高校专区
基于掩码扩散模型采样的路径规划
机构 * Duke University（杜克大学） ； Atom Bioworks（Atom生物工坊） ； Mila – Québec AI Institute（魁北克AI研究院） ； Université de Montréal（蒙特利尔大学） ； The University of Oxford（牛津大学） ； Aithyra（Aithyra公司） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出路径规划策略，通过规划和去噪两个阶段提升掩码扩散模型的生成质量，实验表明在多个领域均取得显著改进。
ICHOR：一种用于ASL CBF图的鲁棒表示学习方法，基于自监督掩码自编码器
机构 * University of Pennsylvania, Philadelphia, USA（宾夕法尼亚大学） ； University of Maryland School of Medicine, Baltimore, USA（约翰霍普金斯大学医学院）
AI总结 ICHOR通过自监督预训练方法，利用3D掩码自编码器提升ASL CBF图的表示学习，实现跨研究和协议的鲁棒性与泛化能力。
在回放室中学习：带有回放对抗的在线学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Copenhagen（哥本哈根大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出回放设置下的在线学习框架，引入扩展阈值维度ExThD(H)作为学习能力的度量，证明了在对抗环境下学习的界限，并展示了正规学习与非正规学习的分离特性。
Journal ref Proceedings of the 2026 Annual ACM-SIAM Symposium on Discrete Algorithms (SODA)
FireANTs: 多尺度自适应黎曼优化用于密集 diffeomorphic 匹配
机构 * Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Penn Image Computing and Science Laboratory, University of Pennsylvania（宾夕法尼亚大学宾夕法尼亚图像计算与科学实验室） ； Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电子与系统工程系） ； Radiology, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学放射学系）
AI总结 FireANTs 提出了一种无需训练的 GPU 加速多尺度自适应黎曼优化算法，实现快速且准确的密集 diffeomorphic 图像匹配，同时在内存消耗和运行速度上优于深度学习方法。
Comments Accepted at Nature Communications
敏捷飞行源于多智能体竞速
机构 * University of Rome Tor Vergata（罗马大学Tor Vergata） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本研究通过多智能体竞争训练，发现稀疏奖励足以让智能体实现现实中的敏捷飞行和策略控制。
奉承、浮夸与雾：诊断和缓解偏好模型中的固有偏见
机构 * University of Pennsylvania（宾夕法尼亚大学） ； New York University（纽约大学）
AI总结 本研究通过反事实数据增强方法缓解偏好模型中的固有偏见，减少校准错误和偏斜差异，提升模型可靠性。
Comments Published at ICLR 2026; Code and data available at https://github.com/anirudhb123/preference-model-biases
LLM赋能机器人中的安全护栏
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 RoboGuard通过两阶段护栏架构，利用根信任LLM和链式推理生成上下文安全规范，有效降低LLM赋能机器人在对抗攻击下的不安全计划执行率，提升系统安全性与可靠性。
Tether: 基于对应驱动轨迹扭曲的自主功能性玩耍
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； Dyna Robotics（Dyna机器人技术）
AI总结 Tether通过基于对应驱动的轨迹扭曲，实现从少量演示开始的自主多任务玩耍，生成高质量数据集并提升模仿策略性能。
Comments International Conference on Learning Representations (ICLR), 2026. Project website and code: https://tether-research.github.io
DuoMo：用于世界空间人体重建的双动差分
机构 * Meta Reality Labs ； University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 DuoMo通过双扩散模型实现世界空间人体运动重建，有效处理噪声和不完整输入，提升重建精度。
Comments CVPR 2026. Project page: https://yufu-wang.github.io/duomo/
幻觉、单事实与校准偏差：一项实证研究
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Department of Computer and Information Science（计算机与信息科学系）
AI总结 本文通过实验证明，选择性加权可有效降低大型语言模型的幻觉，同时保持准确性，揭示了优化目标间的内在矛盾。
Comments Code available at https://github.com/mmiao2/Hallucination.git
Slot-BERT: 在手术视频中实现自监督的对象发现
机构 * Outcomes Laboratory, Department of Surgery, University of Pennsylvania, Philadelphia, PA, USA. ； Department of Computer ； Information Science, University of Pennsylvania, Philadelphia, PA, USA. ； Division of Thoracic Surgery, Toronto General Hospital, University Health Network, Toronto, Ontario, Canada. ； Surgical Artificial Intelligence Research Academy, University Health Network, Toronto, ON, Canada.
AI总结 Slot-BERT通过双向长距离模型在手术视频中实现自监督的对象发现，提升时间一致性和跨领域适应能力。
Comments Accepted to Medical Image Analysis Journal, 2026
SPARLING：通过极稀疏激活学习潜在表示
机构 * Department of Electrical Engineering and Computer Science（电气工程与计算机科学系） ； Massachusetts Institute of Technology（麻省理工学院） ； 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）
AI总结 SPARLING通过极稀疏激活学习潜在表示，利用信息瓶颈技术实现高效中间状态建模，实验证明极端稀疏性对建模效果至关重要。
Comments 10 pages, 6 figures
tttLRM：面向长上下文和自回归3D重建的测试时间训练
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Adobe Research（Adobe 研究） ； UCI（加州大学欧文分校）
AI总结 tttLRM通过测试时间训练实现长上下文自回归3D重建，提升重建质量和收敛速度。
Comments Accepted by CVPR 2026. Project Page: https://cwchenwang.github.io/tttLRM
Concept-TRAK: 通过概念层面的归因理解扩散模型如何学习概念
机构 * University of Pennsylvania（宾夕法尼亚大学） ； SONY AI（索尼人工智能） ； Sony Group Corporation（索尼集团）
AI总结 Concept-TRAK通过概念层面归因方法，提升扩散模型对特定概念的解释能力，适用于图像生成中的版权与透明性问题。
Comments This paper has been accepted at ICLR 2026
通过贝叶斯优化进行对抗查询合成
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出利用贝叶斯优化技术自动合成对抗查询，以提升数据库基准工作的优化余地。
具有延迟的连续控制状态-动作修复扩散器
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Shanghai Jiaotong University（上海交通大学） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 SAID通过结合动力学学习和策略优化，提出了一种具有延迟的连续控制新方法，实现了最先进的性能。
大规模人机协作分拣中心中的多目标强化学习用于托盘分配
机构 * Department of Computer and Information Science, University of Pennsylvania, Philadelphia, PA, USA（计算机与信息科学系，宾夕法尼亚大学，费城，PA，USA） ； Amazon（亚马逊）
AI总结 本文提出了一种多目标强化学习方法，用于解决大规模人机协作分拣中心中的托盘分配问题，通过权衡处理速度、资源使用和空间利用等目标，实现了高效且满足约束的策略学习。
通过锚定实现模型一致性
机构 * Department of Computer and Information Sciences, University of Pennsylvania（计算机与信息科学系，宾夕法尼亚大学） ； Department of Computer Science, The Johns Hopkins University（计算机科学系，约翰霍普金斯大学）
AI总结 本文提出了一种基于锚定的技术，用于证明四种常见机器学习算法在独立模型不一致度上的界限，通过调整训练参数减少模型预测的不一致性。
评估大型语言模型生成内容的多样性和质量
机构 * University of Pennsylvania（宾夕法尼亚大学） ； New York University（纽约大学） ； UC Berkeley（伯克利大学）
AI总结 本文提出有效语义多样性测量框架，发现偏好微调模型在质量阈值下具有更高多样性，且小模型在固定预算内更高效生成独特内容。
Comments Published at COLM 2025
训练代理自我报告不当行为
机构 * UPenn（宾夕法尼亚大学） ； NYU（纽约大学） ； MATS（MATS机构） ； OpenAI
AI总结 本文提出自我指控训练方法，通过训练代理在不当行为时产生可见信号，有效降低前沿AI对齐风险，无需假设行为可被防止或可靠分类。
利用黎曼几何导航肽嵌入空间：PepCompass
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Institute of AI for Health, Hemholtz Center Munich（健康人工智能研究所，慕尼黑亥姆霍兹中心）
AI总结 PepCompass通过引入黎曼几何框架，利用测地线搜索和局部枚举贝叶斯优化，高效发现抗菌肽种子并优化高活性肽。
训练数据质量对分类器性能的影响
机构 * Department of Statistics, Operations and Data Science, Temple University（统计学、运营与数据科学系，特伦特大学） ； Fraunhofer USA Center Mid-Atlantic（弗劳恩霍夫美国中大西洋中心） ； Computational Social Science Laboratory, University of Pennsylvania（计算社会科学实验室，宾夕法尼亚大学）
AI总结 研究探讨了训练数据质量对分类器性能的影响，通过四种分类器分析发现，随着数据质量下降，分类器性能显著下降，一致性增加。
MINAR: 图神经网络中神经算法推理的机制可解释性
机构 * Pacific Northwest National Laboratory, Richland, WA（太平洋西北国家实验室） ； Halıcıoğlu Data Science Institute, University of California, San Diego, San Diego, CA（哈利奇奥格鲁数据科学研究所，加州大学圣地亚哥分校） ； Department of Computer and Information Science, University of Pennsylvania, Pennsylvaina, PA（计算机与信息科学系，宾夕法尼亚大学） ； Department of Mathematics, University of Washington, Seattle, WA（数学系，华盛顿大学）
AI总结 MINAR是一种用于图神经网络中神经算法推理的机制可解释性工具，通过归因修补方法发现电路，揭示训练过程中的电路形成和剪枝机制。
共享本质，独特培养：通过上下文结构建模实现多元推理的PRISM
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Yale University（耶鲁大学） ； University of California Santa Cruz（加州大学圣克鲁兹分校）
AI总结 PRISM通过上下文结构建模实现多元推理，提升创造力和科学发现能力，展现独特认知轨迹的多元AI新范式。
面向开放世界机器人的上下文安全推理与 grounding
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 CORE框架通过视觉语言模型实现在线上下文推理与空间grounding，提供概率安全保证，在开放世界中有效执行上下文适应的安全行为。
先验无关的激励相容探索
机构 * Department of Computer and Information Sciences, University of Pennsylvania（计算机与信息科学系，宾夕法尼亚大学）
AI总结 本文提出了一种在动态环境中实现激励相容探索的算法，通过交换遗憾界限使代理在近似贝叶斯纳什均衡中忠实遵循预测，解决了代理冲突先验信念的问题。
LD-MoLE: 可学习动态路由用于LoRA专家混合
机构 * University of Connecticut（康涅狄格大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California San Diego（圣地亚哥大学）
AI总结 LD-MoLE通过可学习动态路由机制实现自适应的token依赖和层间专家分配，提升大型语言模型在下游任务中的性能。
Comments International Conference on Learning Representations (ICLR 2026)
NovaPlan: 通过闭环视频语言规划实现零样本长周期操控
机构 * Robotics and AI Institute（机器人与人工智能研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； Brown University（布朗大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 NovaPlan通过闭环视频语言规划实现零样本长周期操控，结合高层任务分解与底层物理执行，无需先验演示即可完成复杂装配任务。
Comments 25 pages, 15 figures. Project webpage: https://nova-plan.github.io/
在对抗性注入下的可靠回避：紧的下界和新的上界
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文研究了对抗性注入下的可靠回避问题，证明了VC维为1时的下界，并引入了基于鲁棒见证者的框架，首次为半空间类提供了分布无关的误差界。
循环等变约束调节：从数据中学习每层对称性放松
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Fermi National Accelerator Laboratory（费米国家加速器实验室）
AI总结 RECM通过从数据中学习每层对称性放松水平，提高等变神经网络的泛化能力与学习效率。
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