高校专区
低维感觉动态在循环网络中的嵌入：对神经表征几何的启示
机构 * University of Washington School of Medicine（华盛顿大学医学院） ； Purdue University Fort Wayne（普渡大学韦恩堡分校） ； University of Washington（华盛顿大学）
AI总结 研究探讨了低维感觉动态如何在循环网络中形成嵌入结构，并揭示了预测性能对表征几何的约束作用。
Comments Accepted/forthcoming, Journal of Computational Neuroscience
方向影响函数：估计约束学习中的训练数据影响
机构 * University of Washington（华盛顿大学）
AI总结 研究约束学习中训练数据对模型解的影响，提出方向影响函数（DIF），将约束学习最优性条件表述为变分不等式，在约束线性回归和公平性约束的卷积神经网络上验证，结果表明DIF是约束学习中数据归因的有效可靠工具。
Comments Need revision
平衡隐私与效率：基于加法同态加密的音乐信息检索
机构 * University of Washington（华盛顿大学）
AI总结 该研究提出基于加法同态加密的音乐检索方法，实现音乐专用推理攻击量化、结构感知加法原语优化，在四组音频数据集上验证其兼具隐私性与高效扩展性。
分布偏移下类条件覆盖的标签复杂性
机构 * University of Washington（华盛顿大学）
AI总结 研究分布偏移下类条件覆盖的标签复杂性，指出无标签方法难以兼顾有效性和效率，精确了恢复每类有效性的成本，通过骨架动作识别等案例研究表明相关现象在多模态基准上存在。
具有AI支持的自主阅读：一项为期八周的学生研究
机构 * University of Washington（华盛顿大学） ； University of Copenhagen（哥本哈根大学） ； Aalborg University（奥胡斯大学）
AI总结 本研究探讨了AI支持下学生自主阅读的认知过程，发现学生在阅读中表现出从理解到推理的认知发展，但受效率驱动，倾向于使用AI生成摘要来筛选阅读内容。
从基于摄像头的感知到推理：面向主动弱势道路使用者安全的全面综述
机构 * University of Washington（华盛顿大学） ； University of Utah（犹他大学）
AI总结 综述基于摄像头的主动弱势道路使用者安全方法，将文献分为视觉感知、运动建模和行为理解三部分，构成统一分层管道实现早期风险预测和及时干预，纳入新兴AI范式，识别关键挑战并讨论研究方向，提供VRU安全系统开发基础。
Comments 18 pages, 4 figures, 5 tables
Journal ref IEEE Transactions on Intelligent Transportation Systems, 2026, pp. 1-17
学习进行事实性推理
机构 * FAIR at Meta（Meta 的 FAIR） ； University of Washington（华盛顿大学）
AI总结 研究推理大型语言模型在事实性推理方面的问题，提出同时考虑事实精度、响应细节和答案相关性的新型奖励函数，应用在线强化学习，使模型在长篇事实性基准测试中幻觉率降低、答案细节提升且响应帮助性无降。
Comments ICML 2026
GigaPath-Flash和GigaTIME-Flash：用于全切片和肿瘤微环境分析的高效病理学基础模型
机构 * Microsoft Research（微软研究院） ； 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） ； Providence Genomics（普罗维登斯基因组学公司） ； Earle A. Chiles Research Institute, Providence Cancer Institute（普罗维登斯癌症研究所厄尔·A·奇尔斯研究所） ； Providence Research Network（普罗维登斯研究网络）
AI总结 研究针对计算病理学中模型局限，提出GigaPath-Flash和GigaTIME-Flash模型用于全切片和肿瘤微环境分析。前者结合特定编码器，计算量少性能优；后者扩展架构预测肿瘤免疫微环境，速度快内存省，共同为相关领域提供开放许可模型及权重。
Comments Models: https://aka.ms/gigapath-flash (GigaPath-Flash) and https://aka.ms/gigatime-flash (GigaTIME-Flash)
TOPReward: 令牌概率作为机器人学中的隐式零样本奖励
机构 * University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究所） ； Amazon（亚马逊） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 TOPReward通过利用预训练视频视觉-语言模型的令牌概率，提供高效的零样本奖励估计，显著提升机器人任务进度评估的性能和泛化能力。
DynaMark：一种用于工业机床控制器中动态水印的强化学习框架
机构 * Industrial & Systems Engineering Department, University of Washington（华盛顿大学工业与系统工程系） ； Wm Michael Barnes ’64 Department of Industrial and Systems Engineering, Texas A&M University（德克萨斯农工大学工业与系统工程系）
AI总结 研究针对工业机床控制器重放攻击问题，提出强化学习框架DynaMark，将动态水印建模为马尔可夫决策过程，在线学习自适应策略调整水印协方差，平衡多方面因素，实验验证其能降低水印能量、保持检测延迟并超越现有基准。
Comments Accepted for publication in IEEE Transactions on Automation Science and Engineering (T-ASE)
从紧急停止干预中学习鲁棒性干预
机构 * Paul G. Allen School of Computer Science \& Engineering, University of Washington, Seattle, USA ； Google DeepMind, Seattle, USA
AI总结 本文提出残差干预微调算法，通过结合先验策略解决干预信号不明确的问题，实现鲁棒的策略改进。
通过自适应切空间约简的低秩进化深度神经网络
机构 * Department of Mathematics, Purdue University（普渡大学数学系） ； Department of Applied Mathematics, University of Washington（华盛顿大学应用数学系） ； School of Mechanical Engineering, Purdue University（普渡大学机械工程学院）
AI总结 研究针对进化深度神经网络计算瓶颈，提出低秩进化深度神经网络方法，通过自适应切空间投影降低成本，构建约简雅可比矩阵并建立有限时间比较估计，数值实验表明该方法能降成本且保持精度。
Comments 18 pages
科学计量器：追踪语言模型中的科学知识更新
机构 * University of Washington（华盛顿大学）
AI总结 该研究针对大语言模型科学知识易过时问题，引入科学计量器框架，定义知识保留、获取、预测三个指标，通过主张判断和生成任务，在十个领域数据集上评估五种知识更新方法，发现提升科学知识更新机制关键且具挑战。
扰动是语言模型外推所需的一切
机构 * School of Mathematics, University of Bristol（布里斯托大学数学系） ； School of Mathematics, University of Birmingham（伯明翰大学数学系） ； Department of Statistics, University of Washington（华盛顿大学统计系） ； Department of Statistics, London School of Economics and Political Science（伦敦政治经济学院统计系）
AI总结 本文针对大语言模型外推问题，提出基于扰动的方法，先转换前缀为语义邻域再进行下一个token预测，构建分层模型。通过建立五个属性发展外推性理论，经合成与真实数据评估，该方法提升支持域外预测性能，为语言建模提供实用路径。
Comments 59 pages
智能体如何请求许可：人工智能智能体的用户权限，从接口到执行
机构 * University of Washington（华盛顿大学）
AI总结 研究人工智能智能体系统中用户级权限处理问题，通过调查21个提案构建分类法，分析五个商业智能体并与文献系统比较，确定主题与空白，为智能体权限系统研究提供参考。
Comments 15 pages, 4 figures
数据集值多少钱？缩放定律、Vendi分数与矩阵谱函数
机构 * Department of Electrical & Computer Engineering（电气与计算机工程系） ； Paul G. Allen School of Computer Science & Engineering（保罗·G·艾伦计算机科学与工程学院） ； University of Washington（华盛顿大学）
AI总结 本文通过子模性理论统一了神经缩放定律与Vendi分数，提出矩阵谱函数作为广义数据评估框架，并开发了基于割线方程的快速优化算法，在ImageNet-1K规模上实现了约35,000倍加速，实验表明设施选址函数在预测子集价值方面表现最佳。
Comments 75 pages
棱柱形合成：基于梯度的数据多样化提升语言模型推理中的泛化能力
机构 * NVIDIA Research（NVIDIA研究部） ； University of Washington（华盛顿大学） ； University of Southern California（南加州大学）
AI总结 研究语言模型训练数据多样性对泛化的作用，提出基于梯度熵的G - Vendi指标，进而构建棱柱形合成框架生成多样合成数据，有效提升模型性能，在多个基准测试中表现优于依赖更大数据生成器的模型。
迈向可穿戴健康数据的通用智能与接口
机构 * Google Research（谷歌研究） ； Google DeepMind（谷歌DeepMind） ； University of Washington（华盛顿大学） ； University of Oregon（俄勒冈大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出一个基于超过一万亿分钟无标签传感器数据预训练的可穿戴健康基础模型，通过联合扩展模型容量和预训练数据量，在35项健康预测任务上实现系统性性能提升，并利用LLM代理自动搜索下游预测头，集成到个人健康代理中以提高相关性和安全性。
Comments Narayanswamy and Xu are co-first authors. McDuff and Liu are co-last authors
扩散与流匹配采样器的渐近保持后验分析
机构 * University of Washington（华盛顿大学）
AI总结 研究将最小标准差视为奇异摄动参数，通过后验审计确定固定步长采样器的渐近保持性，分析不同时钟在终端层的稳定性及准确性，在特定模型上验证确定性和随机采样器特性，并用于EDM CIFAR-10检查点分析。
DIVE: 通过自限制梯度更新实现嵌入压缩
机构 * University of Washington Tacoma School of Engineering and Technology（华盛顿大学塔可姆分校工程与技术学院）
AI总结 本文提出DIVE方法，通过自限制的三元组损失和头级NT-Xent对比损失解决嵌入压缩中因标注数据稀缺导致的过拟合问题，提升了检索性能。
鸽笼效应：不良提示导致模型崩溃和犯错
机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学）
AI总结 研究不良上下文导致大语言模型性能下降和模式崩溃的“鸽笼效应”，发现重复错误答案、收敛于狭窄答案集等问题，并提出RLVR合成错误缓解方法。
Comments 10 pages
TopCoW挑战——用于CT和MR血管造影的拓扑感知Willis环分割
机构 * Department of Quantitative Biomedicine, University of Zurich, Zurich, Switzerland ； Institute of Computational Life Sciences, Zurich University of Applied Sciences (ZHAW), Waedenswil, Switzerland ； Department of Neuroradiology, University Hospital of Zurich, Zurich, Switzerland ； Department of Neurosurgery, Zhongnan Hospital of Wuhan University, Wuhan, China ； Department of Radiology at Weill Cornell Medicine, Cornell University, New York, USA ； Institute for Tissue Engineering ； School of Computation, Information ； Technology, Technical University of Munich, Germany ； Athinoula A. Martinos Center for Biomedical Imaging, Harvard Medical School, Boston, USA ； School of Medicine ； Health, TUM Klinikum, Technical University of Munich, Germany ； Munich Center for Machine Learning, Munich, Germany ； Department of Computing, Imperial College London, London, UK ； Image Sciences Institute, UMC Utrecht, Utrecht, The Netherlands ； Department of Neurology ； Neurosurgery, University Medical Center Utrecht, Utrecht, The Netherlands ； Department of Radiology, University Medical Center Utrecht, Utrecht, The Netherlands ； Electronic \& Information Engineering School, Harbin Institute of Technology (Shenzhen), China ； Peng Cheng Laboratory, Shenzhen, China ； Division of Medical Image Computing, German Cancer Research Center (DKFZ), Heidelberg, Germany ； Faculty of Mathematics ； Computer Science, Heidelberg University, Germany ； Helmholtz Imaging, German Cancer Research Center, Heidelberg, Germany ； Data Science School for Health, Karlsruhe/Heidelberg, Germany ； Learning Group, Department of Radiation Oncology, Heidelberg University Hospital ； Department of Radiology, University of Washington, Seattle, WA, USA ； Department of Radiology, Ren Ji Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China ； Department of Clinical Neurosciences, Division of Neurosurgery, Geneva University Hospitals, Geneva, Switzerland ； Department of Neurology, University Hospital of Zurich, Zurich, Switzerland ； Department of Physiology, University of Toronto, Canada ； Department of Neurosurgery, University Hospital of Zurich, Zurich, Switzerland ； Department of Diagnostic Imaging, National University Hospital, Singapore ； University of Chicago, USA ； Department of Diagnostic ； Interventional Neuroradiology, University Hospital Berne ； University of Berne, Berne, Switzerland ； Centre de Recherche du Centre Hospitalier de l’Université de Montréal (CRCHUM), Montréal, Québec, Canada ； DEEPNOID Inc., Seoul, South Korea ； Department of Artificial Intelligence, Korea University, Seoul, South Korea ； Charité Lab for AI in Medicine (CLAIM), Charité Universitätsmedizin Berlin, Berlin, Germany ； Lung Institute, Faculty of Medicine, Imperial College London, London, UK ； Centre for Medical Image Computing, Department of Computer Science, University College London, London, UK ； Department of Radiation Oncology, Duke University Medical Center, Durham, NC, USA ； Institute of Medical Technology, Peking University Health Science Center, Beijing, China ； Hangzhou Genlight MedTech Co., Ltd., China ； Institute of Medical Robotics, Shanghai Jiao Tong University, Shanghai, China ； Department of Automation, Shanghai Jiao Tong University, Shanghai, China ； Department of Artificial Intelligence, Sungkyunkwan University, Seoul, South Korea ； Department of Electrical ； Computer Engineering, Sungkyunkwan University, Seoul, South Korea ； Shanghai MediWorks Precision Instruments Co., Ltd., China ； Institute of Informatics, HES-SO Valais-Wallis, Switzerland ； Department of Measurement ； Electronics, AGH University of Krakow, Poland ； Laboratoire de Thermique et Energie de Nantes (LTeN), Université Nantes, Polytech’Nantes, Nantes, France ； Research Institute of Computer Vision ； Center for Precision Health, McWilliams School of Biomedical Informatics, University of Texas Health Science Center at Houston, USA ； Physense, BCN-Medtech, Department of Communication ； Information Technologies, Universitat Pompeu Fabra, Barcelona, Spain ； Department of Mathematical Modeling ； Machine Learning, University of Zurich, Zurich, Switzerland ； Laboratory of Brain Atlas ； Brain-inspired Intelligence, Institute of Automation, Chinese Academy of Sciences, Beijing, China ； School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China ； School of Computer ； Information Engineering, Xiamen University of Technology, Xiamen, China ； Vascular Research Center, University at Buffalo, NY, USA ； Department of Pathology ； Anatomical Sciences, University at Buffalo, NY, USA ； Department of Neurosurgery, University at Buffalo, NY, USA ； LPIXEL Inc., Tokyo, Japan
AI总结 组织TopCoW基准挑战，发布含125对MRA和CTA扫描的注释数据集，参与者提交CoW分割和变体分类算法，经评估，最佳算法在多任务中表现出色，证明CoW分割算法对下游临床应用有可解释性效用。
Comments Summary paper for the TopCoW Challenge: 4 figures, 1 table, and supplementary material in appendix. Accepted for publication in NEJM AI. Datasets and best-performing algorithm Dockers are available at https://zenodo.org/records/15692630 and https://zenodo.org/records/15665435
Journal ref NEJM AI 2026;3(8)
Meshtryoshka: 通过网格光栅化实现真实场景的可微分渲染
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学） ； Google DeepMind（谷歌DeepMind）
AI总结 提出Meshtryoshka框架，利用嵌套网格壳表示和现成三角形光栅化器，通过符号距离函数间接更新顶点位置，实现大规模无界场景的高质量可微分渲染。
Comments Daniel Xu and David Charatan contributed equally; author order decided by coin flip. Project website: https://danielxu9393.github.io/meshtryoshka-website/
KAMERA：增强北极环境中与冰相关海豹的航空调查
机构 * NOAA NMFS AFSC MML（国家海洋管理局NMFS AFSC MML） ； CICOES（国际极地科学组织） ； University of Washington（华盛顿大学）
AI总结 KAMERA系统用于北极环境中与冰相关海豹的航空调查，通过多相机多光谱同步及实时检测，减少数据集处理时间，能利用多光谱检测目标，数据带元数据，图像和检测结果可映射到世界平面，软件等完全开源。
Comments 10 pages, 9 figures, 4 tables. Code: https://github.com/Kitware/kamera
Journal ref 2025 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW), 2025, pp. 2183-2192
LLM增强调查中的校正难度与最优样本分配
机构 * Michael G. Foster School of Business, University of Washington（华盛顿大学Michael G. Foster商学院）
AI总结 本文研究在LLM预测可用时如何分配人类样本以提高估计效率，提出校正难度分析、最优分配规则及元学习方法，通过实验证明其在不同领域和LLM上的有效性。
细粒度声音景观控制用于增强听觉
机构 * Paul G. Allen School of Computer Science and Engineering, University of Washington（保罗·G·阿伦计算机科学与工程学院，华盛顿大学） ； Hearvana AI（Hearvana人工智能）
AI总结 Aurchestra通过细粒度声音控制实现可穿戴设备上多声音源的独立调节与混合，提升环境声音的增强与抑制效果。
Comments 15 pages, 11 figures, 4 tables, published at ACM MobiSys 2026
Journal ref MobiSys '26: Proceedings of the 24th Annual International Conference on Mobile Systems, Applications and Services (2026) 371-391
通过沙普利值实现大语言模型摘要中的公平文档评估
机构 * University of Washington（华盛顿大学）
AI总结 研究大语言模型摘要中公平文档评估与补偿问题，提出基于沙普利值的框架，开发聚类沙普利值方法，在亚马逊产品评论数据上提升效率与准确性，且与多种因素无关，广泛适用于不同总结设置。
回答之前先解释：组合视觉推理综述
机构 * Monash University（墨尔本大学） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Griffith University（格里菲斯大学） ； Princeton University（普林斯顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 综述2023年至2025年组合视觉推理文献，形式化核心定义，追溯范式转变，编目基准指标，提炼见解、识别挑战并概述方向，为该领域提供统一分类、历史路线图和批判性展望。
Comments Project Page: https://github.com/pokerme7777/Compositional-Visual-Reasoning-Survey
当帮助一方时却削弱了另一方
机构 * University of Washington（华盛顿大学）
AI总结 研究共享环境中人工智能助手行为，指出其可能无意削弱旁观者自主性，即旁观者赋权削弱。从理论上刻画赋权削弱产生条件，通过Disempower-Grid实证表明该现象存在，且受助手目标和能力影响大。
Comments v2: Updated title, added a co-author, extended theoretical analysis of bystander disempowerment, and added new experimental results
FailSafe: 视觉-语言-动作模型中的失败推理与恢复
机构 * Nanyang Technological University（南洋理工大学） ； Centre for Frontier AI Research, A*STAR（A*STAR前沿人工智能研究中心） ； Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学）
AI总结 提出FailSafe系统，自动生成多样化失败案例及可执行恢复动作，微调LLaVA-OV-7B构建FailSafe-VLM，使机器人检测并恢复失败，在ManiSkill任务上平均提升三个VLA模型性能达22.6%。
Comments IROS 2026. Project Page: https://jimntu.github.io/FailSafe
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