高校专区
物理引导的序列生成框架用于声学超材料逆向设计
机构 * National University of Singapore（新加坡国立大学） ； UT Austin（德克萨斯大学奥斯汀分校）
AI总结 提出MetaSeq框架，将声学超材料表示为结构化序列，通过序列到序列模型结合物理求解器和强化学习，实现宽带逆向设计，误差降低45%。
朋友还是敌人？俄罗斯虚假信息压力下开放权重大语言模型中的语言意识形态开关
机构 * Institute of Culture Studies, University of Silesia in Katowice（文化研究学院，卡托维察大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； National Aviation University（国家航空大学）
AI总结 本文通过控制实验发现，针对不同语言社区微调的大语言模型在俄罗斯虚假信息压力下，其抵抗能力与预期文化对齐方向相反，揭示了微调悖论。
轨迹精炼蒸馏
机构 * McGill University（麦吉尔大学） ； Mila Quebec AI Institute（米拉魁北克人工智能研究所） ； UT Austin（德克萨斯大学奥斯汀分校）
AI总结 提出轨迹精炼蒸馏（TRD），通过教师指导修正学生轨迹中的前缀错误，解决在线策略蒸馏中的前缀失败问题，提升大语言模型的单次准确率和推理覆盖。
Comments under review
VESTA: 基于统计工具代理的视觉探索
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； New York University（纽约大学）
AI总结 提出VESTA框架，通过动态增长的工具集指导数据变换、假设驱动可视化和统计检验，提升视觉语言模型在复杂统计建模任务上的性能。
Wasserstein策略梯度在熵正则化强化学习中的全局收敛性
机构 * Shanghai Jiao Tong University（上海交通大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 本文通过利用熵正则化强化学习的Bellman结构，证明了Wasserstein策略梯度（WPG）方法的全局收敛性，并建立了分布Polyak-Łojasiewicz条件。
关于校正流的收敛性与直线性
机构 * Department of Statistics and Data Sciences, UT Austin（统计与数据科学系，德克萨斯大学奥斯汀分校）
AI总结 本文提出Piecewise Straightness参数γ₂,T，建立首个流模型离散误差与γ₂,T的Wasserstein收敛界，证明最小曲率是实现高保真单步采样的关键，同时为RF的直线性分析提供了理论框架。
Comments 37 pages
通过扩散强迫实现统一且稳健的数据同化：ForcingDAS
机构 * University of Michigan（密歇根大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出ForcingDAS，一种基于扩散强迫的统一数据同化框架，能够捕捉长时序依赖并减少误差积累，同时在推理时无需重新训练即可实现滤波到平滑的全谱应用。
AI生成受欢迎但模板化的共情回应
机构 * Department of Psychology, The University of Texas at Austin（心理学系，德克萨斯大学奥斯汀分校） ； Department of Linguistics, The University of Texas at Austin（语言学系，德克萨斯大学奥斯汀分校） ； Department of Computer Science and Engineering, The University of Washington（计算机科学与工程系，华盛顿大学） ； Microsoft Research（微软研究院） ； Toyota Research Institute（丰田研究院）
AI总结 研究发现LLM生成的共情回应高度模板化，采用10种共情语言策略，覆盖81-92%的回应内容，而人类写作则更多样。
SAGE：适应性组织病理图像分割的形状自适应门控专家
机构 * University of Science, VNU-HCM（越南国家大学科学学院） ； Trivita AI ； University of Technology, VNU-HCM（越南国家大学技术学院） ； Michigan State University, USA（美国密歇根州立大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 SAGE通过动态专家路由框架提升异构视觉网络中细胞形态变化的适应性，实现高精度分割与稳健泛化。
Comments Accepted to CVPR 2026 (Findings Track). Project Page: https://oxyzgiahuy.github.io/sage/
浅层神经网络的几何结构与构造性${\mathcal L}^2$成本最小化
机构 * Department of Mathematics, University of Texas at Austin（德克萨斯大学奥斯汀分校数学系）
AI总结 本文研究浅层ReLU网络在欠参数化情况下的成本最小化问题，通过构造上界揭示分类数据的几何结构，不依赖梯度下降。证明了成本函数最小值的上界与训练数据信噪比相关，并确定了特定子空间的构造性训练网络。
Comments AMS Latex, 29 pages. Experimental evidence added. To appear in Physica D: Nonlinear Phenomena
Journal ref Phys. D, 490, Article No. 135176 (2026)
人-外骨骼运动学校准以提高手部跟踪用于灵巧遥操作
机构 * Walker Department of Mechanical Engineering, The University of Texas at Austin（德克萨斯大学机械工程系） ； Sony Group Corporation, Tokyo, Japan（索尼集团公司，日本东京） ； Meta Reality Labs Research, Redmond, WA, USA（Meta现实实验室研究）
AI总结 本文提出一种针对手部外骨骼的个性化校准框架，通过残差加权优化估计虚拟链接参数，减少关节和指尖跟踪误差，提升遥操作精度。
Comments 8 pages, 10 figures, 1 supplementary video, submitted to RA-L
Cosmo3DFlow：用于重建早期宇宙的空间到光谱压缩的小波流匹配
机构 * Department of Computer Science University of Virginia（计算机科学系弗吉尼亚大学） ； Department of Statistics and Data Sciences The University of Texas at Austin（统计与数据科学系德克萨斯大学奥斯汀分校） ； School of Data Science（数据科学学院）
AI总结 提出Cosmo3DFlow框架，结合3D离散小波变换与流匹配，通过空间到光谱压缩解决高维宇宙结构重建中的维度和稀疏性瓶颈，实现比扩散模型快46倍的采样速度。
Journal ref KDD '26: Proc. 32nd ACM SIGKDD Conf. on Knowledge Discovery and Data Mining V.2, 11153-11164 (2026)
可解释的深度ReLU神经网络在依次可分数据上的全局极小值
机构 * Department of Mathematics, University of Texas at Austin（德克萨斯大学奥斯汀分校数学系）
AI总结 本文通过构造零损失分类器，利用累积参数确定截断映射，研究了在小且分离的簇数据及依次线性可分等价类情况下，深度ReLU网络的全局极小值描述。
Comments AMS Latex, 31 pages, 3 figures
Journal ref J. Mach. Learn. Res., 26 (173): 1-31 (2025)
混合测度的树状图用于Softmax门控高斯混合专家：无需模型扫描的一致性
机构 * Faculty of Mathematics and Computer Science, University of Science, Ho Chi Minh City, Vietnam（越南胡志明市科学大学数学与计算机科学学院） ； Vietnam National University Ho Chi Minh City, Vietnam（越南胡志明市国家大学） ； Faculty of Information Technology, University of Science, Ho Chi Minh City, Vietnam（越南胡志明市科学大学信息技术学院） ； ARC Centre of Excellence for the Mathematical Analysis of Cellular Systems（细胞系统数学分析 excellence 中心） ； School of Mathematical Sciences, Queensland University of Technology, Brisbane City, Australia（昆士兰科技大学数学科学学院） ； Department of Statistics and Data Science, University of Texas at Austin, Austin, USA（德克萨斯大学奥斯汀分校统计与数据科学系）
AI总结 针对softmax门控高斯混合专家模型，提出基于Voronoi损失函数的统一统计框架，解决参数非可识别性和模型选择问题，并引入混合测度树状图实现一致且无需多尺寸训练的专家数选择。
Comments Do Tien Hai, Trung Nguyen Mai, and TrungTin Nguyen are co-first authors. In Proceedings of The 29th International Conference on Artificial Intelligence and Statistics, AISTATS 2026 Spotlight, Acceptance rate 2.5% over 2102 submissions
全频谱神经表示的多分辨率增强
机构 * Linac Coherent Light Source, SLAC National Accelerator Laboratory（直线相干光源，SLAC国家加速器实验室） ； Stanford Institute for Materials and Energy Sciences, Stanford University（斯坦福大学材料与能源科学研究所） ； Walker Department of Mechanical Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校机械工程系） ； Department of Mathematics, University of California Davis（加州大学戴维斯分校数学系） ； Department of Physics, Carnegie Mellon University（卡内基梅隆大学物理系）
AI总结 提出WIEN-INR框架，通过分层增强网络在不同分辨率尺度上建模，提升小网络对多尺度结构和高频细节的表示能力，实现紧凑高保真表示。
CardioMorphNet: 使用形状引导的贝叶斯循环深度网络进行心脏运动预测
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出CardioMorphNet，一种基于循环变分自编码器和贝叶斯公式的3D心脏形状引导可变形配准框架，通过递归配准分割图避免强度相似性损失，在心脏运动估计中优于现有方法，并具有更低的不确定性。
Comments Published in Medical Image Analysis. Updated to match the final published version
Journal ref Medical Image Analysis, vol. 113, p. 104149, 2026
关于深度学习中梯度下降无法逼近零损失全局L²最小化器的非近似性
机构 * Department of Mathematics, University of Texas at Austin（德克萨斯大学奥斯汀分校数学系）
AI总结 本文分析了深度学习中梯度下降算法的几何特性，指出在欠参数化网络中，零损失最小化通常无法实现，因此训练输入分布必须非典型才能产生零损失最小化器。
Comments AMS Latex, 7 pages. Typos corrected, Corollary 1.6 upgraded to Theorem, acknowledgment added
Journal ref Theor. Appl. Mech., 52 (1), 67-73 (2025)
Harmonia: 端到端RAG服务优化
机构 * UT Austin（德克萨斯大学奥斯汀分校） ； Cisco Research（思科研究） ； Cisco Systems（思科系统）
AI总结 提出Harmonia框架，通过灵活管道接口、异构感知部署和闭环运行时控制器，优化RAG服务，吞吐量提升2.04倍以上，SLO违规减少78.4%。
ClinicalBench: 大型语言模型能在临床预测中击败传统机器学习模型吗？
机构 * Department of Computer Science Northwestern University Evanston USA（计算机科学系西北大学艾文斯顿美国） ； Department of Computer Science University of Texas at Austin Austin USA（计算机科学系德克萨斯大学奥斯汀美国） ； Boston Children's Hospital, Harvard Medical School Boston USA（波士顿儿童医院哈佛医学院波士顿美国） ； Department of Computer Science Imperial College London London UK（计算机科学系伦敦帝国学院伦敦英国） ； Department of Computer Science Ohio State University Columbus USA（计算机科学系俄亥俄州立大学哥伦布美国） ； Massachusetts General Hospital, Harvard Medical School Boston USA（麻省总医院哈佛医学院波士顿美国） ； Department of Preventive Medicine, Feinberg School of Medicine Northwestern University Chicago USA（预防医学系费因伯格医学院西北大学芝加哥美国） ； Division of Computational Health Sciences, Department of Surgery University of Minnesota Minneapolis USA（计算健康科学部外科部明尼苏达大学明尼阿波利斯美国） ； Department of Population Health Sciences, Weill Cornell Medicine Cornell University New York USA（流行病学与公共卫生系韦尔·科恩医学中心康奈尔大学纽约美国） ； Department of Computer Science Emory University Atlanta USA（计算机科学系埃默里大学亚特兰大美国） ； Northwestern University（西北大学） ； University of Texas at Austin（德克萨斯大学奥斯汀） ； Boston Children's Hospital, Harvard Medical School（波士顿儿童医院哈佛医学院） ； Imperial College London（伦敦帝国学院） ； Ohio State University（俄亥俄州立大学） ； Massachusetts General Hospital, Harvard Medical School（麻省总医院哈佛医学院） ； University of Minnesota（明尼苏达大学） ； Cornell University（康奈尔大学） ； Emory University（埃默里大学）
AI总结 构建ClinicalBench基准，通过三个临床预测任务比较14个通用和8个医学LLM与11个传统ML模型，发现LLM在临床预测上仍无法超越传统ML模型。
Comments Accepted to Proceedings of KDD 2026. The first two authors contributed equally. 12 pages for main paper, 62 pages including appendix. Project website: https://clinicalbench.github.io
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