高校专区
具备知识的语言模型作为个性化医疗的黑盒优化器
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Genentech（基因泰克）
AI总结 本文提出LEON方法，利用大语言模型作为黑盒优化器，结合领域知识提升个性化医疗治疗方案的优化效果。
Comments 63 pages, Accepted to ICLR 2026
正确性优化残差激活透镜（CORAL）：可转移且校准感知的推理时间引导
机构 * Department of Computer and Information Science, University of Pennsylvania, Philadelphia, USA（计算机与信息科学系，宾夕法尼亚大学，费城，美国）
AI总结 CORAL通过正则化探针提取模型内部分布式信息，提升推理时多项选择问答的准确性与校准性能。
PolarGrad：从统一预条件化视角出发的一类矩阵-梯度优化器
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Wharton（沃顿商学院）
AI总结 PolarGrad是一种基于矩阵梯度极分解的新型预条件优化方法，通过统一视角分析矩阵感知预条件方法，提升语言模型预训练和矩阵优化性能。
Comments Minor typos corrected
图持久性进入谱域
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Federal Institute of Ceará（巴西塞阿腊联邦理工学院） ； Aalto University（艾尔沃斯大学）
AI总结 本文提出SpectRe，一种结合谱信息的图拓扑描述符，以提升图神经网络的表达能力。
Comments 32 pages, 4 figures, 7 tables. Accepted at NeurIPS 2025. Final version, clarified minor bug
切蛋糕：通过微秒级学习实现自适应执行引擎
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 CAKE通过微秒级学习实现自适应执行引擎，利用反事实反馈降低延迟，提升数据库性能
iSight：迈向专家-人工智能协同评估以提高免疫组化染色解释
机构 * Department of Pathology and Laboratory Medicine, Perelman School of Medicine, University of Pennsylvania（病理与实验室医学系，佩尔曼医学院，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） ； Department of Biomedical Data Science, Stanford University School of Medicine（生物医学数据科学系，斯坦福大学医学院） ； Department of Pathology, University of Maryland School of Medicine（病理学系，马里兰大学医学院） ； Department of Pathology, Stanford University School of Medicine（病理学系，斯坦福大学医学院）
AI总结 iSight通过多任务学习框架提升IHC染色评估的准确性，优于基础模型并改善专家一致性。
ConvexBench: LLMs能否识别凸函数？
机构 * UC Santa Barbara（加州大学圣芭芭拉分校） ； University of Pennsylvania（宾夕法尼亚大学） ； UC San Diego（加州大学圣地亚哥分校） ； The Ohio State University（俄亥俄州立大学）
AI总结 ConvexBench通过分治框架解决LLM在深度函数组合中识别凸性的挑战，显著提升大深度下的性能。
单例优化的置信预测
机构 * University of Pennsylvania（宾夕法尼亚大学） ； New Jersey Institute of Technology（新泽西理工学院）
AI总结 本文提出单例优化置信预测方法，通过优化非一致性评分提升预测集的单例率，减少预测集大小对实际成本的影响。
See-through: 单图像层分解用于动漫人物
机构 * Saint Francis University（圣芳济大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Spellbrush（Spellbrush公司） ； Shitagaki Lab（Shitagaki实验室）
AI总结 本研究提出了一种单图像层分解方法，通过自动生成高质量监督信息和结合扩散模型与伪深度推断机制，实现动漫人物的2.5D可操控模型生成。
Comments 23 pages, 20 figures, preprint version only
通过通用投资组合算法实现在线符合预测
机构 * King Abdullah University of Science and Technology, Saudi Arabia（卡斯特大学） ； University of Pennsylvania, USA（宾夕法尼亚大学）
AI总结 本文提出UP-OCP方法，通过通用投资组合算法实现参数无关的在线符合预测，提供强的有限时间误覆盖界，并在实验中表现优于现有方法。
一个模型，所有角色：多轮、多智能体自我对战强化学习用于对话社交智能
机构 * Microsoft Corporation（微软公司） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； Penn State University（宾夕法尼亚州立大学）
AI总结 OMAR通过多轮多智能体自我对战强化学习，使AI在无监督情况下发展出共情、说服等社交智能。
统一的单玩家和多玩家表演预测推断框架：方法与渐近最优性
机构 * Rutgers University（罗杰斯大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出统一的单玩家和多玩家表演预测推断框架，通过RRM和两步插值估计器实现渐近最优性，提供可靠估计与决策的系统工具。
通过竞争实现涌现对齐
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, Cornell University（计算机科学系，康奈尔大学）
AI总结 通过竞争实现AI与人类价值观的对齐，证明在特定条件下战略竞争可产生与完全对齐模型相当的结果。
MedFrameQA: 一个多图像医学视觉问答基准用于临床推理
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； UC Santa Cruz（加州大学圣克鲁兹分校） ； Harvard University（哈佛大学） ； UC Berkeley（加州大学伯克利分校） ； Emory University（埃默里大学） ； UC San Francisco（旧金山加州大学）
AI总结 MedFrameQA是一个多图像医学视觉问答基准，旨在评估多图像医学推理能力，揭示现有模型在处理复杂医学叙述时的不足。
Comments 27 pages, 15 Figures Benchmark data: https://huggingface.co/datasets/SuhaoYu1020/MedFrameQA
TransportAgents: 一种用于交通事故严重性预测的多智能体LLM框架
机构 * Civil and Environmental Engineering, University of Maryland（大学环境工程系，马里兰州大学） ； Computer and Information Science, University of Pennsylvania（计算机与信息科学系，宾夕法尼亚大学） ； Statistics, University of California, Berkeley（统计学系，加州大学伯克利分校）
AI总结 TransportAgents通过多智能体框架提升交通事故严重性预测的准确性与可靠性。
文本中的冲突：数据、影响与挑战
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Oracle AI
AI总结 本文探讨了文本中冲突的数据、影响与挑战，提出了统一冲突信息的概念，分析了其影响并讨论了缓解策略，旨在开发更有效处理冲突信息的NLP系统。
群体自适应阈值优化用于鲁棒的AI生成文本检测
机构 * mit（麻省理工学院） ； upenn（宾夕法尼亚大学） ； ibm（IBM研究院）
AI总结 本文提出FairOPT算法，通过群体特定的阈值优化减少AI生成文本检测中的群体差异，提升分类鲁棒性。
保持语义的LLM漏洞检测器逃避
机构 * Northeastern University（东北大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 研究发现基于LLM的漏洞检测器在保持语义的逃避攻击下存在系统性失效，提出联合鲁棒性指标以评估检测器的鲁棒性。
展开图神经网络用于约束优化
机构 * Department of Electrical and Systems Engineering, University of Pennsylvania, PA, USA（电气与系统工程系，宾夕法尼亚大学，美国宾夕法尼亚州）
AI总结 本文提出利用展开图神经网络解决约束优化问题，通过耦合的GNN交替更新以找到鞍点，并在分布外问题中表现出良好的泛化能力。
大型语言模型（真的需要统计基础吗？
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文探讨大型语言模型是否需要统计学基础，指出其统计本质和黑箱特性使统计方法成为必要，并强调统计学界在LLMs研究中的重要性。
Comments Accepted at The Annals of Applied Statistics; Added discussions on more topics
通过镜像下降优化注意力：广义最大边际标记选择
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文通过镜像下降优化注意力机制，提出了一种广义最大边际标记选择方法，展示了其在分类任务中的收敛性和泛化能力提升。
Comments Published at JMLR
多尺度扩散模型用于医学影像超分辨率
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Siemens Healthineers（西门子医疗） ； Siemens Industry Software（西门子工业软件）
AI总结 本文提出多尺度扩散模型用于医学影像超分辨率，通过分解图像为不同频带并训练独立先验，提升重建质量并减少推理时间。
Comments Accepted at IEEE International Symposium for Biomedical Imaging (ISBI) 2026
最小作用离散薛定谔桥匹配用于肽序列设计
机构 * Duke University（杜克大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出MadSBM框架，通过最小作用离散薛定谔桥匹配方法，实现肽序列设计的高效生成与优化。
学习可调节行为合成的策略表示
机构 * Department of Electrical and Systems Engineering, University of Pennsylvania, Philadelphia, USA（宾夕法尼亚大学电气与系统工程系） ； Department of Signal Theory and Communications, King Juan Carlos University, Madrid, Spain（胡安 Carlos大学信号理论与通信系）
AI总结 本文提出了一种基于潜在空间的策略表示学习方法，通过对比学习和变分生成技术，实现对多奖励场景下策略的高效调节与价值函数约束满足。
偏好学习中的知识梯度
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出了一种精确的知识梯度方法，用于解决偏好学习中的贝叶斯优化问题，展示了其在基准任务中的优越性能及在特定场景下的局限性。
知识上下文学习：在基于大语言模型的多智能体系统中以正确方式建立信任
机构 * National University of Singapore（国立新加坡大学） ； Singapore University of Technology（新加坡科技学院） ； Nanyang Technological University（南洋理工大学） ； Duke University（杜克大学） ； University of Waterloo（滑铁卢大学） ； Microsoft（微软公司） ； Peking University（北京大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出Epistemic Context Learning（ECL），通过历史交互构建同伴资料以提升多智能体系统中信任建模的准确性，使小型模型在性能上超越大模型，并在多种配置中表现出良好的泛化能力。
Comments Codes and data are available at https://github.com/skyriver-2000/epistemic-context-learning
Llama-3.1-FoundationAI-SecurityLLM-Reasoning-8B 技术报告
机构 * Foundation AI–Cisco Systems Inc.（Foundation AI–Cisco系统公司） ； Yale University（耶鲁大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 Llama-3.1-FoundationAI-SecurityLLM-Reasoning-8B 是首个开源的网络安全专用推理模型，通过结合监督微调和强化学习训练，实现了在网络安全任务上的高性能表现。
Comments 31 pages, 5 figures, 7 tables
学习者群体中的涌现专业化：竞争作为多样性的来源
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 通过竞争驱动学习者群体自发形成专业化，实现多领域高效决策与多样化行为。
Comments 15 pages, 5 figures, code available at https://github.com/HowardLiYH/NichePopulation
SAGES关键安全视角挑战：人工智能辅助手术质量评估的全球基准
机构 * University of Strasbourg（斯特拉斯堡大学） ； CNRS（法国国家科学研究中心） ； INSERM（法国国家医学研究院） ； ICube（ICube研究中心） ； UMR7357（法国国家科研机构（UMR7357）） ； Massachusetts General Hospital（麻省总医院） ； Harvard Medical School（哈佛医学院） ； University Hospital Cologne（科隆大学医院） ； Global College（全球学院） ； Shanghai Jiao Tong University（上海交通大学） ； Chang Gung Memorial Hospital（长庚纪念医院） ； A. Costa Hospital（A. Costa医院） ； Maggiore Hospital - AUSL Bologna（马吉奥医院 - 玛格丽特医院） ； Institute for Research against Digestive Cancer (IRCAD)（消化道癌症研究机构（IRCAD）） ； Lenox Hill Hospital（Lenox Hill医院） ； Northwell Health（Northwell健康系统） ； Albany Medical Center（阿尔巴尼医疗中心） ； German Cancer Research Center (DKFZ)（德国癌症研究中心（DKFZ）） ； Stanford University（斯坦福大学） ； MultiModal Learning Lab（多模态学习实验室） ； NAAMII ； University of Aberdeen（阿伯丁大学） ； Eindhoven University of Technology（埃因霍温理工大学） ； UCL Hawkes Institute（UCL Hawkes研究所） ； Dept of Computer Science, University College London（计算机科学系，伦敦大学学院） ； University Health Network（大学健康网络） ； Institute for Biomedical Informatics（生物医学信息研究所） ； Rovira i Virgili University（罗维拉-维吉里大学） ； Huazhong University of Science（华中科技大学） ； Hefei University of Technology（合肥工业大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Duke University（杜克大学）
AI总结 SAGES关键安全视角挑战通过全球协作和AI技术，提升手术质量评估的性能和鲁棒性，推动临床应用。
Comments 21 pages, 10 figures
圆和球上的同步与非线性相互作用
机构 * The Wharton School, University of Pennsylvania, USA（沃森学校，宾夕法尼亚大学） ； Institute of Mathematics, EPFL, Lausanne, Switzerland（数学研究所，EPFL，拉沃斯纳，瑞士） ； CERMICS, ENPC, Institut Polytechnique de Paris, CNRS, France（CERMICS，ENPC，巴黎理工学院，CNRS，法国）
AI总结 研究圆和球面上非线性相互作用下的同步问题，发现维度d影响同步条件，提出新的同步条件并证明其有效性。
Comments 30 pages, 1 figure
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