高校专区
深度学习与机器学习——Python数据结构与数学基础：从理论到实践
机构 * Zhejiang University（浙江大学） ； Indiana University（印第安纳大学） ； Kyoto University（京都大学） ； AppCubic ； Rutgers University（罗格斯大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Purdue University（普渡大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本书通过Python语言，系统讲解机器学习和深度学习的基础理论与实践，涵盖数学基础、算法实现及大数据应用，帮助读者掌握AI开发的核心技能。
Comments 298 pages
深度学习与机器学习：通过设计模式推进大数据分析与管理
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Indiana University（印第安纳大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； University of Hawaii（夏威夷大学） ； National Taiwan Normal University（台湾师范大学） ； Kyoto University（京都大学） ； Rutgers University（罗格斯大学） ； AppCubic ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Purdue University（普渡大学） ； Emory University（埃默里大学）
AI总结 本书通过设计模式优化大数据分析系统开发与维护，提供高效、可重用的系统构建方法。
Comments 138pages
深度学习与机器学习，推动大数据分析与管理：面向对象编程
机构 * Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； Indiana University（印第安纳大学） ； Rutgers University（罗格斯大学） ； Purdue University（普渡大学） ； Kyoto University（京都大学） ； University of Hawaii（夏威夷大学） ； National Tsing Hua University（国立清华大学） ； The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； National Taiwan Normal University（台湾师范大学） ； Emory University（埃默里大学） ； JTB Technology Corp.（JTB技术公司）
AI总结 本文探讨了面向对象编程在机器学习和深度学习中的应用，通过Python示例展示了如何提升代码模块化和可维护性，为AI项目提供更稳健的开发方法。
Comments 49pages
基于交叉验证特征值的图维数估计
机构 * Department of Statistics, University of Wisconsin–Madison（统计学系，威斯康星大学麦迪逊分校） ； Department of Mathematics, University of Wisconsin–Madison（数学系，威斯康星大学麦迪逊分校）
AI总结 本文提出了一种基于交叉验证特征值的方法，用于估计图的潜在维度数量，适用于不同统计检测需求的场景，并在模拟和实际数据中表现出良好的性能。
Comments 63 pages, 12 figures
通过AI-Noether的反向推理弥合AI系统推导的科学定律与经典知识之间的鸿沟
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； IBM Research Madison, WI（IBM马歇尔实验室） ； IBM Research Yorktown Heights, NY（IBM尤里卡高地实验室） ； Imperial Business School（帝国商业学院） ； Samsung AI Cambridge, UK（三星AI剑桥实验室）
AI总结 本文提出基于代数几何的开源系统，通过反向推理生成候选公理以弥补AI系统推导的科学定律与经典知识之间的差距。
Comments 47 Pages (20+appendix), 14 Figures, Preprint: Updated for recent submission
CETCAM: 通过一致且可扩展的分词实现相机可控的视频生成
机构 * Georgia Institute of Technology（佐治亚理工学院） ； ByteDance（字节跳动） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 CETCAM通过一致且可扩展的分词方案实现相机可控的视频生成，提高了几何一致性和视觉真实性，同时支持额外的控制模式。
ChronoDreamer：基于动作的动态世界模型作为机器人规划的在线模拟器
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 ChronoDreamer通过时空变换器和视觉-语言模型，实现基于动作的动态世界模型，用于机器人规划中的安全动作预测与碰撞检测。
隐私感知的原始空间传感器数据共享以实现协作感知
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出SHARP框架，旨在通过减少隐私泄露促进原始数据驱动的协作感知，同时探讨实现该框架的开放性问题。
通过谱图对齐的图对比学习
机构 * Department of Statistics University of Wisconsin-Madison（统计学系 明尼苏达大学威斯尼恩分校）
AI总结 SpecMatch-CL通过最小化图-图归一化拉普拉斯矩阵差异，提升图对比学习的全局结构对齐能力，在多个基准测试中取得新突破。
Comments The author thanks Joshua Cape for helpful comments and apologizes for listing him as a coauthor on a previous version of this article without his consent
生成式多目标贝叶斯优化与可扩展批量评估用于样本高效的从头分子设计
机构 * Department of Chemical and Biological Engineering, University of Wisconsin--Madison, Madison, Wisconsin 53706, United States（化学与生物工程系，威斯康星大学麦迪逊分校） ； Department of Chemical and Biomolecular Engineering, The Ohio State University, Columbus, Ohio 43210, United States（化学与生物分子工程系，俄亥俄州立大学）
AI总结 本文提出了一种生成式多目标贝叶斯优化框架，通过生成候选分子并优化选择，提高样本效率和多样性，在分子设计中取得显著进展。
目的地之前：视觉忠实性在慢思考中的重要性
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； AWS AI Labs（AWS人工智能实验室）
AI总结 本文提出视觉忠实性评估方法，通过检测并修正不忠实的感知步骤提升多模态推理的可靠性。
Comments Preprint
用一个蛋糕喂两只鸟：利用野数据实现分布外泛化和检测
机构 * Institute for Foundations of Data Science, University of Wisconsin, Madison（数据科学基础研究院，威斯康星大学麦迪逊分校） ； Department of Computer Sciences, University of Wisconsin, Madison（计算机科学系，威斯康星大学麦迪逊分校） ； Department of Electrical and Computer Engineering, University of Wisconsin, Madison（电气与计算机工程系，威斯康星大学麦迪逊分校）
AI总结 本文提出一种统一框架，通过利用野数据同时实现分布外泛化和检测，优于专门针对泛化或检测的基线方法。
Comments ICML 2023
LinkedOut: 从视频大语言模型中提取世界知识表示以实现下一代视频推荐
机构 * Northeastern University（东北大学） ； LinkedIn（领英） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 LinkedOut通过从视频中提取世界知识表示，实现低延迟、多视频输入的视频推荐，无需人工标注，取得最佳性能。
MMGR：多模态生成推理
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Michigan State University（密歇根州立大学） ； University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Adelaide（阿德莱德大学） ； Salesforce AI Research（Salesforce人工智能研究） ； Microsoft（微软） ； Adobe Research（Adobe研究）
AI总结 MMGR提出一个多模态生成推理评估框架，通过物理、逻辑、空间和时间五个能力评估视频和图像生成模型，揭示其在抽象推理和具身导航中的性能不足。
Comments work in progress
医院患者恶化的早期预警指数
机构 * Sloan School of Management, Massachusetts Institute of Technology（麻省理工学院斯隆管理学院） ； Operations and Information Management, University of Wisconsin Madison（威斯康星大学麦迪逊分校运营与信息管理系） ； Technology Management and Innovation, New York University（纽约大学技术管理与创新系） ； Hartford HealthCare（哈特福德医疗集团） ； Holistic Hospital Optimization（综合医院优化）
AI总结 本文提出Early Warning Index模型，通过多模态机器学习预测患者恶化风险，结合SHAP解释提升可解释性，用于医院分诊和资源调度优化。
COMMA：一种基于通信的多模态多智能体基准
机构 * Department of Computer Sciences University of Wisconsin-Madison（计算机科学系威斯康星大学麦迪逊分校） ； Department of Computer Sciences UC San Diego（计算机科学系加州大学圣地亚哥分校） ； Department of Radiology University of Wisconsin-Madison（放射学系威斯康星大学麦迪逊分校） ； Department of Computer Sciences Department of Biostatistics and Medical Informatics University of Wisconsin-Madison（计算机科学系生物统计学与医学信息学系威斯康星大学麦迪逊分校）
AI总结 COMMA基准通过语言通信评估多模态多智能体系统的协作性能，揭示现有模型在智能体协作中的不足。
Journal ref Transactions on Machine Learning Research, 2025
等等，等等，等等……为什么推理模型会循环？
机构 * MIT（麻省理工学院） ； Microsoft Research（微软研究院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 研究揭示了推理模型循环的原因，指出学习中的错误是关键因素，并提出温度调节和训练干预可减少循环现象。
对特斯拉交通灯和停止标志控制的基准测试：现场数据集和行为洞察
机构 * Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系） ； Department of Computer Science, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系） ； School of Environmental, Civil, Agricultural and Mechanical Engineering, University of Georgia（佐治亚大学环境、土木、农业与机械工程学院）
AI总结 本文通过现场数据集和行为分析，研究特斯拉交通灯和停止标志控制的互动行为，揭示了跟车阈值及不同行为模式的校准结果，为ADAS与交通控制设备的交互逻辑设计提供基础。
高吞吐量多LLM服务的高效无训练在线路由
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出一种无训练的高效在线路由算法，通过近似最近邻搜索和一次优化，提升多LLM服务的吞吐量、成本效率和整体性能。
Comments NeurIPS 2025
语法对齐解码
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出语法对齐解码（GAD）方法，通过适应性采样与近似期望未来（ASAp）算法，提升语法约束下生成输出的质量和概率匹配度。
Comments Accepted to NeurIPS 2024
组扩散：通过解锁跨样本协作增强图像生成
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Adobe Research（Adobe研究）
AI总结 组扩散通过解锁跨样本协作机制，提升图像生成质量，实现32.2%的FID改进。
Comments Project Page: https://sichengmo.github.io/GroupDiff/
重新思考视频中的链式推理
机构 * The Chinese University of Hong Kong（香港中文大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本研究提出了一种高效的视频推理框架，通过简洁推理和减少的视觉标记提升推理效率和性能，无需依赖传统CoT注释或监督微调。
Comments Technical report
GLACIA：基于多模态大语言模型的冰湖分割实例感知位置推理
机构 * Portsmouth AI and Data Science Centre (PAIDS), School of Computing, University of Portsmouth（普森大学计算学院） ； Center for Sustainability and the Global Environment (SAGE), University of Wisconsin–Madison（威斯康星大学麦迪逊分校可持续性与全球环境中心）
AI总结 GLACIA通过多模态大语言模型实现冰湖分割的实例感知位置推理，提升分割精度与可解释性。
开放聚合物挑战：赛后报告
机构 * University of Notre Dame（诺丁汉大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Kaggle
AI总结 开放聚合物挑战通过发布首个社区开发的聚合物基准数据集，推动多任务聚合物属性预测，促进分子AI在聚合物科学中的应用。
Comments The report for the competition: "NeurIPS - Open Polymer Prediction 2025". Kaggle Page: https://www.kaggle.com/competitions/neurips-open-polymer-prediction-2025. Website: https://open-polymer-challenge.github.io
ReJump：一种用于分析和改进LLM推理的树跳表示
机构 * UW-Madison（威斯康星大学麦迪逊分校） ； Microsoft Research（微软研究院） ； FuriosaAI ； Seoul National University（首尔国立大学） ； KRAFTON
AI总结 ReJump通过树跳表示分析和改进LLM推理，揭示不同任务下的推理行为差异及学习策略的影响。
基于正交原型的半监督对比学习
机构 * Department of Electrical Engineering, Statistics, Biostatistics（电气工程系、统计学与生物统计学系） ； Wisconsin Institute of Discovery（威斯康星发现研究所） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出CLOP，一种基于正交原型的半监督对比学习方法，通过促进类嵌入正交子空间形成，防止维度坍缩，提升图像分类和目标检测性能。
通过锥塌陷进行非负矩阵分解
机构 * Department of Statistics（统计学系） ； Wisconsin Institute of Discovery（威斯康星发现研究所） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Department of Biostatistics and Medical Informatics（生物统计学与医学信息学系）
AI总结 本文提出Cone Collapse算法，通过显式恢复数据锥来改进非负矩阵分解的聚类性能。
START: 空间与文本学习用于图表理解
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Amazon AGI（亚马逊人工智能实验室） ； MIT（麻省理工学院）
AI总结 START通过空间与文本学习提升图表理解能力，引入图表元素定位和图表到代码生成，增强多模态大语言模型对图表结构和数据细节的理解。
Comments WACV2026 Camera Ready
在局部差分隐私下进行专家建议的预测
机构 * Department of Computer Sciences University of Wisconsin — Madison（计算机科学系威斯康星大学麦迪逊分校） ； Department of Electrical and Computer Engineering University of Wisconsin — Madison（电气与计算机工程系威斯康星大学麦迪逊分校）
AI总结 本文在局部差分隐私约束下提出RW-AdaBatch和RW-Meta算法，通过隐私放大和专家选择方法提升预测性能，实验证明在新冠疫情期间表现优于经典方法。
Comments 19 pages, 3 figures
深度学习与机器学习：推动大数据分析与管理，通过工具、技术和应用揭示人工智能的潜力
机构 * National Taiwan Normal University（国立台湾师范大学） ； Indiana University（印第安纳大学） ； University of Hawaii（夏威夷大学） ； Kyoto University（京都大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Rutgers University（罗格斯大学） ； Purdue University（普渡大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Emory University（埃默里大学） ； Sichuan University（四川大学）
AI总结 本文探讨深度学习与机器学习在大数据分析中的应用，通过工具和技术揭示AI潜力，强调伦理与公平性，推动各领域创新。
Comments This book contains 155 pages and 9 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