高校专区
MERIT: 多领域高效RAW图像翻译
机构 * University of California, Irvine（加州大学尔湾分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Purdue University Northwest（普渡大学西北分校） ； The University of Tokyo（东京大学）
AI总结 MERIT提出首个统一多领域RAW图像翻译框架，通过单模型实现跨任意相机域的翻译，引入传感器感知噪声建模损失和条件多尺度大核注意力模块，结合MDRAW数据集验证其在质量和可扩展性上的优势。
在正八面体 regime 中的神经坍缩
机构 * Department of Mathematics, University of Southern California（南加州大学数学系） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Department of Mathematics, The Ohio State University（俄亥俄州立大学数学系） ； Translational Data Analytics Institute, The Ohio State University（俄亥俄州立大学转化数据分析研究所） ； Department of Mathematics, University of Maryland（马里兰大学数学系） ； 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 研究在正八面体 regime 中神经网络特征向量的几何特性，利用Radon定理和凸性分析不同场景下的坍缩现象。
CAMEL：一种用于预测心脏事件的ECG语言模型
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 CAMEL是首个能处理长信号的ECG语言模型，通过专门的编码器实现ECG与文本的跨理解，展示了在六个任务和九个数据集上的强大零样本性能，包括新提出的ECGForecastBench基准测试。
Comments 24 pages, 6 figures
不同的人口统计线索导致对LLM个性化和偏见的结论不一致
机构 * World Bank（世界银行） ； University of Oxford（牛津大学） ； New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学） ； LMU Munich（慕尼黑大学） ； Allen Institute for AI（人工智能研究院）
AI总结 研究通过1480万个提示测试了人口统计线索对LLM响应的影响，发现同一群体的不同线索导致响应变化不一致，偏见结论不稳定，揭示了身份线索与语言信号的关系。
保持可行性被动扭矩控制
机构 * University of Pennsylvania（宾夕法尼亚大学） ； UIUC（伊利诺伊大学香槟分校）
AI总结 本文利用可行性理论预计算关节位置和速度的状态空间安全集，通过数据驱动和分析方法避免自碰撞和外部物体碰撞，约束关节加速度从而限制扭矩，通过二次规划框架确保机器人状态在无限时间范围内保持安全。
Comments 8 pages, 7 figures, Project Website: https://vpp-tc.github.io/webpage/
DataProphet：解开多模态大语言模型监督数据泛化之谜
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Tsinghua University（清华大学） ； Princeton University（普林斯顿大学）
AI总结 本文提出DataProphet，一种无需训练的指标，通过结合多模态困惑度、相似性和数据多样性，有效评估监督数据对目标基准的影响，实现更优的数据选择。
Comments 14 pages
足部自主表面科学在类地环境中的应用（LASSIE）：在行星探索中使每一步都发挥作用
机构 * Collaborative Robotics and Intelligent Systems Institute, Oregon State University（协作机器人与智能系统研究所，俄勒冈州立大学） ； Department of Geology and Geophysics, Texas A&M University（地质与地球物理系，德克萨斯大学） ； Department of Electrical and Computer Engineering, University of Southern California（电气与计算机工程系，南加州大学） ； Department of Earth and Environmental Science, University of Pennsylvania（地球与环境科学系，宾夕法尼亚大学） ； Department of Astronomy and Planetary Science, Northern Arizona University（天文学与行星科学系，北方亚利桑那大学） ； School of Earth and Atmospheric Sciences, Georgia Institute of Technology（地球与大气科学学院，佐治亚理工学院） ； NASA Marshall Space Flight Center（美国国家航空航天局马歇尔航天飞行中心） ； NASA Johnson Space Center（美国国家航空航天局约翰逊航天中心） ； Department of Electrical and Systems Engineering, University of Pennsylvania（电气与系统工程系，宾夕法尼亚大学） ； Department of Psychology, Temple University（心理学系， Temple 大学）
AI总结 本文提出两种新方法，通过高机动性腿部机器人和受人类启发的数据采集算法，提升行星表面探索效率，实现更灵活的科学探索与地质环境分析。
因子化Levenberg-马夸尔特法用于可微同构图像配准：一种高效的优化器用于FireANTs
机构 * 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 Electrical and Systems Engineering（电气与系统工程系） ； Department of Radiology & Penn Image Computing and Science Laboratory (PICSL)（放射科及宾夕法尼亚大学图像计算与科学实验室（PICSL）） ； Perelman School of Medicine, University of Pennsylvania（佩尔曼医学学院，宾夕法尼亚大学）
AI总结 本文提出一种改进的Levenberg-马夸尔特优化器，通过信任区域方法自适应调整单个标量阻尼参数，减少内存消耗并保持性能，适用于大体积图像和跨模态配准。
Calibeating：在自身游戏中击败预测者
机构 * Hebrew University of Jerusalem, Center for Rationality DP-743（特拉维夫大学, 理性中心 DP-743） ； University of Pennsylvania（宾夕法尼亚大学） ； Amazon（亚马逊）
AI总结 本文提出通过改进校准而不损失专业性的方法，实现预测者之间的竞争，探讨校准与专业性的平衡问题。
Comments Corrected Appendix A.7 + new Appendix A.10. Included: Addendum and Errata to the published journal version (Theoretical Economics, 2023) and to arXiv previous version v2 (2022). Web page: http://www.ma.huji.ac.il/hart/publ.html#calib-beat
Journal ref Theoretical Economics 18 (2023), 4, 1441-1474
无需可操作性：机制方法无法纠正语言模型错误，尽管内部表示几乎完美
机构 * University of California San Francisco（加州大学旧金山分校） ； Waymark ； University of Pennsylvania（宾夕法尼亚大学） ； Virginia Commonwealth University（弗吉尼亚 Commonwealth 大学） ； Stanford University（斯坦福大学）
AI总结 研究探讨了机制解释方法在纠正语言模型错误中的有效性，发现尽管内部表示接近完美，但现有方法无法有效将知识转化为正确输出，揭示了AI安全框架中的潜在问题。
Comments 27 pages, 5 figures, 10 tables. Code available at https://github.com/sanjaybasu/interpretability-triage
基于密集智能手机GPS轨迹和Transformer模型的交通模式检测
机构 * University of California San Diego（加州大学圣地亚哥分校） ； McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； University of Pennsylvania（宾夕法尼亚大学） ； Duke Kunshan University（杜克昆山大学）
AI总结 本文提出SpeedTransformer模型，利用速度输入从密集GPS轨迹中检测交通模式，实验表明其优于传统深度学习模型，并在不同地理区域表现出良好的迁移学习能力。
Comments Accepted for publication in the International Journal of Geographical Information Science, February 2026. This is the accepted manuscript. The final version of record will appear in IJGIS (Taylor and Francis)
Journal ref International Journal of Geographical Information Science (2026)
OnlineHMR：基于视频的在线世界坐标人体网格恢复
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出OnlineHMR，一种在线处理框架，通过因果键值缓存和滑动窗口学习策略实现在线世界坐标人体网格恢复，适用于AR/VR等交互场景。
Comments Accepted by CVPR 2026
用于多模态生物医学数据的可解释少样本阿尔茨海默病预测的表格LLMs
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Stony Brook University（石溪大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Medical University of South Carolina（南卡罗来纳医科大学） ； Cedars-Sinai Medical Center（西格拉姆山医疗中心）
AI总结 本文提出TAP-GPT框架，利用预训练的大语言模型进行少样本阿尔茨海默病分类，展示了其在多模态生物医学数据中的优越性能和可解释性。
蛋白质和词语共享的进化通用机制
机构 * 1 Department of Physics, National Tsing Hua University, Hsinchu 30013, Taiwan, Republic of China 2 Department of Physics ； Institute for Physical Science ； Technology, University of Maryland, College Park, MD 20742, U.S.A. 3 Institute of Molecular ； Cellular Biology \& Department of Life Science, National Tsing Hua University, Hsinchu 30013, Taiwan, Republic of China 4 Center for Global Health, Perelman School of Medicine, University of Pennsylvania, Philadelphia, Pennsylvania, U.S.A. 5 Department of Linguistics, National Tsing Hua University, Hsinchu 30013, Taiwan, Republic of China
AI总结 本文通过建立新的统计关系，揭示蛋白质和词语共同的进化机制，提出基于最小努力原理的熵公式量化自然选择，并探讨环境变化对新蛋白质和词语产生的影响。
从运动示范到新任务的零样本泛化
机构 * Department of Electrical Engineering, Chalmers University of Technology（楚基默斯技术大学电气工程系） ； GRASP Lab, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）
AI总结 本文提出通过共享工作空间整合孤立示范，实现对新任务的泛化，引入Gaussian Graph框架，结合连续控制与离散图搜索，提出Stitching和Chaining两种方法，在仿真和真实机器人实验中展现良好泛化能力。
超越二元成功：样本高效且统计严谨的机器人策略比较
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Toyota Research Institute (TRI)（丰田研究院） ； Princeton University（普林斯顿大学）
AI总结 本文提出一种样本高效且统计严谨的机器人策略比较框架，适用于多种评价指标，通过安全 anytime-valid 推断实现早期停止，减少评估负担并提升统计严谨性。
Comments 12 + 9 pages, 2 + 5 figures,
自流匹配辅助的全波形反演
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出自流匹配辅助全波形反演方法，通过流匹配学习传输场，无需大规模离线预训练，提升反演精度与鲁棒性。
STL-SVPIO：信号时序逻辑引导的Stein变分路径积分优化
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） ； Mechanical Engineering and Mechanics Department, Lehigh University（莱特大学机械工程与力学系）
AI总结 本文提出STL-SVPIO方法，通过将信号时序逻辑转化为可微的奖励塑造机制，解决复杂STL约束下的长周期连续控制轨迹合成问题，提升鲁棒性和效率。
TAS-GNN：一种状态感知的有向图神经网络用于比特币信任系统中的异常检测
机构 * Yeshiva University（耶鲁大学） ； Yale University（耶鲁大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； North Carolina State University（北卡罗来纳州立大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出TAS-GNN，一种针对稀疏有向图的新型框架，通过递归的Web-of-Trust标签和双通道信息传递架构，有效处理信任与不信任信号，并通过状态感知注意力机制实现状态感知，显著提升比特币信任系统中的异常检测性能。
Comments 13 pages, 2 figures
风险敏感型代理组合
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出一种风险最小化方法，用于在代理组合中平衡任务成功率与安全、公平和隐私要求，通过动态规划和联合界估算近优解。
Comments 19 pages, 6 figures. Accepted to ICLR 2026
DeReason: 一种考虑难度的课程改进了解耦的SFT-然后-RL训练以促进一般推理
机构 * University of Zurich（苏黎世大学） ； University of Pennsylvania（宾夕法尼亚大学） ； ETH Zurich（苏黎世联邦理工学院） ； HKUST (GZ)（香港科技大学（广州））
AI总结 DeReason通过基于难度的数据解耦策略，优化SFT与RL的训练分配，提升一般推理能力。
Comments 13 pages, 6 figures
OmniGuide: 通用引导场用于增强通用机器人策略
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 OMNIGUIDE通过整合多种引导源提升通用机器人策略在复杂任务中的性能
Comments Project Page: $\href{https://omniguide.github.io/}{this\; url}$
SafeGen-LLM: 提高机器人系统任务规划中的安全性泛化能力
机构 * University of Notre Dame（诺丁汉大学） ； Washington State University（华盛顿州立大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 SafeGen-LLM通过两阶段框架提升机器人任务规划的安全性泛化能力，优于现有基线。
Comments 12 pages, 6 figures
以资产为中心的度量-语义地图：室内环境
机构 * Department of Electrical & Systems Engineering and General Robotics, Automation, Sensing and Perception (GRASP) Laboratory at the University of Pennsylvania（宾夕法尼亚大学电气与系统工程系及通用机器人、自动化、传感与感知（GRASP）实验室） ； DEVCOM Army Research Laboratory（陆军研究实验室）
AI总结 本文提出了一种以资产为中心的度量-语义地图方法，利用四足机器人和RGB-D数据构建室内环境的高精度表示，结合自然语言和网格信息，提升机器人场景理解和导航能力。
Comments 9 pages, 8 figures, 3 tables
基于树结构的对话强化策略优化用于红队攻击
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Oracle AI ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出DialTree框架，通过树搜索和强化学习发现多轮攻击策略，提升对抗攻击的成功率
Comments Accepted at ICLR 2026
POIROT：探讨多党谋杀谜游戏中的直接实体交互与数字中介交互及态度调节
机构 * Tsinghua University（清华大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Syracuse University（Syracuse大学） ； National University of Singapore（新加坡国立大学） ； Royal College of Art（皇家艺术学院）
AI总结 POIROT研究通过实验揭示，用户对机器人的负面态度影响其在多党谋杀谜游戏中的沉浸体验，表明交互方式需根据用户倾向进行适应性调整。
Comments 16 pages, 7 figures. Accepted to the 21st ACM/IEEE International Conference on Human-Robot Interaction (HRI 2026)
正确移动，正确时机：多运动空间评估平台用于极限飞盘、篮球和足球
机构 * Nagoya University（名古屋大学） ； Aix-Marseille Université（阿维尼翁-马赛大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Shown Space ； Australian National University（澳大利亚国立大学）
AI总结 本文提出一个多运动空间评估平台，通过标准化输入和时间感知评估，实现极限飞盘、篮球和足球之间的空间度量比较，为不同运动的评估一致性提供实用解决方案。
Comments 23 pages, 6 figures
混合扩散策略与投影几何代数用于高效机器人操作学习
机构 * Department of Computer Science, Yale University（计算机科学系，耶鲁大学） ； Department of Computer and Information Science, University of Pennsylvania（计算机与信息科学系，宾夕法尼亚大学） ； 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 本文提出hPGA-DP混合扩散策略，利用投影几何代数提升机器人操作学习的效率和性能
Comments Accepted to ICRA 2026
在算法干扰下估计治疗效应：一种结构化神经网络方法
机构 * University College London（伦敦大学学院） ； Tencent Inc.（腾讯公司） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出了一种结构化神经网络方法，用于在算法干扰下准确估计治疗效应，通过建模竞争分配机制和观众反应，克服传统估计器的偏倚问题。
推理模型难以控制其推理链
机构 * NYU（纽约大学） ； MATS（马歇尔应用科学与技术学院） ； UCL（伦敦大学学院） ； UPenn（宾夕法尼亚大学） ； OpenAI
AI总结 研究发现推理模型的CoT可控性低于输出可控性，且受模型规模、训练和问题难度影响，建议未来跟踪CoT可控性以维持监控有效性。
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