框架，通过持续监控数据流和自动化工作流，实现医疗数字孪生状态与纵向表型更新和进化基因组知识的同步，提升罕见病诊断和疾病进展建模的准确性。
基于神经网络的糖尿病血糖预测中的不确定性量化
机构 * Gryphon Center for A.I. and Theoretical Sciences（格里芬人工智能与理论科学中心） ； University of Pennsylvania, Perelman School of Medicine（宾夕法尼亚大学佩雷尔曼医学院）
AI总结 本文研究了用于1型糖尿病血糖预测和不良血糖事件识别的不确定性感知神经网络模型，通过LSTM、GRU和Transformer架构的三种序列模型，结合蒙特卡洛dropout或证据输出层进行不确定性量化，发现基于Transformer的模型在预测准确性和不确定性校准方面表现最佳。
Comments 20 pages, 7 figures; v2: minor revisions with PR-AUC curves included in result analysis. Code available at https://github.com/HaiSiong-Tan/Uncertainty_aware_glucose_prediction
M4Human: 一种大规模多模态毫米波雷达基准用于人体网格重建
机构 * NTU（南洋理工大学） ； University of Edinburgh（爱丁堡大学） ； UPenn（宾夕法尼亚大学） ； UCL（伦敦大学学院） ； MIT（麻省理工学院）
AI总结 本文提出M4Human，首个大规模多模态毫米波雷达基准，提供高分辨率雷达、RGB和深度数据，用于解决传统视觉传感的遮挡、光照和隐私问题，推动人体建模研究。
AI能否成为教学伙伴？评估ChatGPT、Gemini和DeepSeek在三种教学策略中的表现
机构 * Federal Institute of São Paulo (IFSP)（圣保罗联邦学院） ； Graduate School of Education of University of Pennsylvania (UPENN)（宾夕法尼亚大学教育研究生院） ； Institute of Mathematics and Computer Sciences of University of São Paulo (USP)（圣保罗大学数学与计算机科学研究所） ； Nucleus of Excellence in Social Technologies (NEES) of Federal University of Alagoas (UFAL)（阿拉戈斯联邦大学社会技术卓越中心）
AI总结 本文评估了ChatGPT、Gemini和DeepSeek在示例、解释与类比及苏格拉底方法三种教学策略中的表现，发现模型在前两种策略中表现相似，但在苏格拉底方法中表现差异显著，ChatGPT和Gemini得分较高，而DeepSeek得分较低。
内部知识：RAG系统能从评估秘密中获得多少收益？
机构 * University of New Hampshire（新罕布什尔大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Human Language Technology Center of Excellence, Johns Hopkins University（约翰霍普金斯大学人类语言技术卓越中心）
AI总结 本文通过对比实验探讨RAG系统在评估秘密泄露时的评估风险，指出盲评和方法多样性的重要性。
Comments To appear in ECIR 2026, Lecture Notes in Computer Science, Volume 16483
将问答 nugget 融入检索增强生成
机构 * University of New Hampshire（新罕布什尔大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Yale University（耶鲁大学） ； University of Amsterdam（阿姆斯特丹大学） ； Human Language Technology Center of Excellence, Johns Hopkins University（约翰霍普金斯大学人类语言技术卓越中心）
AI总结 本文提出Crucible系统，通过构建问答nugget库提升生成质量，保留引用溯源，优于现有系统。
Comments To appear in the Proceedings of ECIR 2026, Lecture Notes in Computer Science, Volume 16484
评估神经语言模型作为语言习得的认知模型
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Stony Brook University（石溪大学）
AI总结 本文指出现有神经语言模型语法能力评估基准不够严谨，建议使用经过严格评估的语料库以更准确研究语言习得机制。
Comments To appear in the GenBench 2023 workshop proceedings, the first workshop on (benchmarking) generalisation in NLP. GenBench 2023 will be held at EMNLP 2023 on December 6, 2023
为医学图像中的概念驱动病变分割适应Segment Anything Model 3：一项实验研究
机构 * The Medical Artificial Intelligence and Automation (MAIA) Laboratory, Department of Radiation Oncology, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心放射肿瘤学系医学人工智能与自动化（MAIA）实验室） ； Medical Image Processing Group, Department of Radiology, University of Pennsylvania（宾夕法尼亚大学放射学系医学图像处理组） ； Division of Digestive and Liver Diseases, Department of Internal Medicine, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心内科学系消化与肝脏疾病科）
AI总结 本文评估SAM3在多模态医学图像中的病变分割性能，通过几何框和概念提示提升鲁棒性，并展示其跨模态泛化能力。
Comments 31 pages, 8 figures
HELIOS：面向开放场景的语言引导交互的分层探索
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Michigan（密歇根大学）
AI总结 HELIOS通过分层场景表示和搜索目标，解决开放环境中语言指令与部分观测场景的语义关联及动态更新问题，实现高仿真实验和现实场景中的语言引导抓取放置任务。
通过原理性提升大语言模型的注意力来实现指令遵循
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出InstABoost方法，通过提升指令相关注意力来增强指令遵循，避免了其他方法的缺陷，提升了指令引导与任务相关上下文的平衡。
符合性选择预测与通用风险控制
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）
AI总结 本文提出SCoRe框架，通过符合性推理和假设检验方法，在无需统一集中假设的情况下，为任何训练好的模型和用户定义的有界连续风险提供风险控制保证，并应用于药物发现、健康风险预测和大语言模型等领域。
MIGHTY：基于Hermite样条的高效轨迹规划
机构 * Department of Aeronautics and Astronautics, Massachusetts Institute of Technology（航空航天系，麻省理工学院） ； Department of Electrical and Systems Engineering, University of Pennsylvania（电气与系统工程系，宾夕法尼亚大学）
AI总结 MIGHTY通过Hermite样条实现时空优化，利用连续搜索空间提升效率，仿真中计算时间与旅行时间分别减少9.3%和13.1%，硬件测试中实现高速飞行和动态障碍物应对。
Comments 10 pages, 12 figures
可泛化的心脏磁共振成像深度学习系统
机构 * Division of Cardiovascular Surgery, Department of Surgery, University of Pennsylvania（宾夕法尼亚大学心血管外科 division） ； Department of Cardiothoracic Surgery, Stanford University（斯坦福大学心胸外科 department） ； Department of Radiology, Medstar Georgetown University Hospital（梅奥医疗中心乔治城大学医院放射科 department） ； Department of Radiology and Biomedical Imaging, University of California, San Francisco（加州大学旧金山分校放射科和生物医学成像 department） ； Bunkerhill Health, San Francisco（旧金山布纳克希尔健康机构） ； Department of Radiology, University of Pennsylvania（宾夕法尼亚大学放射科 department） ； Division of Cardiovascular Medicine, Department of Medicine, University of Pennsylvania（宾夕法尼亚大学心血管医学 division） ； Division of Cardiovascular Medicine, Department of Medicine, Genetics, and Biomedical Data Science, Stanford University（斯坦福大学心血管医学 division） ； Department of Radiology, Medicine, and Biomedical Data Science, Stanford University（斯坦福大学放射科、医学和生物医学数据科学 department）
AI总结 本文提出一种可泛化的心脏MRI深度学习系统，通过自监督对比学习从放射科报告文本中学习心脏MRI动态序列中的视觉概念，展示了在多种任务上的卓越性能，包括左心室射血分数回归和39种心脏疾病的诊断。
Comments Published in Nature Biomedical Engineering; Supplementary Appendix available on publisher website. Code: https://github.com/rohanshad/cmr_transformer
Journal ref Nat. Biomed. Eng (2026)
神经网络作为局部到全局计算
机构 * Department of Mathematics, University of Pennsylvania（宾夕法尼亚大学数学系）
AI总结 本文通过构造细胞sheaf，将神经网络的前向传递过程转化为局部到全局的计算，证明了其收敛性和独特性质，展示了sheaf训练方法在小规模任务中的有效性。
Comments 43 pages, 21 figures
考虑延迟的扩散策略：在动态任务中弥合观察-执行差距
机构 * University of Pennsylvania（宾夕法尼亚大学） ； FieldAI
AI总结 本文提出考虑延迟的扩散策略（DA-DP），通过在策略学习中显式纳入推理延迟，提高了动态任务中对延迟的鲁棒性，并展示了其在多种任务和机器人上的有效性。
Hamiltonian Monte Carlo的算法预热
机构 * UToronto（多伦多大学） ； UPenn（宾夕法尼亚大学） ； Yale（耶鲁大学）
AI总结 本文研究了在强凹性和三阶导数约束下，通过非Metropolized HMC生成预热的算法复杂度，证明了在$\ ilde{O}(d^{1/4})$次迭代后可实现高效采样，改进了传统HMC的复杂度。
特征归因解释中的缺失偏置校准
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出MCal方法，通过轻量级后处理修正特征重要性评分中的缺失偏置，效果优于传统重训练方法。
在学术同行评审中检测人工智能生成内容
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Children’s Hospital of Philadelphia（费城儿童医院）
AI总结 研究通过检测模型分析ICLR和Nature Communications同行评审中AI生成内容的时间演变，发现2022年后AI生成内容显著增加，2025年ICLR和NC分别有20%和12%的评审被归类为AI生成。
主动学习中可重复性的成本
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Penn Institute for Computational Science（宾夕法尼亚大学计算科学研究所）
AI总结 本文研究了主动学习中可重复性带来的样本复杂性增加，提出两种可重复的主动学习算法，在保证一致性的同时实现标签节省。
Journal ref Transactions on Machine Learning Research, 2026
通过视频变换器检测呼吸状态
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Washington（华盛顿大学）
AI总结 本文研究了视频变换器在检测呼吸窘迫中的应用，通过构建标注数据集验证了ViViT结合LieRE和Motion Guided Masking的方法在呼吸状态识别中的有效性。
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