高校专区
PhyGround：用于生成世界模型中物理推理的基准测试
机构 * Northeastern University（东北大学） ； Tulane University（路易斯安那州立大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 PhyGround通过250个精心设计的提示和13种物理定律的分类，评估视频生成中的物理推理能力，采用大规模人工研究验证并发布专用VLM评估工具PhyJudge-9B，显著降低偏见。
Comments Preprint. 56 pages, 39 figures, 40 tables. Project page: https://phyground.github.io/
时序相关性的益处：SGD 通过随机游走高效学习 k-联合
机构 * Bocconi University（博科尼大学） ； University of Washington（华盛顿大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究时序相关性如何使稀疏学习问题更高效地被梯度方法解决，展示在超立方体上懒惰随机游走生成样本时，两层ReLU网络能高效学习k-联合。
Comments 10 pages main body, 3 figures
任意到任意的3D扩散模型与知识转移：放射治疗计划研究
机构 * UC Santa Cruz（加州大学圣克ruz分校） ； Siemens Healthineers（西门子医疗） ； University of Washington（华盛顿大学）
AI总结 本文提出DiffKT3D，一种利用预训练视频扩散模型知识的统一Any2Any 3D扩散框架，通过模态特定嵌入实现多临床模态灵活条件化，结合临床导向的强化学习机制，提升放射治疗计划中的剂量预测精度与图像质量。
Comments Accepted by CVPR 2026 main conference. Compare to CVPR version, minor updates here are included (e.g., combine main text and appendix; clarify the timing scenario in appendix)
将多模态大语言模型引入红外-可见图像融合质量评估
机构 * Northwestern University（西北大学） ； Northeastern University（东北大学） ； University of Washington（华盛顿大学） ； Hong Kong Baptist University（香港 Baptist大学） ； Beijing Normal - Hong Kong Baptist University（北京师范大学-香港 Baptist大学）
AI总结 本文提出FuScore，利用多模态大语言模型生成连续质量评分，以更精确区分质量相近的融合图像，并结合多维子维度一致性和三重目标函数提升评估性能。
因果发现应拥抱大众智慧
机构 * Department of Industrial and Systems Engineering, University of Washington（华盛顿大学工业与系统工程系） ； Department of Applied Mathematics, Illinois Institute of Technology（伊利诺伊理工学院应用数学系） ； Department of Electrical & Computer Engineering, Texas A&M University（德克萨斯阿灵顿大学电气与计算机工程系）
AI总结 本文探讨了因果学习中大众智慧范式的发展，提出通过分布式和基于群体的方法整合分散的因果知识，构建全局因果结构，并呼吁跨学科合作。
生成对抗式后训练缓解实时人机音乐交互中的奖励黑客
机构 * Mila, Quebec Artificial Intelligence Institute, Université de Montréal（蒙特利尔大学人工智能研究所，魁北克机器学习研究院） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） ； Massachusetts Institute of Technology（麻省理工学院） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Washington（华盛顿大学） ； McGill University（麦吉尔大学） ； Independent Researcher（独立研究者）
AI总结 本文提出一种对抗训练方法，通过政策生成轨迹缓解生成序列模型后训练中的奖励黑客问题，提升音乐伴奏的多样性与和谐性。
Comments v3: fix the Figure numbering bugs
一条轨迹，一个标记：通过全景子对象轨迹实现的 grounded 视频标记化
机构 * University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能艾伦研究所） ； Woven by Toyota, Inc（丰田公司）
AI总结 本文提出 grounded 视频标记化方法，通过全景子对象轨迹组织标记，减少冗余并保持时间一致性，TrajViT 在多个视频理解基准上优于空间-时间 ViT，具有更高的效率和性能。
Comments ICCV 2025
WavesFM：纵向可穿戴传感器波形的分层表示学习
机构 * Google Research（谷歌研究） ； MIT（麻省理工学院） ； University of Washington（华盛顿大学）
AI总结 WavesFM通过分层自监督学习框架，解决长序列生理数据处理中的高采样频率、多模态依赖和长序列长度问题，实现对局部信号语义和复杂昼夜及跨日变化的建模。
个性化对齐再审视：用户多样性必要性和充分性
机构 * Foster School of Business, University of Washington, Seattle, Washington, USA（华盛顿大学福斯特商学院）
AI总结 本文研究了个性化对齐的理论条件，证明用户多样性是实现高效个性化识别的关键，提出用户多样性条件决定在线 regrets 和离线样本复杂度的最优速率。
全局经验NTK：自参考偏差与梯度下降学习的维度性
机构 * Applied Mathematics, University of Washington（应用数学，华盛顿大学；艾伦研究所） ； Allen Institute（艾伦研究所；神经生物学与生物物理学，华盛顿大学） ； Allen Institute（应用数学，电气与计算机工程，华盛顿大学） ； Neurobiology & Biophysics, University of Washington（应用数学，神经生物学与生物物理学，华盛顿大学；艾伦研究所） ； Applied Mathematics, Electrical & Computer Engineering, University of Washington ； Applied Mathematics, Neurobiology & Biophysics, University of Washington ； Allen Institute
AI总结 本文研究了全局经验NTK的结构，揭示其受制于有效秩并产生自参考偏差，通过Kronecker-core定理证明了广泛模型的NTK可计算性，并展示了自注意力变换器的NTK结构受限于低秩性。
Comments Submitted to TMLR
MicroDiffuse3D：一种用于3D显微成像修复的预训练基础模型
机构 * Paul G. Allen School of Computer Science and Engineering, University of Washington, Seattle, WA, USA（保罗·G·艾伦计算机科学与工程学院，华盛顿大学，西雅图，华盛顿州，美国） ； Department of Chemistry, University of Washington, Seattle, WA, USA（化学系，华盛顿大学，西雅图，华盛顿州，美国）
AI总结 本文提出MicroDiffuse3D，一种预训练的3D显微成像修复模型，通过高通量数据提升3D化学成像的分辨率和信噪比，实现高质量体体积结构重建。
NARRA-Gym用于评估交互叙事代理
机构 * University of Notre Dame（诺丁汉大学） ； LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Pennsylvania（宾夕法尼亚大学） ； Lehigh University（莱恩大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Bake AI UC Santa Barbara（加州大学圣芭芭拉分校） ； University of Washington（华盛顿大学）
AI总结 本文提出NARRA-Gym，一个可执行评估环境，用于评估LLM在多轮交互中生成连贯故事的能力，通过模拟情感种子生成完整故事并记录完整模型在环轨迹，验证了不同模型在故事质量、鲁棒性和用户适应性上的差异。
Sinkhorn治疗效应：一种因果最优传输度量
机构 * Department of Statistics, University of Washington, Seattle, WA, USA（华盛顿大学统计学系） ； Department of Health Care Policy, Harvard Medical School, Boston, MA, USA（哈佛医学院医疗政策系）
AI总结 本文提出Sinkhorn治疗效应，作为因果分布差异的熵最优传输度量，通过核方法构建去偏估计器，并提出聚合检验方法以提高测试效力。
Comments 55 pages, 6 figures
有意违背：自动检测代理轨迹中的故障
机构 * University of Washington（华盛顿大学） ； Microsoft Research（微软研究院）
AI总结 本文提出AgentPex工具，通过提取规则自动评估代理轨迹，发现传统仅关注结果的评估方法无法检测到关键流程故障，如错误的工作流路由、不安全的工具使用或违反提示规则的情况。
Comments Accepted at ACM CAIS 2026
具有噪声语言模型先验的顺序因果发现
机构 * ELLIS Institute Finland and Aalto University（芬兰ELLIS研究所和阿尔托大学） ； Adobe Research（Adobe研究） ； University of Washington, Seattle（华盛顿大学（西雅图））
AI总结 本文提出一种混合框架，通过适应性整合顺序批次数据与噪声专家知识，提升因果发现的准确性，并扩展到参数估计，展示了对语言模型噪声的鲁棒性。
Comments 32 pages, Transactions on Machine Learning Research - TMLR (04/2026)
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