高校专区
大型模型训练与适应中低秩结构的综述
机构 * University of Michigan（密歇根大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Macau（澳门大学） ； UT Austin（得克萨斯大学奥斯汀分校）
AI总结 本文综述了大型模型训练与适应中低秩结构的识别与利用，探讨了梯度下降动态和隐含正则化对低秩性的影响，并介绍了LoRA等技术的理论基础与应用。
Comments Authors are listed alphabetically; 37 pages, 15 figures; minor revision at IEEE Signal Processing Magazine
图卷积注意力：图去噪与扩散的谱视角
机构 * University of Pennsylvania（宾夕法尼亚大学） ； King Juan Carlos University（胡安·卡洛斯国王大学） ； Stanford University（斯坦福大学）
AI总结 研究图去噪问题，提出图卷积注意力（GCA）方法，通过利用输入图谱实现谱去噪，在随机块模型中与理想机制匹配，实验证明其能提升图去噪和扩散性能，在 DiGress 中表现良好且推理更快。
EgoPolice：用于高风险警察随身摄像机视频中自我中心视频理解的基准
机构 * Princeton University（普林斯顿大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 研究旨在为高风险警察随身摄像机视频中的自我中心视频理解创建基准EgoPolice，通过精心挑选标注数据，设置分类和问答任务，对模型测试发现即使优秀模型预测高风险行动也有困难，该基准为开发相关模型及下游人工审查奠定基础。
18.7万条ChatGPT对话记录中的抑郁症状与关系模式
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 研究有抑郁症状者如何使用ChatGPT，通过分析766名参与者的18.7万条对话，比较不同症状程度人群的使用模式、语言特点等，发现基于语言预测筛查效果不佳，认为这些记录可作大语言模型成非正式支持设施的证据。
Journal ref CSCW Companion '26: Companion Publication of the 2026 Conference on Computer-Supported Cooperative Work and Social Computing
策略学习问题的层级体系
机构 * Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Graduate Group in Applied Mathematics and Computational Science, University of Pennsylvania（宾夕法尼亚大学应用数学与计算科学联合组）
AI总结 该研究提出策略学习问题的数学框架，定义最优策略、改进策略、策略存在三类问题，证明三者样本复杂度依次降低，即便无法找到改进策略也可判断其是否存在。
SeeMe：通过有效的视觉令牌工程减轻大型视觉语言模型中的幻觉
机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机科学学院多媒体信息处理国家重点实验室） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； De Artificial Intelligence Lab（德人工智能实验室）
AI总结 研究大型视觉语言模型易产生幻觉问题，提出无训练框架SeeMe，引入传统机器学习特征工程概念，经三阶段令牌工程重组视觉令牌抑制幻觉源，实验证明其能减轻幻觉并提高输出一致性。
Comments 12 pages, 4 figures, 6 tables
通过工作流归纳实现多轮智能科学文献搜索
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Together AI ； University of Pennsylvania（宾夕法尼亚大学） ； Stanford University（斯坦福大学）
AI总结 提出PaperPilot，通过构建可执行DAG工作流进行多轮文献搜索，利用用户反馈优化查询和工作流，显著提升搜索性能并消除执行错误。
Comments 17 pages, 12 figures
MLS-Bench：对构建更好AI的AI系统的全面且严格评估
机构 * UC Berkeley（伯克利大学） ； Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of Washington（华盛顿大学） ； Purdue University（Purdue 大学） ； Harvard University（哈佛大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Shanghai Jiao Tong University（上海交通大学） ； UC San Diego（圣地亚哥大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出MLS-Bench基准，包含12个领域140个任务，评估AI系统能否发明通用且可扩展的机器学习方法，发现当前智能体在方法发明上仍远逊于人类，瓶颈在于科学洞察而非单纯搜索或计算。
分解式提示无法弥补知识差距，但有助于模型说“我不知道”
机构 * Arizona State University（亚利桑那州立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Oracle AI
AI总结 研究大语言模型在闭卷问答中识别知识局限的问题，评估三种提示方式在不同模型规模和多跳问答基准下的影响，利用提示方式间的分歧信号实现无训练弃权策略，提升模型可靠性。
Comments Camera-ready version. Published in Findings of ACL 2026. Code and data: https://github.com/dhruvmadhwal/disagreement-based-abstention
知道何时不回答：用于安全检索增强生成的轻量级知识库对齐的域外检测
机构 * New York University（纽约大学） ； National Institute on Drug Abuse（国家成瘾医学研究所） ； University of Pennsylvania（宾夕法尼亚大学） ； Microsoft（微软公司）
AI总结 研究用于检索增强生成（RAG）系统的轻量级、知识库对齐的域外检测，通过PCA处理知识库嵌入，用方差保留或t检验排序选择子空间评分查询，评估规则和分类器，发现低维检测器性能好且更优。
MAD-PINN：一种用于安全和最优多智能体控制的分散式物理信息机器学习框架
机构 * Center for Cyber-Physical Systems, Indian Institute of Science（印度科学研究院中心 for 联合体系统） ； 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 Aeronautics and Astronautics, Stanford University（斯坦福大学航空与航天工程系）
AI总结 针对大规模多智能体系统安全与性能协同优化难题，提出MAD-PINN框架。利用基于上图的公式化方法，通过物理信息神经网络近似求解，采用分散训练与执行策略，实验表明其性能优越且具可扩展性。
Comments 9 Pages, 4 Figures, 4 Tables. First two authors have contributed equally
具有项目难度的分层贝叶斯众包
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Columbia University（哥伦比亚大学） ； Center for Computational Mathematics, Flatiron Institute（Flatiron研究所计算数学中心）
AI总结 研究针对训练用黄金标准有偏差且带噪声的问题，引入通用测量误差模型，通过添加项目难度等效应推断共识类别，还展示约束模型双峰后验的方法，并验证其拟合优度与预测准确性。
Journal ref ProbML 2026 Workshop Track
GestaltMML：通过结合面部图像和临床文本的多模态机器学习增强罕见遗传病诊断
机构 * Raymond G. Perelman Center for Cellular and Molecular Therapeutics, Children’s Hospital of Philadelphia（雷蒙德·G·佩尔曼细胞与分子治疗中心，费城儿童医院） ； Department of Mathematics, University of Pennsylvania（数学系，宾夕法尼亚大学） ； Department of Biomedical Informatics, Columbia University Irving Medical Center（生物医学信息学系，哥伦比亚大学伊万斯医疗中心） ； Department of Human Genetics, New York State Institute for Basic Research in Developmental Disabilities, Staten Island, NY, USA（人类遗传学系，纽约州发育障碍基础研究机构，纽约州史泰登岛） ； Division of Human Genetics, Children’s Hospital of Philadelphia（人类遗传学部，费城儿童医院） ； Department of Pediatrics, Boston Children’s Hospital, Harvard Medical School（儿科系，波士顿儿童医院，哈佛医学院） ； Biology PhD Program, The Graduate Center, The City University of New York（生物学博士项目，纽约市立大学研究生中心） ； Department of Genetics, Perelman School of Medicine, University of Pennsylvania（遗传学系，宾夕法尼亚大学佩尔曼医学学院） ； Department of Pediatrics, Perelman School of Medicine, University of Pennsylvania（儿科系，宾夕法尼亚大学佩尔曼医学学院） ； Department of Pathology and Laboratory Medicine, Perelman School of Medicine, University of Pennsylvania（病理学与实验室医学系，宾夕法尼亚大学佩尔曼医学学院）
AI总结 研究针对罕见遗传病诊断难题，提出基于Transformer架构的多模态机器学习方法GestaltMML，整合面部图像、人口统计学信息和临床笔记，提升预测准确性，缩小诊断差距。
Comments Preprint updated
COMFYCLAW：面向图像生成工作流的自进化技能工具包
机构 * University of Maryland（马里兰大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Nvidia（英伟达） ； Lehigh University（里海大学）
AI总结 提出COMFYCLAW框架，通过类型化图编辑、区域级VLM验证器和渐进式技能库进化，提升ComfyUI工作流构建的代理可靠性和性能，在多个基准上取得最佳平均评分。
反事实决策的预测集：覆盖性、最优性与共形预测
机构 * School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； 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 提出决策理论框架，通过策略耦合覆盖性将不确定性量化与反事实决策最优结合，并开发两阶段共形预测方法PC-RACP，在保证覆盖的同时提升效用。
基于部分单目观测的生成式重建鲁棒3D对齐
机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学与技术学院） ； School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； 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） ； School of Tech Electrical and Information Engineering, Tianjin University（天津大学电气与信息工程学院） ； Independent Researcher（独立研究员） ； School of Electronic Engineering and Information Science, University of Science and Technology of China（中国科学技术大学电子工程与信息科学学院） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； School of Robotics, Wuhan University（武汉大学机器人学院） ； Xiaomi EV（小米汽车）
AI总结 针对生成式3D重建与部分单目观测对齐的挑战，提出无训练可解释几何对齐框架，通过Sim(3)变换恢复度量尺度与位姿，引入幻觉滤波抑制异常，在基准测试中显著优于传统和学习方法。
可解释编码器与学习型编码器在高基数欺诈检测中的对比
机构 * Goizueta Business School Emory University Atlanta, GA, USA（埃默里大学戈伊苏埃塔商学院） ； Computer Sciences University of California, Berkeley Kirkland, WA（加州大学伯克利分校计算机科学系） ； Stern School of Business New York University New York, NY, USA（纽约大学斯特恩商学院） ； School of Data Science University of Pennsylvania Philadelphia, PA, USA（宾夕法尼亚大学数据科学学院） ； Pratt School of Engineering Duke University Durham, NC, USA（达特茅斯大学普拉特工程学院）
AI总结 在IEEE-CIS欺诈数据集上比较7种分类编码方法，实体嵌入在AUC-ROC上最优（0.9612），与CatBoost（0.9602）无显著差异，优于其他编码器；CatBoost在AUC-PR上领先（0.822 vs 0.793），无编码器同时主导两个指标。
自然语言解释中的判断质量测量：来自预测锦标赛的证据
机构 * Forecasting Research Institute（预测研究所） ； Good Judgment Inc（Good Judgment公司） ； University of Toronto（多伦多大学） ； Vector Institute for Artificial Intelligence（向量人工智能研究所） ； Stanford University（斯坦福大学） ； School of Arts and Sciences & Wharton, University of Pennsylvania（宾夕法尼亚大学文理学院与沃顿商学院） ； Federal Reserve Bank of Chicago（芝加哥联邦储备银行） ； Federal Reserve System（联邦储备系统）
AI总结 提出解释质量标记（EQMs），用大语言模型评分60种理论驱动的推理模式，在超过55,000个预测-理由对中预测准确性，优于传统方法。
稳定性边缘的SGD：大学习率的随机稳定化
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 研究随机梯度下降（SGD）在大学习率下的收敛性，发现SGD通过自稳定机制在曲率驱动振荡和稳定下降之间交替，确保迭代在固定步数内恢复稳定并收敛。
Match-Any-Events: 零样本跨大基线事件相机运动鲁棒特征匹配
机构 * Johns Hopkins University（约翰霍普金斯大学） ； ShanghaiTech University（上海科技大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Archimedes, Athena RC（Archimedes，Athena RC）
AI总结 本文提出首个零样本事件匹配模型，通过运动鲁棒且高效的注意力骨干网络和稀疏感知事件token选择，实现跨数据集大基线对应。实验显示比现有方法提升37.7%。
Comments Accepted to ECCV 2026
Journal ref Proceedings of the European Conference on Computer Vision (ECCV) 2026
离散扩散模型的高效采样：尖锐且自适应的保证
机构 * 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 本文研究基于连续时间马尔可夫链的离散扩散模型采样效率，提出τ-跳跃采样器，在KL散度下达到ε精度，对均匀扩散实现Õ(d/ε)复杂度，对掩蔽扩散引入有效总相关量实现自适应收敛。
Comments 59 pages, 1 figure. Accepted at the Conference on Learning Theory (COLT) 2026
噪声矩阵补全中线性形式的多元检验
机构 * University of Pennsylvania（宾夕法尼亚大学） ； City University of Hong Kong（香港城市大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Columbia University（哥伦比亚大学）
AI总结 针对大规模推荐系统中噪声矩阵补全的多元线性形式检验问题，提出一种数据分割与对称聚合方法，通过构造具有锐利渐近性质的统计量控制错误发现率，在近最优样本量下实现有效FDR控制与统计功效。
SIMAX: 一种可扩展且可解释的多保真度标注医患对话模拟框架
机构 * Department of Biostatistics and Bioinformatics, Duke University School of Medicine（杜克大学医学学院生物统计学与生物信息学系） ； Duke-NUS AI + Medical Sciences Initiative, Duke-NUS Medical School（杜克-新加坡国立大学医学科学院AI+医学科学计划） ； Centre for Biomedical Data Science, Duke-NUS Medical School（杜克-新加坡国立大学医学学院生物医学数据科学中心） ； Department of Statistical Science, Duke University（杜克大学统计科学系） ； Leiden University Medical Centre（莱顿大学医学中心） ； Department of Mathematics, University of Texas at Austin（德克萨斯大学奥斯汀分校数学系） ； Department of Internal Medicine, Yale School of Medicine（耶鲁医学院内科学系） ； Department of Biostatistics, Epidemiology and Informatics, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩尔曼医学院生物统计学、流行病学与信息学系） ； The Graduate Group in Applied Mathematics and Computational Science, School of Arts and Sciences, University of Pennsylvania（宾夕法尼亚大学艺术与科学学院应用数学与计算科学联合组） ； Medstar Health National Center for Human Factors in Healthcare, Washington, DC, USA（Medstar健康国家人因工程中心，华盛顿特区，美国） ； Department of Biomedical Informatics, Columbia University（哥伦比亚大学生物医学信息学系） ； Cancer Prevention and Control, Duke Cancer Institute, Durham, NC, USA（杜克癌症研究所癌症预防与控制部，达勒姆，北卡罗来纳州，美国） ； Department of Population Health Sciences, Duke University School of Medicine（杜克大学医学学院流行病学与公共卫生系） ； Division of Rheumatology and Immunology, Duke University School of Medicine（杜克大学医学学院风湿病学与免疫学系） ； Pre-hospital and Emergency Research Centre, Health Services Research and Population Health, Duke-NUS Medical School（杜克-新加坡国立大学医学学院院前急救与应急研究中心，健康服务研究与人口健康） ； NUS Artificial Intelligence Institute, National University of Singapore（新加坡国立大学人工智能研究所） ； Division of Pulmonary, Allergy and Critical Care Medicine, Duke University School of Medicine（杜克大学医学学院呼吸科、过敏科与危重医学系） ； Duke Center for Health Informatics, Duke University（杜克大学健康信息学中心） ； Duke Clinical Research Institute, Durham, NC, USA（杜克临床研究中心，达勒姆，北卡罗来纳州，美国）
AI总结 提出SIMAX框架，通过预定义场景、角色和沟通行为生成可控医患对话，自动评估显示语音自然度和转录保真度良好，可用于开发和验证沟通编码系统。
大二（Big 2）中不完全信息下的自我对弈强化学习
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出一个自我对弈强化学习框架，在四人不完全信息纸牌游戏Big 2中比较策略梯度和值近似方法，发现PPO优于其他方法，并证明中等熵正则化和当前策略自我对弈的有效性。
Comments 12 pages
2025人工智能代理指数：记录已部署代理式人工智能系统的技术和安全特性
机构 * University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； Harvard Law School（哈佛法学院） ； Stanford University（斯坦福大学） ； Concordia AI（康科迪亚AI） ； University of Pennsylvania（宾夕法尼亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学）
AI总结 本文提出2025人工智能代理指数，记录30种先进代理式AI系统的起源、设计、能力、生态系统及安全特性，揭示代理发展中的趋势和开发者透明度问题。
Comments To be publishesd at ACM FAccT 2026
SparsePixels: 用于FPGA上稀疏数据高效卷积的框架
机构 * University of Pennsylvania, USA（美国宾夕法尼亚大学） ； Institute of Physics Belgrade, Serbia（塞尔维亚贝尔格莱德物理研究所） ； Massachusetts Institute of Technology, USA（美国麻省理工学院） ； Institute for Artificial Intelligence and Fundamental Interactions, USA（美国人工智能与基本相互作用研究所）
AI总结 本文提出SparsePixels框架，通过只计算少量活跃像素实现稀疏卷积，降低FPGA上的推理延迟，实验显示在稀疏LArTPC图像中，稀疏CNN比传统CNN快73倍。
Comments Under review
负学习率使梯度下降-上升收敛
机构 * UPenn（宾夕法尼亚大学）
AI总结 本文提出负学习率调度策略，通过非传统时间变化、不对称和周期性负学习率实现梯度下降-上升算法在经典反例中的收敛，突破传统观点。
Comments revised exposition, all results unchanged
场景与人类共处一世界：前馈式重建
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出SHOW框架，通过统一度量空间中的前馈3D场景重建与人体网格恢复，利用人体语义和尺度先验实现尺度感知的场景重建，并利用场景几何约束优化人体定位，解决动态单目视频中的人-场景对齐和遮挡问题。
LLMs能否进行注意力推理？多模态课堂行为的零样本分析
机构 * Virginia Tech（弗吉尼亚理工大学） ； University of Virginia（弗吉尼亚大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出一个隐私保护的分析流程，利用OpenPose和Gaze-LLE提取学生注意力信息，并通过QwQ-32B-Reasoning进行零样本分析，探讨LLMs在多模态行为理解中的潜力与局限。
Comments 8 pages, 2 figures. Preprint
面向心理健康药物信息检索的知识增强型智能体AI
机构 * Department of Medicine and Therapeutics, The Chinese University of Hong Kong（香港中文大学内科及药物治疗学系） ； Department of Psychiatry, The Chinese University of Hong Kong（香港中文大学精神科学系） ； School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院） ； College of Information Science, University of Arizona（亚利桑那大学信息科学学院） ； Department of Medicine, Stanford University School of Medicine, Stanford University（斯坦福大学医学院医学系） ； Perelman School of Medicine, The University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院） ； Department of Biostatistics, Vanderbilt University（范德堡大学生物统计学系） ； Li Ka Shing Institute of Health Sciences, Faculty of Medicine, The Chinese University of Hong Kong（香港中文大学医学院李嘉诚健康科学研究所）
AI总结 提出一种基于知识图谱的多智能体框架，整合Reddit、WebMD和FDA不良事件报告，通过来源感知集成实现可审计的精神科药物信息检索。
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