高校专区
Sat3R: 通过RPC-aware深度微调实现卫星DSM重建
机构 * Clemson University（克莱姆森大学） ； University of Washington（华盛顿大学） ； University of Tennessee（田纳西大学）
AI总结 Sat3R通过RPC-aware深度微调Depth Anything V2，利用SiLog损失构建物理一致的伪深度监督，实现无需每场景优化的卫星DSM重建，实验显示其在精度和速度上均优于现有方法。
共识的成本：恶意认知从众与自适应门控在分布式多智能体搜索中的问题
机构 * Information School, University of Washington（华盛顿大学信息学院） ； Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学系） ； Human Centered Design Engineering, University of Washington（华盛顿大学人本设计工程系）
AI总结 研究探讨了在分布式多智能体搜索中，通信频率和内容如何共同影响集体信念状态，提出认知对齐的概念，分析了通信设计对集体推理的影响。
你只堆叠一次（YOSO）：一种运动过滤的深度学习框架，用于检测微弱移动源
机构 * Dept. of Astronomy \& the DiRAC Institute, University of Washington, Seattle, USA ； Facultad de Ciencias Físicas y Matemáticas (FCFM), University of Chile, Beauchef 850, 851, Santiago, Chile ； LSST Interdisciplinary Network for Collaboration ； Department of Astronomy ； Planetary Science, Northern Arizona University, Flagstaff, USA ； Harvard-Smithsonian Center for Astrophysics, 60 Garden Street, MS 51, Cambridge, MA 02138, USA ； Jet Propulsion Laboratory, California Institute of Technology, 4800 Oak Grove Dr., Pasadena, CA 91109 USA ； Brigham Young University, Department of Physics ； Department of Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Michigan Institute for Data ； AI in Society, University of Michigan, Ann Arbor, MI 48109, USA ； Department of Astronomy, University of Michigan, Ann Arbor, MI 48109, USA ； eScience Institute, Department of Astronomy, University of Washington, Seattle, WA 98195-1580, USA ； Planets Laboratory, Carnegie Institution for Science, Washington, DC 20015
AI总结 YOSO通过运动过滤技术检测宽视场天文调查中的微弱慢速太阳系天体，其核心方法是Gaussian Motion Filter，能有效提升信噪比，发现45个已知天体和11个新冥王星特异天体，适用于大规模调查及行星成像等领域。
Comments Accepted to The Astronomical Journal; 13 pages, 9 figures
不同世代生成式AI模型认知能力的不均衡发展
机构 * Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究） ； University of Washington（华盛顿大学）
AI总结 本文通过心理测量框架评估生成式AI的认知特征，发现其在语言抽象推理方面发展迅速，而视觉感知组织能力停滞，表明架构偏倚影响认知平衡发展。
Comments 25 pages, 5 Figures, 3 Tables
基于分类器引导的germline吸收离散扩散的抗体序列生成
机构 * Paul G. Allen School of Computer Science and Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院） ； Life Sciences, Amazon Web Services（亚马逊网络服务生命科学）
AI总结 本文提出germline吸收扩散模型，通过离散扩散微调提升抗体序列生成性能，有效减少germline偏差，改进非germline残基预测准确率，并在条件生成任务中优于现有方法。
Comments 9 pages, 2 figures, 2 tables
EGA：基于冻结编码器的向量搜索适应方法，具有受限制的分布外退化
机构 * Tacoma School of Engineering and Technology University of Washington（塔科马工程与技术学院华盛顿大学）
AI总结 本文提出EGA方法，通过零初始化、局部三元组损失和超球面投影，解决冻结编码器在部署时面对未见类查询的问题，提升分布外场景下的标签精度。
Comments added ack and github link
MolmoAct2：面向现实部署的动作推理模型
机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） ； National University of Singapore（新加坡国立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Amazon（亚马逊公司） ； University of Michigan（密歇根大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出MolmoAct2，一个完全开放的动作推理模型，通过改进架构和引入新数据集，在五个方面提升性能，展示了在多个基准测试中优于现有模型的成果。
Comments 31 pages, project page: https://allenai.org/blog/molmoact2
静态重加权实现软拟合Q迭代的局部收敛性
机构 * Department of Statistics, University of Washington（华盛顿大学统计学系）
AI总结 本文分析了在无Bellman完备性条件下软拟合Q迭代的稳定性机制，提出静态重加权软拟合Q迭代方法，证明其在近似可实现性和受控加权误差下具有有限样本局部线性收敛性。
无需贝尔曼完备性而通过稳态加权的拟Q评估
机构 * Department of Statistics, University of Washington（华盛顿大学统计学系）
AI总结 本文提出一种无需贝尔曼完备性的拟Q评估方法，通过稳态加权改进回归步骤，实现有限样本线性收敛，减少价值误差。
贝尔曼校准用于离线强化学习中的V学习
机构 * Department of Statistics, University of Washington（华盛顿大学统计学系）
AI总结 本文提出贝尔曼校准方法，用于解决离线强化学习中长期价值预测的可靠性问题，通过校准误差评估和迭代贝尔曼校准方法提升价值预测性能。
在驾驶前思考：基于世界模型的多模态接地用于自动驾驶车辆
机构 * University of Macau（澳门大学） ； UESTC（电子科技大学） ； Purdue University（普渡大学） ； McGill University（麦吉尔大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学）
AI总结 本文提出ThinkDeeper框架，通过预测未来空间状态提升自动驾驶车辆的自然语言指令理解能力，结合超图引导解码器融合多模态输入，提出DrivePilot数据集并在多个基准测试中表现优异。
逆强化学习与仅分类及少量回归
机构 * Department of Statistics, University of Washington（华盛顿大学统计系） ； Netflix（网飞） ； Cornell University（康奈尔大学）
AI总结 本文提出GenPQR方法，通过模块化分类和回归技术，实现逆强化学习中的奖励恢复，无需依赖锚点动作限制或专用神经网络架构，理论支持更广泛的状态wise线性归一化。
超越负回滚：仅正回滚的策略优化
机构 * University of Washington（华盛顿大学）
AI总结 本文提出POPO框架，通过仅使用在线正回滚进行学习，避免负回滚，并通过siamese网络和相似性惩罚提升稳定性，实验证明其在数学基准测试中性能优于GRPO。
在线贝叶斯校准在渐进和突发系统变化下的应用
机构 * Department of Industrial and Systems Engineering（工业与系统工程系） ； University of Washington（华盛顿大学） ； Seattle, WA 98195（华盛顿州西雅图98195）
AI总结 本文提出BRPC框架，用于处理流数据中的系统渐进变化和突发变化，通过分离校准参数更新和偏差更新，提升校准精度和鲁棒性。
矩阵值乐观主义是矩阵值增强：加法混合设计用于约束优化
机构 * University of Washington（华盛顿大学）
AI总结 本文提出加法混合设计方法，通过矩阵值修正提升约束优化性能，揭示了增广拉格朗日与乐观对偶方法的等价性，并在非线性等式约束问题中验证了其有效性。
VibeServe: 人工智能代理能否构建定制化的LLM服务系统？
机构 * University of Washington（华盛顿大学）
AI总结 本文提出VibeServe，一种通过多代理循环自动合成定制化LLM服务系统的框架，在标准部署中与vLLM竞争，在非标准场景中表现更优。
预测与规范性人工智能：优化野火扑救
机构 * Michael G. Foster School of Business and Paul G. Allen School of Computer Science & Engineering, University of Washington（迈克尔·G·福斯特商学院和保罗·G·阿伦计算机科学与工程学院，华盛顿大学）
AI总结 本文提出一种预测与规范性AI方法，联合优化扑救队伍分配与野火扑救，通过整数优化模型和双侧列生成算法提升扑救效率，减少火灾面积。
MARVL：通过视觉-语言模型实现机器人操作的多阶段引导
机构 * School of Intelligent Science and Technology, Nanjing University, China（南京大学智能科学与技术学院） ； National Key Laboratory for Novel Software Technology, School of Artificial Intelligence, Nanjing University, China（南京大学新型软件技术国家实验室，人工智能学院） ； School of Artificial Intelligence, Nanjing University, China（南京大学人工智能学院） ； MACS Lab, University of Washington（华盛顿大学MACS实验室）
AI总结 本文提出MARVL，通过视觉-语言模型实现机器人操作的多阶段引导，解决传统密集奖励函数设计中的问题，提升样本效率和鲁棒性。
弱到强的泛化几乎是不可避免的（在线性模型中）
机构 * University of Washington（华盛顿大学）
AI总结 研究显示在线性逻辑回归中，在轻微的数据分布假设下，弱到强泛化现象几乎不可避免，挑战了传统理论中关于模型容量不匹配是关键机制的观点。
AeroJEPA：学习语义潜在表示以实现可扩展的3D气动场建模
机构 * Universidad Politécnica de Madrid（马德里理工大学） ； University of Michigan（密歇根大学） ； Universitat Politècnica de València（瓦伦西亚理工大学） ； Purdue University（普渡大学） ； Caltech（加州理工学院） ； University of Washington（华盛顿大学）
AI总结 AeroJEPA通过联合嵌入预测架构，在高保真度和大规模场景中实现可扩展的3D气动场建模，通过语义组织潜在空间提升建模效率与设计意义。
ViTok-v2：将原生分辨率自编码器扩展到50亿参数
机构 * University of Texas, Austin（德克萨斯大学奥斯汀分校） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Spellbrush ； Meta Superintelligence Labs（Meta超智能实验室） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 ViTok-v2通过NaFlex实现跨分辨率和宽高比泛化，引入新的DINOv3感知损失，提升重建性能并稳定训练，达到当前最佳水平。
超越语义相似性：通过直接语料交互重新思考代理搜索的检索
机构 * Texas A&M University（德克萨斯A&M大学） ； University of Waterloo（滑铁卢大学） ； UC San Diego（圣地亚哥大学） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Verdent AI ； Lambda
AI总结 本文提出直接语料交互（DCI）方法，通过通用终端工具直接搜索原始语料，无需嵌入模型或检索接口，有效提升代理搜索性能。
逐字采样你的语言模型
机构 * University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能算法研究所）
AI总结 本文提出一种方法，将自回归语言模型转换为字符或字节级模型，解决提示边界问题，统一不同分词器的语言模型词汇。
Comments 28 pages, 9 figures
基于隐式神经表示的可微多物理场联合优化：一个瞬态汉堡烹饪基准测试
机构 * Department of Materials Science and Engineering, University of Washington（材料科学与工程系，华盛顿大学） ； William E. Boeing Department of Aeronautics & Astronautics, University of Washington（威廉·E·博伊宁航空航天与天体航行系，华盛顿大学）
AI总结 本文提出一种端到端可微联合优化框架，结合隐式神经表示与JAX编译的欧拉多物理场求解器，用于瞬态多物理场系统中几何与物理参数的联合优化，通过汉堡烹饪基准测试验证了其有效性。
Comments Preprint. 24 pages, 5 figures
后验增强流匹配
机构 * Georgia Tech（佐治亚理工学院） ； University of Washington（华盛顿大学） ； Hugging Face ； Ai2 ； UC Irvine（加州大学 Irvine 分校）
AI总结 本文提出后验增强流匹配（PAFM），通过引入对中间状态和条件的近似后验期望，解决高维图像中流匹配的稀疏性和高方差问题，提升模型泛化能力。
撤销离线随机多臂老虎机
机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； University of Washington, Tacoma, United States（华盛顿大学 Tacoma 分校） ； University of Massachusetts Amherst, Massachusetts, United States（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文首次研究离线随机多臂老虎机中的撤销问题，提出适应性算法并在两种数据生成模型下建立性能保证和下界。
Comments First two authors made an equal contribution
通过降维实现联邦线性上下文老虎机的扩展
机构 * University of Science and Technology of China（中国科学技术大学） ； University of Washington Tacoma（华盛顿大学塔可姆分校）
AI总结 本文提出FSCLB算法，通过SVD和双降维策略降低联邦线性上下文老虎机的计算和通信开销，理论分析证明其在降维后仍能保持最优 regret 绑定。
ReLay：为更好的理解而定制的LLM生成的通俗摘要，但代价是什么？
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Virginia（弗吉尼亚大学） ； University of Colorado Anschutz（科罗拉多大学安舒茨分校） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Chicago Pritzker School of Medicine（芝加哥大学普ritzker法学院） ； National Library of Medicine, National Institutes of Health（国家医学图书馆，国家卫生研究院） ； University of Washington（华盛顿大学）
AI总结 ReLay研究通过评估五种LLM在两种个性化方法中的表现，探讨了个性化通俗摘要对理解提升与安全性的平衡问题。
迷失在状态空间中：探索冻结的Mamba表示
机构 * University of Washington（华盛顿大学） ； University of Florida（佛罗里达大学）
AI总结 研究探讨了冻结Mamba模型在固定块边界提取句子表示的效果，发现其不如简单均值池化，揭示了严重的各向异性与表示崩溃问题，并提出正交注入方法。
Comments 8 pages, 2 figures
地震波场共同任务框架
机构 * Department of Electrical and Computer Engineering, University of Washington（华盛顿大学电气与计算机工程系） ； Department of Applied Mathematics, University of Washington（华盛顿大学应用数学系） ； High Performance Machine Learning team, SURF（SURF高性能机器学习团队） ； Department of Earth and Space Sciences, University of Washington（华盛顿大学地球与空间科学系） ； Distyl AI ； Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） ； Department of Energy, Nuclear Engineering Division, Politecnico di Milano（米兰理工学院能源部核工程分校） ； Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； Department of Mechanical Engineering, Politecnico di Milano（米兰理工学院机械工程系） ； Department of Mathematics, American University in Beirut（贝鲁特美国大学数学系） ； Department of Mechanical Engineering, American University in Beirut（贝鲁特美国大学机械工程系） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系）
AI总结 本文提出地震波场共同任务框架，通过三个数据集评估算法性能，解决地震预测与重建中的挑战。
Comments 34 pages, 7 figures
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