高校专区
BTReport: 一种用于脑肿瘤放射学报告生成的框架，结合临床相关特征
机构 * University of Washington（华盛顿大学） ； University of Washington School of Medicine（华盛顿大学医学院） ； Microsoft Health AI（微软健康人工智能） ； Johns Hopkins School of Medicine（约翰霍普金斯医学院）
AI总结 BTReport通过确定性特征提取和大语言模型结合，生成可解释的脑肿瘤放射学报告，并提供配套数据集提升临床应用
Comments Accepted to Medical Imaging with Deep Learning (MIDL) 2026
Cocoa：基于AI代理的协同规划与协同执行
机构 * University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； Allen Institute for AI（人工智能研究院）
AI总结 Cocoa通过协同规划与执行机制，提升人机协作灵活性，支持复杂研究任务的自主可控与高效执行。
Comments CHI 2026 paper
通过鲁棒签名实现语言模型的不可伪造水印
机构 * Paul G. Allen School of Computer Science & Engineering, University of Washington（保罗·G·艾伦计算机科学与工程学院，华盛顿大学） ； Data Science Institute, University of Chicago（数据科学研究所，芝加哥大学）
AI总结 本文提出了一种通过鲁棒签名实现语言模型不可伪造水印的方法，增强了内容归属的安全性和可追溯性。
Comments 60 pages, 7 figures
冷启动个性化通过从结构化世界模型中训练无关先验进行个性化
机构 * Meta ； University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院）
AI总结 Pep通过结构化世界模型和贝叶斯推断实现冷启动个性化，相比强化学习更高效且能更准确预测用户偏好。
Comments 24 pages, 4 figures, 4 tables
构建用于科学领域异常检测的机器学习挑战
机构 * The Ohio State University（俄亥俄州立大学） ； University of Washington（华盛顿大学） ； MIT（麻省理工学院） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； Duke University（杜克大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Maryland Baltimore County（马里兰大学巴尔的摩县分校） ； University of Colorado, Boulder（科罗拉多大学博尔德分校） ； University of Minnesota（明尼苏达大学） ； Princeton University（普林斯顿大学） ； University of Arkansas for Medical Sciences（亚拉巴马医学科学大学） ； University of Zürich（苏黎世大学）
AI总结 本文提出三个跨学科数据集，旨在开发基于机器学习的异常检测方法，以推动科学发现。
Comments 17 pages 6 figures to be submitted to Nature Communications
OpenTSLM：用于多变量医学文本和时间序列数据推理的时间序列语言模型
机构 * Stanford Mussallem Center for Biodesign（斯坦福 Mussallem 生物设计中心） ； Centre for Digital Health Interventions（数字健康干预中心） ； Agentic Systems Lab（代理系统实验室） ； National University of Singapore（新加坡国立大学） ； Microsoft（微软） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Google Research（谷歌研究） ； Stanford University（斯坦福大学） ； Amazon（亚马逊） ； Division of Cardiovascular Medicine（心血管医学部） ； Division of Cardiology（心内科部） ； Pediatric Cardiology（儿童心内科） ； University of Washington（华盛顿大学）
AI总结 OpenTSLM通过整合时间序列作为原生模态，提升对多变量医学文本和时间序列数据的推理能力，其模型在多个任务中均优于基线模型。
高精度、少言 (HALT)：通过能力对齐微调实现可靠的LLM
机构 * University of Oxford（牛津大学） ； Anthropic（Anthropic公司） ； Meta ； University of Washington（华盛顿大学）
AI总结 HALT通过能力对齐微调提高LLM的响应正确性，使模型在四个领域中正确性提升至87%
ALMo：交互式目标-限制定义的多目标系统，用于宫颈癌高剂量率近距离治疗计划与可视化
机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Stanford University School of Medicine（斯坦福大学医学院） ； Paul G. Allen School of Computer Science & Engineering（保罗·G·艾伦计算机科学与工程学院）
AI总结 ALMo是一种用于宫颈癌高剂量率近距离治疗的交互式多目标系统，通过自动化参数设置和直观的剂量学权衡控制，提高治疗计划质量和效率。
Comments Abstract accepted at Symposium on Artificial Intelligence in Learning Health Systems (SAIL) 2025
通过预期梯度外积重参数化实现更快的自适应优化
机构 * Committee on Computational and Applied Mathematics, University of Chicago（计算与应用数学委员会，芝加哥大学） ； Data Science Institute, University of Chicago（数据科学研究所，芝加哥大学） ； Department of Statistics, University of Chicago（统计学系，芝加哥大学） ； Department of Electrical & Computer Engineering, University of Washington（电气与计算机工程系，华盛顿大学） ； NSF-Simons National Institute for Theory and Mathematics in Biology（NSF-西蒙斯国家理论与生物学数学研究所） ； Department of Computer Science, University of Chicago（计算机科学系，芝加哥大学）
AI总结 本文提出基于预期梯度外积矩阵的正交变换重参数化方法，通过理论和实验证明其能提升自适应优化算法的收敛性能。
语义缓存用于低成本LLM服务：从离线学习到在线适应
机构 * University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The Chinese University of Hong Kong（香港中文大学） ； City University of Hong Kong（香港城市大学） ； Microsoft Research（微软研究院）
AI总结 本文提出了一种基于学习的语义缓存框架，解决LLM服务中的缓存淘汰问题，通过离线优化和在线学习方法，在未知查询和成本分布下实现高效缓存管理。
Comments Accepted to INFOCOM 2026
Olmix: 一种用于大型语言模型开发中数据混合的框架
机构 * Allen Institute for AI（艾伦人工智能研究所） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学）
AI总结 Olmix通过混合重用机制，在LM开发中高效处理动态变化的领域集合，减少计算量并提升下游任务性能。
端到端协作合成数据生成
机构 * University of Washington Tacoma（华盛顿大学塔科马分校）
AI总结 本文提出端到端协作框架，用于隐私保护的合成数据发布，结合隐私保护预处理和评估，通过MPC协议在白血病基因组数据发布中验证其有效性。
Comments Accepted at PPAI Workshop, AAAI 2025
HypeRL: 基于超网络的强化学习用于参数化动力系统控制
机构 * MOX - Department of Mathematics Politecnico di Milano（米兰理工数学系MOX部门） ； Department of Mechanical Engineering University of Washington（华盛顿大学机械工程系） ； Centre for Mathematical Sciences Lund University（卢德大学数学科学中心）
AI总结 HypeRL通过超网络强化学习方法，解决参数化动力系统控制问题，实现高效泛化和优化。
FlyAOC：评估代理本体编纂的果蝇科学知识库
机构 * University of Michigan（密歇根大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学）
AI总结 FlyAOC通过FlyBench评估AI代理在从科学文献中进行端到端本体编纂的能力，发现多代理设计性能更优，但模型规模扩大效益递减。
几何幻觉检测度量实际上测量什么？
机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室） ； University of Washington（华盛顿大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Colorado State University（科罗拉多州立大学） ； University of Texas, El Paso（德克萨斯大学埃尔帕索分校） ； Laboratory for Advanced Cybersecurity Research, National Security Agency（国家安全局高级网络安全研究实验室）
AI总结 本文研究几何统计在检测幻觉中的作用，通过合成数据集分析不同属性对幻觉检测的影响，并提出归一化方法提升多领域检测性能。
Comments Published at the 2025 ICML Workshop on Reliable and Responsible Foundation Models
FHAIM: 完全同态加密用于隐私合成数据生成
机构 * University of Central Florida（中央佛罗里达大学） ； University of Washington Tacoma（华盛顿大学塔可马分校）
AI总结 FHAIM利用完全同态加密技术，实现对加密表格数据的边缘基合成数据生成，保障隐私并提升AI应用的可用性。
How2Everything: 从网络挖掘如何操作指南以评估和改进大语言模型
机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Maryland（马里兰大学） ； University of Washington（华盛顿大学）
AI总结 How2Everything通过从网络挖掘操作指南，构建评估集并利用强化学习提升模型性能，实现大规模的能力评估与改进闭环。
Comments 53 pages, 22 figures
通过折扣到动态的还原实现动态后悔，应用于曲面损失和Adam优化器
机构 * National Key Laboratory for Novel Software Technology（新型软件技术国家实验室） ； School of Artificial Intelligence（人工智能学院） ； University of Washington（华盛顿大学）
AI总结 本文通过折扣到动态的还原方法，改进了FTRL相关问题的动态后悔界，并应用于曲面损失和Adam优化器，获得了非凸非光滑设置下的最优收敛速率。
Bolmo：字节化下一代语言模型
机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； University of Edinburgh（爱丁堡大学）
AI总结 Bolmo通过两阶段转换将现有子词模型转换为字节级模型，实现性能和细粒度理解的平衡。
MARTI-MARS$^2$：通过强化学习实现多智能体自搜索的扩展用于代码生成
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Shanghai Jiao Tong University（上海交通大学） ； Institute of Automation（自动化研究所） ； Fudan University（复旦大学） ； High School Affiliated to Fudan University（复旦大学附属高中） ； Renmin University of China（中国人民大学） ； University of Washington（华盛顿大学）
AI总结 MARTI-MARS2通过多智能体强化学习实现代码生成的扩展，突破单智能体限制，提升性能和多样性。
递归深度VLA：通过潜在迭代推理实现视觉-语言-动作模型的隐式测试时计算扩展
机构 * Stanford University（斯坦福大学） ； Technical University of Munich（慕尼黑技术大学） ； University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 RD-VLA通过潜在迭代推理实现视觉-语言-动作模型的隐式测试时计算扩展，提供恒定内存使用和高达80倍的推理加速。
Comments 11 Pages, Project page:https://rd-vla.github.io/
连续索引学习的局部EGOP
机构 * Department of Statistics, University of Washington（华盛顿大学统计学系） ； Department of Biostatistics, University of Washington（华盛顿大学生物统计学系） ； School of Computer Science, University of Waterloo（滑铁卢大学计算机科学学院）
AI总结 本文提出局部EGOP学习算法，用于连续索引学习，通过适应局部变化子空间提升高维噪声下的学习效率。
在线学习无信息马尔可夫游戏：经验纳什价值遗憾与非平稳适应
机构 * University of Washington（华盛顿大学） ； University of Southern California（南加州大学） ； Hong Kong University of Science and Technology（香港科学与技术大学）
AI总结 本文提出了一种参数无关算法，通过经验纳什价值遗憾度量，在对手非平稳性适应下实现O(min{√K + (CK)^{1/3},√LK})的遗憾界。
Comments 36 pages
空间理论：基础模型能否通过主动探索构建空间信念？
机构 * Northwestern University（西北大学） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Cornell University（康奈尔大学）
AI总结 本文提出空间理论，探讨基础模型通过主动探索构建空间信念的挑战，发现主动-被动差距、探索低效和信念惯性等问题。
Comments published at iclr 2026
博弈中的对抗学习：带轮盘反馈的对数纯策略最大化遗憾
机构 * The University of Tokyo and RIKEN（东京大学和RIKEN） ； University of Southern California（美国南加州大学） ； University of Washington（华盛顿大学）
AI总结 研究在轮盘反馈下通过Tsallis-INF和Maximin-UCB算法实现零和博弈的纯策略最大化遗憾最小化，提出两种算法并推广至双线性博弈。
dUltra: 通过强化学习实现超快扩散语言模型
机构 * University of Washington（华盛顿大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 dUltra通过端对端强化学习框架实现超快扩散语言模型，提升并行生成效率和准确性。
探测大型视觉-语言模型中的知觉恒常性
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Emory University（埃默里大学） ； University of Washington（华盛顿大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了大型视觉-语言模型在颜色、大小和形状恒常性任务中的表现，发现模型在不同任务上的性能存在显著差异。
Comments Under Review
通过几何生成平面性的机器人
机构 * Department of Mechanical & Industrial Engineering, Northeastern University（东北大学机械与工业工程系） ； Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； Khoury College of Computer Sciences, Northeastern University（东北大学计算机科学学院）
AI总结 通过几何反演生成平面性的机器人系统，实现无外部计量的平面运动，适用于高精度计量和微定位应用。
PromptPex: 语言模型提示的自动测试生成
机构 * University of Washington（华盛顿大学） ； Microsoft Research（微软研究院）
AI总结 PromptPex 是一个基于 LLM 的工具，用于自动为语言模型提示生成和评估单元测试，以提高提示的稳健性和可预测性。
视觉-触觉世界模型
机构 * Paul G. Allen School of Computer Science, University of Washington（华盛顿大学保罗·G·阿伦计算机科学学院） ； FAIR, Meta（FAIR，Meta）
AI总结 本文提出视觉-触觉世界模型，通过融合视觉与触觉传感提升机器人在接触丰富任务中的物理建模能力，实验显示其在物体永恒性和运动定律遵守方面表现更优，并在真实机器人任务中实现更高的成功率。
Comments Preprint
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