高校专区
构象排名条件化委员会用于机器学习辅助的定向进化
机构 * Pomona College（波莫纳学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Cambridge（剑桥大学） ； University of California, Irvine（加州大学尔湾分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Avery Bio Inc（艾维生物公司）
AI总结 构象排名条件化委员会框架通过深度神经网络委员会分离epistemic和构象不确定性，提升SARS-CoV-2抗体发现效率。
神经细胞自动机用于ARC-AGI
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出利用神经细胞自动机处理ARC-AGI中的抽象网格任务，通过梯度训练实现高效少样本泛化。
Comments 8 pages, 5 figures
Journal ref Proceedings of the ALIFE 2025: Ciphers of Life: Proceedings of the Artificial Life Conference 2025. ALIFE 2025: Ciphers of Life: Proceedings of the Artificial Life Conference 2025. Kyoto, Japan. (pp. 127-134)
DLRREC: 通过深度融合多模态知识在深度推荐系统中进行潜在表示去噪
机构 * Georgia Institute of Technology（佐治亚理工学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 DLRREC通过深度融合多模态和协同知识，提升深度推荐系统中潜在表示的去噪能力，从而实现更精确的推荐性能。
从拓扑到检索：利用统一签名解码嵌入空间
机构 * University of Tübingen（图宾根大学） ； Fribourg University（弗里堡大学） ； Boehringer Ingelheim GmbH, Biberach (Riss), Germany（勃林格殷格翰公司） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出统一拓扑签名框架，用于全面表征文本嵌入空间，揭示模型架构驱动的相似性，并通过拓扑结构与排序有效性关联，提升文档检索性能。
AI伴侣的有害特性
机构 * UT Austin — Department of Computer Science（德克萨斯大学奥斯汀分校计算机科学系） ； UT Austin — Department of Communication Studies（德克萨斯大学奥斯汀分校传播学系） ； UT Austin — Technology & Information Policy Institute（德克萨斯大学奥斯汀分校科技与信息政策研究所） ； UT Austin — Department of Psychology（德克萨斯大学奥斯汀分校心理学系） ； UT School of Law（德克萨斯大学法学院） ； UT Austin — Department of English（德克萨斯大学奥斯汀分校英语系） ； El Colegio Mexiquense, A.C. — Seminario de Instituciones, Sociedad Civil y Políticas Públicas（墨西哥埃尔科尔西奥学院，A.C. — 社会与公共政策研讨会） ； Sony AI（索尼人工智能）
AI总结 本文研究了AI伴侣可能带来的有害特性，分析了其潜在负面影响及因果路径，并提出减轻风险的设计建议。
SizeGS: 通过混合整数规划实现3D高斯点云的尺寸感知压缩
机构 * SIGS, Tsinghua University（清华大学SIGS实验室） ； Harbin Institute of Technology（哈尔滨工业大学） ； MMLab, The Chinese University of Hong Kong（香港中文大学MMLab） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Jiangxing Intelligence Inc.（江行智能有限公司）
AI总结 SizeGS通过混合整数规划优化3DGS的超参数，实现高效尺寸感知压缩，提升压缩效率和视觉质量。
Comments Automatically compressing 3DGS into the desired file size while maximizing the visual quality
Thought2Text: 使用大型语言模型（LLMs）从EEG信号生成文本
机构 * School of Information University of Texas at Austin（信息学院 德克萨斯大学奥斯汀分校）
AI总结 Thought2Text利用大型语言模型从EEG信号生成文本，通过多阶段微调实现脑活动的可理解表达。
Comments Accepted to Findings of NAACL 2025
数据驱动建模与车辆动力学校正
机构 * Department of Aerospace Engineering and Engineering Mechanics, The University of Texas at Austin（航空航天工程与工程力学系，德克萨斯大学奥斯汀分校） ； Department of Mathematics, The Ohio State University（数学系，俄亥俄州立大学） ； Department of Computer Science, The University of Texas at Austin（计算机科学系，德克萨斯大学奥斯汀分校） ； Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin（计算工程与科学研究所，德克萨斯大学奥斯汀分校）
AI总结 本文提出DRIPS和FML两种方法，用于数据驱动校正非自主车辆动力学，实现高效且准确的模型学习与误差修正。
关于将EEG信号与生成式AI连接的综述：从图像和文本到更广泛的领域
机构 * School of Information, The University of Texas at Austin, Austin, TX, USA（信息学院，德克萨斯大学奥斯汀分校，奥斯汀，德克萨斯州）
AI总结 本综述探讨了将EEG信号转化为图像、文本和音频的生成式AI方法，分析了当前技术趋势与挑战，为未来研究提供参考。
面向类别级目标检测的对象中心数据合成
机构 * University of Richmond（里士满大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Berkeley（加州大学伯克利分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Analog Devices, Inc（安森科技公司）
AI总结 本文提出一种面向类别级目标检测的对象中心数据合成方法，通过不同数据合成技术提升模型在新目标类别上的检测性能。
Comments 10 pages, 10 figures
ReasoningWeekly: 一个面向大语言模型的通用知识和逻辑推理挑战
机构 * Northeastern University（东北大学） ； Wellesley College（韦尔斯利学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cursor
AI总结 ReasoningWeekly是一个基于NPR周日谜题挑战的通用知识和逻辑推理基准，揭示了现有评估中不明显的模型能力差距，并发现了新的推理失败类型。
PropensityBench: 通过代理方法评估大语言模型中的潜在安全风险
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Maryland, College Park（马里兰大学帕克分校）
AI总结 PropensityBench通过模拟危险能力评估大语言模型的潜在安全风险倾向，揭示模型在压力下可能选择高风险行为的倾向。
SAS: 模拟注意力分数
机构 * Morgan Stanley（摩根大通） ； Stanford（斯坦福大学） ； Microsoft Research（微软研究院） ； NUS（新加坡国立大学） ； UT Austin（得克萨斯大学奥斯汀分校） ； HKU（香港大学）
AI总结 SAS通过模拟更多注意力头和特征维度，以低成本提升模型性能，同时保持参数效率。
Comments Tech Report
强对偶性与双上升方法在连续时间机会约束随机最优控制中的应用
机构 * Walker Department of Mechanical Engineering, University of Texas at Austin（德克萨斯大学奥斯汀分校机械工程系）
AI总结 本文提出了一种基于强对偶性的方法，用于求解连续时间机会约束随机最优控制问题，通过路径积分方法和梯度上升解决对偶问题，并验证了其在移动机器人导航中的有效性。
Comments arXiv admin note: substantial text overlap with arXiv:2504.17154
ObjectAlign: 神经符号对象一致性验证与修正
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Qualcomm AI Research（高通人工智能研究）
AI总结 ObjectAlign通过结合感知度量与符号推理，有效检测并修正视频编辑中的对象一致性问题，提升视频质量。
生成模型预测控制在制造过程中的应用：综述
机构 * School of Manufacturing Systems and Networks, Arizona State University（制造系统与网络学院，亚利桑那州立大学） ； Walker Department of Mechanical Engineering, University of Texas at Austin（机械工程系，德克萨斯大学奥斯汀分校）
AI总结 本文综述了生成ML在制造过程中的应用，探讨了其如何通过学习数据分布和管理不确定性来增强MPC，提出了未来研究方向和实际案例。
Comments 24 pages, 5 figures, Review article
在空间和时间中搜索：统一的记忆-动作循环用于开放世界物体检索
机构 * Department of Computer Science, The University of Texas at Austin（计算机科学系，德克萨斯大学奥斯汀分校）
AI总结 STAR框架通过统一记忆查询和具身动作，提升开放世界中时空物体检索的效率与准确性。
Comments https://amrl.cs.utexas.edu/STAR/
Codec2Vec: 基于神经语音编解码器的自监督语音表示学习
机构 * Department of Computer Science University of Texas at Austin Texas, USA（计算机科学系 休斯顿大学 德州 美国）
AI总结 Codec2Vec通过离散音频编解码单元实现自监督语音表示学习，有效提升存储效率和训练速度，同时在SUPERB基准上表现优异。
Comments To be presented at ASRU 2025
CARE-RAG - 临床评估与推理中的RAG
机构 * Department of Computer Science（计算机科学系） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Behavioral Science and Psychiatry（行为科学与精神病学） ； Department of Statistics（统计学系） ； University of Michigan（密歇根大学） ； School of Information（信息学院）
AI总结 CARE-RAG研究了检索增强生成在临床环境中的推理能力，提出评估框架以确保推理的准确性和一致性。
Comments The Second Workshop on GenAI for Health: Potential, Trust, and Policy Compliance
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Tencent AI Lab, USA（腾讯AI实验室（美国））
Comments Submitted to ICASSP2026
机构 * Indian Statistical Institute, Kolkata（印度统计研究院，科希马） ； Department of Statistics and Data Science, University of Texas at Austin（德克萨斯大学奥斯汀分校统计与数据科学系） ； Electronics and Communication Sciences, Indian Statistical Institute, Kolkata（印度统计研究院，科希马电子与通信科学） ； Department of Statistics, University of Oxford（牛津大学统计系） ； Department of Statistics, University of Michigan（密歇根大学统计系）
Comments Accepted in AAAI 2026
机构 * UT Austin（得克萨斯大学） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学）
Comments NeurIPS 2025 Spotlight
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Uber Technologies（优步技术）
Comments To appear in ASE 2025
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
Comments NeurIPS 2025, Project webpage: https://vision.cs.utexas.edu/projects/CrossTrainer/
机构 * UT Austin（得克萨斯大学） ； Microsoft Research（微软研究院）
Comments NeurIPS 2025
机构 * UT Austin（德克萨斯大学）
Comments Bugfix
机构 * Apple（苹果公司） ； UT Austin（得克萨斯大学奥斯汀分校） ； Harvard（哈佛大学）
Comments 50 pages, 3 figures
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Amazon（亚马逊）
Comments EMNLP 2025. Demo and code are available at https://zhishengzheng.com/voicecraft-x/
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Google DeepMind（谷歌DeepMind） ； Google（谷歌） ； Meta Platforms（元平台）
Comments 43 pages
机构 * Department of Philosophy University of North Carolina at Chapel Hill（哲学系北卡罗来纳大学教堂山分校） ； Department of Computer Science University of North Carolina at Chapel Hill（计算机科学系北卡罗来纳大学教堂山分校） ； Department of Computer Science University of Texas at Austin（计算机科学系德克萨斯大学奥斯汀分校）
Comments substantial expansions of sections 4 and 5, updated references, numerous smaller additions and clarifications
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