高校专区
基于变分自编码器的数据驱动生成中子星方程 of 状态
机构 * Institute for Nuclear Theory, University of Washington（核理论研究所，华盛顿大学）
AI总结 本文提出基于变分自编码器的数据驱动方法，用于高保真重建中子星方程 of 状态，通过监督可观测值和潜在变量实现高精度EOS生成
Comments 12 pages, 8 figures. In preparation for submission to Machine Learning: Science and Technology
神经网络能否学习小的代数世界？对由窄模型预测群操作所学习的群论结构的调查
机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室） ； Department of Mathematics, University of Washington（华盛顿大学数学系） ； Colgate University（科尔盖特大学）
AI总结 研究探讨神经网络在预测群操作任务中学习群论结构的能力，发现模型能捕捉抽象代数特性，但无法提取单位元概念。
Comments Presented at TAG-DS 2025
人类与大语言模型协作的表格数据特征工程
机构 * Purdue University（普渡大学） ； Adobe（Adobe公司） ； UIUC（伊利诺伊大学香槟分校） ； University of Washington（华盛顿大学） ； UC Davis（加州大学戴维斯分校）
AI总结 本文提出人类与大语言模型协作的表格数据特征工程框架，通过解耦操作提出与选择过程，结合人类专家反馈提升特征工程效率和效果。
Comments ICLR 2026
LLM 人格作为方法基准测试中的实地实验替代品
机构 * Foster School of Business, University of Washington, Seattle, USA（华盛顿大学福斯特商学院）
AI总结 本文提出通过LLM人格模拟替代实地实验，证明在特定条件下，人格模拟与改变评估人群效果相同，并定义了样本量对区分方法有效性的决定性作用。
快速失败，大获成功：通过扩散大语言模型重新思考推测解码的起草策略
机构 * Princeton University（普林斯顿大学） ； University of Washington（华盛顿大学） ； Google（谷歌） ； Rice University（里士满大学）
AI总结 FailFast通过动态调整推测长度，利用扩散大语言模型的并行解码优势，实现快速失败和大获成功，提升推测解码效率。
Cheap2Rich: 一种多保真框架用于多尺度物理系统的数据同化与系统辨识——旋转爆震发动机
机构 * Department of Electrical ； Computer Engineering, University of Washington, Seattle, USA ； Department of Applied Mathematics, University of Washington, Seattle, USA ； University of Michigan, Advanced Propulsion Concepts Lab, Ann Arbor, USA ； Department of Mathematics, Swiss Federal Institute of Technology Zurich, Zurich, Switzerland
AI总结 Cheap2Rich提出一种多保真框架，通过结合快速低保真先验与学习的误差修正，实现多尺度物理系统中高保真状态空间的重建，用于旋转爆震发动机的数据同化与系统辨识。
AdaReasoner: 多步骤视觉推理中的动态工具协调
机构 * Fudan University（复旦大学） ； Tongji University（同济大学） ； National University of Singapore（新加坡国立大学） ； University of Washington（华盛顿大学） ； University of Electronic Science and Technology of China（电子科技大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 AdaReasoner通过动态工具协调提升多模态模型的视觉推理能力，实现工具自适应和泛化，超越现有系统性能。
Comments 28 pages, 10 figures and 13 tables
合成对象组合用于检测、分割和接地任务中的可扩展和准确学习
机构 * University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 合成对象组合（SOC）通过新的以对象为中心的组合策略，实现了准确且可扩展的数据合成流程，提升了检测、分割和接地任务的性能，尤其在低数据和封闭词汇场景中表现突出。
Comments Project website: https://github.com/weikaih04/Synthetic-Detection-Segmentation-Grounding-Data
为何保留你的怀疑？多智能体老虎机系统中的视觉不确定性交易
机构 * Sun Yat-sen University（中山大学） ； University of Washington（华盛顿大学） ； Snap Inc.（Snap公司） ； Syracuse University（雪城大学）
AI总结 Agora通过去中心化市场交易机制提升多智能体系统在视觉任务中的协调效率与经济性。
Comments Accepted to ICLR 2026
PaperTok: 探索生成式AI在科研传播中制作短视频的应用
机构 * University of Washington（华盛顿大学）
AI总结 PaperTok利用生成式AI帮助研究人员将学术论文转化为短视频，通过自动化脚本和视听内容生成，提升科研传播效率。
Journal ref In Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI '26), Apr 13-17, 2026, Barcelona, Spain. ACM, New York, NY, USA
DREAM: 图学习中带标签噪声的双标准语义同质性与动态优化
机构 * National Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University-Anker Embodied AI Lab, Peking University（国家多媒体信息处理重点实验室，计算机科学学院，北京大学-安ker具身AI实验室，北京大学） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） ； Department of Computer Science, University of Illinois Chicago（计算机科学系，伊利诺伊大学香槟分校） ； 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） ； Department of Statistics, University of Wisconsin–Madison（统计系，威斯康星大学麦迪逊分校）
AI总结 DREAM通过双标准策略和动态优化解决图学习中标签噪声问题，提升图结构中节点可靠性与关系信息的利用。
EveNet：粒子碰撞数据分析的基础模型
机构 * Department of Physics, National Taiwan University, Taipei, Taiwan（国立台湾大学物理系） ； Tsung-Dao Lee Institute, Shanghai Jiao Tong University, Shanghai, China（李政道研究所） ； Fundamental Physics Directorate, SLAC National Accelerator Laboratory, Menlo Park, USA（SLAC国家加速器实验室基础物理主任） ； Department of Physics, University of Washington, Seattle, Washington, USA（华盛顿大学物理系） ； Department of Particle Physics and Astrophysics, Stanford University, Stanford, USA（斯坦福大学粒子物理与天体物理学系） ； Kobayashi-Maskawa Institute, Nagoya University, Nagoya, Japan（小林信三研究所）
AI总结 EveNet通过预训练在大量模拟碰撞事件上，实现了对粒子碰撞数据分析的高效处理，展示了在多种任务上的优越性能和在低统计数据下的高效性。
Comments 26 pages, 8 figures
Privy：面向消费者的人工智能产品概念中的隐私风险展望与缓解
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Washington（华盛顿大学）
AI总结 Privy通过结构化隐私影响评估帮助无隐私专业知识的从业者识别和缓解人工智能产品概念中的隐私风险，其基于大语言模型的版本效果更佳。
贝尔曼残差的稳定性与泛化能力
机构 * University of Washington（华盛顿大学） ； Chung-Ang University（Chung-Ang 大学）
AI总结 本文研究了贝尔曼残差最小化在离线强化学习中的稳定性与泛化能力，提出了一种新的方法通过李雅普诺夫势能实现O(1/n)的稳定性界，无需额外正则化或独立性假设。
JiraiBench：一个双语基准，用于评估大型语言模型在Jirai社区中检测人类自毁行为内容的效果
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Washington（华盛顿大学） ； The Hong Kong Polytechnic University（香港理工大学） ； The University of Tokyo（东京大学）
AI总结 JiraiBench通过双语评估揭示文化接近性在检测自毁内容中的重要性，展示跨语言知识迁移的潜力。
Comments 20 pages, 1 figures
澄清或回答：基于上下文不充分的代理视觉问答强化学习
机构 * University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院）
AI总结 CoA通过强化学习解决上下文不充分的视觉问答问题，通过生成聚焦问题澄清歧义，提升问答准确性。
具有认知启发的标记克服了多模态模型中的自我中心偏差
机构 * Department of Psychology University of Washington（心理学系华盛顿大学）
AI总结 本研究通过引入视角标记，提升多模态模型在空间推理任务中的表现，实现更人样的空间认知能力。
OmniView: 一种用于3D和4D视图合成的全视角扩散模型
机构 * University of Washington（华盛顿大学） ； Snap Inc.（Snap公司）
AI总结 OmniView是一种统一的扩散模型，能够泛化多种4D一致性任务，通过空间、时间和视图条件的灵活组合提升视频生成质量与相机控制精度。
Comments Project page: https://snap-research.github.io/OmniView/
超越验证损失：临床定制优化指标提高模型的临床性能
机构 * University of Washington（华盛顿大学）
AI总结 本文提出通过临床定制指标优化模型，以提升其在医疗场景中的性能表现。
Comments 16 pages, 9 figures
通过组合权重和数据稀疏性提高MoE计算效率
机构 * University of Washington（华盛顿大学）
AI总结 通过结合权重和数据稀疏性，提高MoE计算效率，减少训练-推理不匹配，提升模型性能。
Elsewise: 基于可能性空间可视化的AI交互叙事创作
机构 * University of Washington（华盛顿大学） ； University of Notre Dame（圣约翰大学）
AI总结 Elsewise通过引入捆绑叙事线概念，帮助作者更有效地理解和控制AI交互叙事中的叙事可能性空间，提升作者对玩家体验的预判能力。
Accessibility Scout: 个性化建筑环境可及性扫描
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Washington（华盛顿大学）
AI总结 Accessibility Scout利用大型语言模型实现个性化建筑环境可及性扫描，通过协同人机评估，根据用户需求定制可及性评估，提升无障碍评估的适应性和扩展性。
Comments 18 pages, 16 figures. Presented at ACM UIST 2025
恶意AI群如何威胁民主：代理AI与大语言模型的融合标志着信息战争的新前沿
机构 * Department of Sustainable Communication Technologies, SINTEF Digital（可持续通信技术系，SINTEF数字） ； Max Planck Institute for Security and Privacy（安全与隐私研究所） ； Department of Mathematics, City St George’s University of London（数学系，圣乔治大学） ； Macrostrategy Research Initiative（战略研究计划） ； Human Nature Lab, Yale University（人性实验室，耶鲁大学） ； Department of Politics and Public Administration, University of Konstanz（政治与公共管理系，康斯坦茨大学） ； Harvard Business School, Harvard University（哈佛商学院，哈佛大学） ； Department of Psychology, University of Cambridge（心理学系，剑桥大学） ； Department of Computer Science, University of British Columbia（计算机科学系，不列颠哥伦比亚大学） ； Department of Human Centered Design & Engineering, University of Washington（以人为本设计与工程系，华盛顿大学） ； Department of Psychology, New York University（心理学系，纽约大学） ； Observatory on Social Media and Luddy School of Informatics, Computing, and Engineering, Indiana University（社交媒体观察所和信息、计算与工程学院，印第安纳大学）
AI总结 本文探讨了恶意AI群通过融合代理AI与大语言模型对民主构成的威胁，并提出多方面的干预措施。
Comments 5 Pages, This is the author's version of the work. It is posted here by permission of the AAAS for personal use, not for redistribution. The definitive version was published in Science on January 22, 2026, DOI: 10.1126/science.adz1697
为社会公益服务的NLP：挑战、机遇与负责任部署的综述与展望
机构 * University of Copenhagen（哥本哈根大学） ； University of Michigan-Ann Arbor（密歇根大学安娜堡分校） ； ETH Zurich（苏黎世联邦理工学院） ； University of North Texas（北卡罗来纳州立大学） ； Sony Computer Science Laboratories - Paris（索尼计算机科学实验室-巴黎） ； Santa Clara University（圣克拉拉大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Dataminr（DataMinr公司） ； United Nations Development Programme (UNDP)（联合国开发计划署） ； University of Maryland, College Park（马里兰大学学院市分校） ； Max Planck Institute for Intelligent Systems, Tübingen（智能系统马克斯·普朗克研究所，图宾根） ； Vector Institute（向量研究所） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学） ； Queen Mary University of London（伦敦大学玛丽女王学院） ； IIT Kharagpur（印度理工学院Kharagpur分校） ； University of California San Diego（加州大学圣地亚哥分校） ； Princeton University（普林斯顿大学） ； LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； University of Alicante（阿利坎特大学） ； University of Michigan-Flint（密歇根大学弗林特分校） ； University of Southern California（南加州大学） ； Technical University of Munich（慕尼黑技术大学）
AI总结 本文综述了NLP在社会公益领域的应用现状，指出包容性和AI危害是研究热点，同时呼吁跨学科合作以促进公众福祉。
Comments Accepted to EACL 2026
通过弱项针对性后训练实现统一的文本图像生成
机构 * FAIR at Meta（Meta旗下的FAIR） ； University of Texas, Austin（德克萨斯大学奥斯汀分校） ； University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出通过针对性后训练实现统一文本图像生成，提升多模态生成性能。
通过调整自我参照查询进行语言模型的人格编辑
机构 * Chung-Ang University（Chung-Ang 大学） ； University of Washington（华盛顿大学）
AI总结 PALETTE通过调整自我参照查询实现语言模型的人格编辑，仅需12个样本即可显著提升人格对齐性。
Comments Accepted to EACL 2026 (Main)
从聚合的出行生成数据中提取网络层面的流动性度量
机构 * Department of Applied Mathematics, University of Washington（应用数学系，华盛顿大学） ； Department of Mathematics, University of California, San Diego（数学系，加州大学圣地亚哥分校）
AI总结 本文提出了一种从聚合出行数据中提取网络层面流动性度量的框架，通过合成数据验证了其在描述网络组织和流量约束方面的有效性，并应用于真实数据展示了其在城市尺度上的可解释性。
Comments 34 pages, 20 figures
基于大语言模型的可视化重定向挑战与机遇
机构 * University of Washington（华盛顿大学） ； Microsoft Research（微软研究院）
AI总结 本文探讨了大语言模型在可视化重定向中的应用挑战与机遇，通过对比两种方法评估LLM在代码生成和适应中的性能及局限性。
Comments 5 pages, 3 figures, 1 table
高维尾指数回归
机构 * Vanderbilt University（范德比尔特大学） ； University of Washington（华盛顿大学） ； Lehigh University（莱斯大学）
AI总结 本文提出高维尾指数回归模型，通过正则化估计和去偏处理实现参数估计与推断，应用于社交媒体病毒性帖子的文本分析。
HERMES：用于突变效应和稳定性的全息等效神经网络模型
机构 * University of Washington（华盛顿大学） ； Institute for Protein Design（蛋白质设计研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； Fred Hutchinson Cancer Center（弗雷德· Hutchinson 癌症中心） ； Yale University（耶鲁大学）
AI总结 HERMES是一种基于3D旋转等效结构的神经网络模型，用于预测蛋白质突变的稳定性和适应性效应，通过预训练和微调实现高精度预测。
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