高校专区
多级属性的多校准样本复杂度
机构 * Amazon（亚马逊） ； The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； University of California, Davis（加州大学戴维斯分校）
AI总结 该研究针对k个序列属性的多校准，建立了匹配的上下样本复杂度界，给出随机学习器，实例化理论为三个典型示例，明确了样本复杂度与群体规模的关系。
战争在摘要中：科学交流中军事化语言的兴起与后果
机构 * Department of Bioengineering, School of Engineering and Applied Science, University of Pennsylvania（宾夕法尼亚大学工程与应用科学学院生物工程系） ； Annenberg School of Communication, University of Pennsylvania（宾夕法尼亚大学安嫩伯格传播学院） ； Departments of Electrical & Systems Engineering and Physics & Astronomy, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系和物理与天文学系） ； Departments of Psychology and Biomedical Engineering, Yale University（耶鲁大学心理学系和生物医学工程系） ； Wu Tsai Institute, Yale University（耶鲁大学吴蔡研究所）
AI总结 通过分析2140万篇论文摘要和一项受试者内实验，发现2010-2025年间军事化术语使用增长48%-32%，且与全球冲突同步；实验表明战争框架降低了可信度、资助意愿和政策支持。
Comments 7 figures and 10 SI items
左不变黎曼度量下光滑SE(3)轨迹的学习
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 该研究针对SE(3)轨迹生成的计算成本问题，提出基于学习的框架，用神经网络参数化多项式系数与时长，生成的轨迹近似数值优化解且推理达毫秒级，可用于机器人运动原语及四旋翼飞行优化。
BioInsight: 面向交互式生物医学知识发现的多智能体编排
机构 * Peking University（北京大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Purdue University（普渡大学） ； Stanford University（斯坦福大学）
AI总结 提出多智能体系统BioInsight，通过交互式界面生成替代静态报告，实现疾病证据的组织、推理与可视化，在多项生物医学任务中取得最优性能。
Comments Update some experiments and contents
LLM作为评判者的评估一致性指标：报告什么及为什么
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文通过调查24篇近期论文，指出在二元评判标准下多数一致性指标冗余，强调Cohen's κ提供额外信息，并给出报告清单。
Comments 17 pages, 4 figures; arxiv ancillary files included
用纠错码对语言模型进行水印标记
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 本研究提出了一种基于纠错码的鲁棒二进制码水印方法，用于区分机器生成文本与人类文本，具有鲁棒性和高效性。
精细指令：将合成指令扩展到预训练规模
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 研究针对大语言模型监督训练数据有限的问题，提出将互联网规模预训练文档知识转化为合成指令和答案训练对的程序，生成FineInstructions数据集，经实验验证该方法在预训练中表现优于其他技术。
当大语言模型达成一致时，它们是正确的吗？将自一致性和跨模型一致性作为置信信号进行审计
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 研究探讨大语言模型一致性与正确性的关系，通过大规模交叉运行研究，发现一致性是正确性的条件代理，对不饱和中层模型和计算分配较有用，对最一致的前沿模型存在过度自信问题，还公开了相关数据。
图信号扩散模型用于无线资源分配
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出利用图信号扩散模型进行无线网络资源优化，通过生成对抗性策略实现近最优资源分配，展示了在功率控制中的高效与泛化能力。
Comments Accepted for presentation at 2026 IEEE SPAWC (Signal Processing Advances in Wireless Communications)
评估具有挑战性的真实世界临床病例中的多轮多模态诊断推理
机构 * Center for Biomedical Data Science, Duke-NUS Medical School（生物医学数据科学中心，杜克 - 新加坡国立大学医学院） ； Duke-NUS AI + Medical Sciences Initiative, Duke-NUS Medical School（杜克 - 新加坡国立大学人工智能与医学科学计划，杜克 - 新加坡国立大学医学院） ； Department of Population Health Sciences, Weill Cornell Medicine（人口健康科学系，威尔康奈尔医学院） ； System Engineering, College of Engineering, Cornell University（系统工程，康奈尔大学工程学院） ； Graduate School of Frontier Sciences, The University of Tokyo（前沿科学研究生院，东京大学） ； RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心） ； Department of Biostatistics and Bioinformatics, Duke University（生物统计学与生物信息学系，杜克大学） ； Perelman School of Medicine, University of Pennsylvania（佩雷尔曼医学院，宾夕法尼亚大学） ； School of Clinical Medicine, University of Cambridge（临床医学学院，剑桥大学） ； Hospital of the University of Pennsylvania（宾夕法尼亚大学医院） ； Children’s Hospital of Philadelphia (CHOP)（费城儿童医院） ； Department of Anatomic Pathology and Laboratory Medicine, Hospital of the University of Pennsylvania（解剖病理学与检验医学系，宾夕法尼亚大学医院） ； Department of Pathology and Laboratory Medicine, University of California, San Francisco（病理学与检验医学系，加州大学旧金山分校） ； Language Technologies Institute, Carnegie Mellon University（语言技术研究所，卡内基梅隆大学）
AI总结 研究针对现有多模态大语言模型评估难以捕捉现实临床诊断复杂性的问题，开发ClinMM-Bench基准，用两级框架评估15个模型，发现专有模型诊断准确性最高，但各模型完全正确诊断比例有限，当前模型诊断推理有局限并明确了失败模式。
表格数据上经典机器学习的缩放定律：一项基准研究
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 该研究对表格数据上经典机器学习进行课堂规模复制，学生对多个数据集和模型家族运行固定协议，得出幂律拟合情况、模型家族内近似共享指数及复制器实现方差三个发现，并发布相关数据。
LiveGraph: 基于主动-结构神经重排序的运动推荐
机构 * University of Macau（澳门大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Tongji University（同济大学） ； Juntendo University（立命馆大学） ； University of Southampton（南安普顿大学） ； University of Bologna（博洛尼亚大学） ； Wuhan University（武汉大学） ； University of the Chinese Academy of Sciences（中国科学院大学） ； Hanyang University（汉阳大学） ； Zhejiang University（浙江大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学）
AI总结 LiveGraph通过图表示增强策略和动态重排序机制，解决学生参与长尾分布和个性化学习轨迹适应问题，提升推荐精度与教学多样性。
Comments 19 pages, 5 figures
HOLODECK 2.0：基于视觉-语言的3D世界生成与编辑
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Cornell University（康奈尔大学）
AI总结 HOLODECK 2.0通过视觉-语言模型生成高质量3D场景并支持交互式编辑，提升游戏设计效率。
Transformer 如何通过多令牌预测学习规划
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Shanghai Jiao Tong University（上海交通大学） ； University of Pennsylvania（宾夕法尼亚大学） ； RIKEN Center for Advanced Intelligence Project（日本理化学研究院先进智能项目中心） ； The Institute of Statistical Mathematics（统计数学研究所）
AI总结 本文研究多令牌预测如何促进推理，特别是规划，通过实验和理论分析展示其优于单令牌预测的性能及背后的机制。
Comments COLM 2026
CARA：用于可解释碰撞预测的概念感知风险注意力
机构 * Shanghai Jiao Tong University（上海交通大学） ； The University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Pennsylvania（宾夕法尼亚大学） ； Renmin University of China（中国人民大学）
AI总结 研究自动驾驶碰撞预测问题，提出CARA框架，从事故叙述中获取风险概念并与视频帧对齐成轨迹，将语义风险因素作为动态证据，结合可解释性与预测过程，实验证明其能提高预测准确性和预警及时性。
Comments Accepted to ACM Multimedia 2026(Oral)
使用有序网络分析来分析中学生在协作式人工智能聊天机器人开发过程中的对话和行为
机构 * University of Florida（佛罗里达大学） ； University of Pennsylvania（宾夕法尼亚大学） ； North Carolina State University（北卡罗来纳州立大学） ； The University of Tennessee（田纳西大学）
AI总结 该研究以有序网络分析方法，考察中学生协作开发AI聊天机器人的互动，刻画协作随时间的组织及互动模式与机器人质量、AI知识成果的关系，揭示高质量机器人与特定序列及互动模式有关，为协作式AI开发提供过程描述并拓展了相关研究。
基于双变量回归的无线资源分配快速状态增强学习
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） ； Department of Biostatistics and Bioinformatics, Duke University（杜克大学生物统计与生物信息学系） ； Johns Hopkins Applied Research Laboratory (APL)（约翰霍普金斯应用研究实验室）
AI总结 研究多用户无线网络资源分配问题，提出基于状态增强图神经网络的方法，利用双变量回归实现对偶乘数近最优初始化加快推理，通过最大化拉格朗日函数改善模型训练，经实验验证算法性能优越并给出收敛结果和概率界。
Comments Accepted for publication in IEEE Transactions on Signal Processing (TSP)
AXIS：用于可扩展机器人操作的可增长社区驱动数据引擎
机构 * Axis Robotics（轴机器人公司） ； University of California, Berkeley（加州大学伯克利分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Texas A&M University（德州农工大学） ； Johns Hopkins University（约翰·霍普金斯大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学）
AI总结 研究针对机器人操作策略学习中数据管道难扩展的问题，提出AXIS这一可增长社区驱动数据引擎，它能收集、处理数据并组织成任务快照，通过实验表明其能提升模型性能且随数据量增加有一致扩展性。
Comments Project Website: https://axisaiorg.github.io/AXIS-V1/
相同危险目标，相反建议：直接暴露与多智能体调解
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 研究通过测试发现，语言模型直接面对危险目标和经智能体转换传递指令时表现不同，存在行为反向转变及组合安全漏洞，高性能模型可用于特定自动化工作流程的用户端组件，却未明确其内部机制。
Comments 21 pages; welcome comments
通过决策感知机器学习改善基本药物的获取
机构 * University of Pennsylvania（宾夕法尼亚大学） ； National Medical Supplies Agency（塞拉利昂国家医疗用品局） ； Ministry of Health and Sanitation（塞拉利昂卫生与环卫部）
AI总结 针对低收入和中等收入国家基本药物分配难题，提出决策感知机器学习框架，结合多任务学习与催化先验，经与塞拉利昂政府合作实验，证明可提高药物获取效率，还在该国全国推广，展现低成本高效能。
Journal ref Nature, volume 653, issue 8116, 2026
ConfidenceBench：评估大语言模型中的置信度校准
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； New York University（纽约大学）
AI总结 研究针对大语言模型在特定场景下仅靠准确性不足的问题，提出ConfidenceBench校准基准，用Brier分数评估15个前沿LLMs口头置信度，经实验发现模型准确性与校准差异大，证明口头置信度校准是LLM可靠性重要维度，补充了基于准确性的评估。
编译到循环神经元
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Harvard University（哈佛大学）
AI总结 本研究通过编译迭代为循环神经元，使离散结构在可微编程中得以有效利用，提升了神经网络的学习效率和数据效率。
LENS：用于杂乱环境中规划与控制的大语言模型引导的环境简化
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 针对现实世界多物体杂乱环境处理难题，提出LENS方法，通过大语言模型引导自动生成特定场景和任务的自适应更新抽象，经实验验证其能改进多种模型在高度杂乱操纵场景中的表现。
机器可自动发现参数函数以对高能物理数据建模
机构 * University of Pennsylvania, USA（宾夕法尼亚大学） ； European Organization for Nuclear Research (CERN), Switzerland（欧洲核子研究中心） ； University of Cambridge, UK（剑桥大学） ； University of Wisconsin-Madison, USA（威斯康星大学麦迪逊分校） ； University of California San Diego, USA（加州大学圣地亚哥分校） ； Massachusetts Institute of Technology, USA（麻省理工学院） ； Institute for Artificial Intelligence（人工智能研究所）
AI总结 研究高能物理数据分析中为分箱数据找合适函数建模的问题，核心方法是用符号回归实现自动化，主要贡献是展示SymbolFit软件包，在双喷注谱演示中取得良好效果，如生成众多拟合函数，部分运行重新发现已用函数。
Comments 6 pages. to be presented at ICHEP 2026
SubQuad：在自适应受体框架中利用分布平衡目标的近二次自由结构推断
机构 * University of Macau（澳门大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southampton（南安普顿大学） ； Juntendo University（顺天堂大学） ； University of Bologna（博洛尼亚大学）
AI总结 SubQuad通过结合抗原感知的近子二次检索、GPU加速的亲和力核、学习多模态融合和公平性约束聚类，解决大规模群体适应性免疫谱分析中的二次成本和数据不平衡问题，提升效率与公平性。
Comments 27 pages, 9 figures. In the previous version, Juntendo University was erroneously listed as the affiliation; we must clarify that this paper has absolutely no relation to Juntendo University. Therefore, we have replaced this affiliation in the new version
$\ell_2$期望校准误差的置信区间
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 研究针对$\ell_2$期望校准误差开发置信区间，考虑top-1到-k校准，证明ECE去偏估计量的渐近正态性，构建渐近有效置信区间，实验表明该方法产生的置信区间比基于重采样的方法更短。
作为一种干预手段的大语言模型检测：战略用户行为下的下游影响
机构 * Stanford University（斯坦福大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Cornell University（康奈尔大学）
AI总结 研究LLM检测对下游指标的影响，开发程式化模型捕捉用户策略行为。发现不完善的检测器会扭曲LLM使用及输出质量，导致用户增加使用量且输出质量可能降低，还呈现“先升后降”检测模式，揭示了检测干预的失效模式。
RetroAgent：利用大语言模型在结构化记忆中进行搜索以实现智能逆合成规划
机构 * UCLA（加利福尼亚大学洛杉矶分校） ； MIT（麻省理工学院） ； Amazon（亚马逊公司） ； UPenn（宾夕法尼亚大学）
AI总结 研究多步逆合成规划难题，提出RetroAgent智能体，通过结合结构化记忆桥接符号搜索与神经推理，利用记忆和化学工具观察搜索状态，实验证明其在分布内和分布外基准测试中性能强且泛化能力好。
Comments To appear at COLM 2026
STAR：用于交互识别的骨骼令牌对齐与重排
机构 * State Key Laboratory of General Artificial Intelligence, Peking University, Shenzhen Graduate School（北京大学深圳研究生院通用人工智能国家重点实验室） ； University at Buffalo SUNY（纽约州立大学布法罗分校） ； 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）
AI总结 针对人机和人与人交互识别，提出STAR方法，通过骨骼令牌对齐与重排，利用实体重排、交互式时空令牌及视觉交互编码等组件，结合骨骼与RGB视频数据学习特征，经对比学习对齐表示，实验验证其性能优于现有方法。
Comments Accepted for publication in IEEE Transactions on Multimedia (IEEE TMM)
Journal ref IEEE Transactions on Multimedia, vol. 28, pp. 4652-4665, 2026
在迭代指令微调中从合成数据学习而不发生模型崩溃
机构 * University of Notre Dame（圣母大学） ； Vanderbilt University（范德堡大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 研究在合成数据用于指令微调时避免模型崩溃的问题，提出KITE两阶段框架，结合失败引导数据生成与边界感知不确定性整理，实验表明该框架比合成数据基线能更稳定地提升模型性能。
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