作者
Machine Learning
用于高效测试时缩放的前缀滑动
机构 * Stanford University（斯坦福大学） ； University of California at Santa Barbara（加州大学圣巴巴拉分校） ； Prime Intellect ； University of Washington（华盛顿大学）
AI总结 针对测试时推理内存成本过高问题，提出Prefix Sliding方法，通过丢弃非关键标记限制内存，无需训练可提速3倍，结合强化学习训练后性能更优且优于其他基线
Comments 28 pages (9 main), 22 figures, 3 tables
外自同构群与Atiyah猜想
AI总结 研究紧致曲面基本群、有限生成自由群或更一般的有限生成右角Artin群的外自同构群的von Neumann维数，通过建立有限指数无挠子群的强Atiyah猜想，并证明其群环嵌入除环。
Comments 28 pages, comments welcome
高维双曲群的改进代数纤维化
AI总结 对于每个 d≥3，通过右角Coxeter群的有限指数子群构造无穷多个上同调维数为d的双曲群G，它们具有有限表现核的代数纤维化，并利用L^2-Betti数给出核的更高有限性障碍。
Comments 16 pages, 2 figures. Comments welcome!
某些带挠的一关系群中的拟凸面子群
AI总结 本文在特定带挠的一关系群中构造了面子群，并利用这一结果推导了自由群中一个词为原始词的一个profinite准则。
Comments v2: 7 pages, revised following referee comments
AnIML本体：实现互联科学实验室大规模实验数据的语义互操作性
机构 * School of Computer Science & Informatics, University of Liverpool（利物浦大学计算机科学与信息学院） ； Unilever Plc. Materials Innovation Factory, University of Liverpool（联合利华公司材料创新工厂，利物浦大学）
AI总结 本文提出AnIML本体，通过专家在环方法结合LLM需求提取与协同本体工程，实现AnIML与Allotrope数据格式的语义对齐，解决异构实验数据系统的互操作性问题。
Comments Accepted at the 38th International Conference on Advanced Information Systems Engineering (CAiSE 2026)
IDEA2: 专家在环的协作本体工程能力问题 elicitation
机构 * School of Computer Science and Informatics, University of Liverpool（利物浦大学计算机科学与信息学院） ； College of Computer Science and Engineering, Taibah University（塔伊巴大学计算机科学与工程学院） ； Unilever Plc., Materials Innovation Factory, University of Liverpool（联合利华公司，利物浦大学材料创新工厂）
AI总结 IDEA2通过整合大语言模型和专家反馈，解决本体工程中能力问题提取的瓶颈，提升问题相关性和可接受性。
配边、旋结构与投射有限完备化
AI总结 针对带Serre意义下好基本群的光滑闭连通非球面流形，证明基本群投射有限完备化同构可推出流形配边、签名模8相等且旋结构性质一致，还讨论了紧流形的类似结论。
Comments 24 pages
时空金字塔流匹配用于气候模拟
机构 * Stanford University（斯坦福大学） ； Cornell University（康奈尔大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出时空金字塔流匹配方法，用于高效、准确的多时间尺度气候模拟，并通过ClimateSuite数据集验证其有效性。
STARC-9：用于结直肠癌组织病理学多类别组织分类的大规模数据集
AI总结 本文提出STARC-9大规模结直肠癌组织分类数据集及DeepCluster++半自动构建框架，通过聚类与等频采样保证类内多样性，并在多种模型上验证了其优越的泛化性能。
Comments 37 pages, 18 figures, Accepted in NeurIPS 2025
评估与提升合成胸部X光影像在医学图像分析中的有效性
机构 * Stanford University（斯坦福大学）
AI总结 本文系统评估了基于潜在扩散模型生成合成胸部X光影像的最佳实践，发现以单一疾病标签或几何变换分割掩码为条件并结合代理模型微调，可显著提升分类与分割模型性能。
Journal ref Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV) Workshops, October 2025, pages 4413-4421
UQ：评估语言模型在未解决问题上的表现
AI总结 针对当前AI基准存在的困难与现实张力问题，提出UQ测试平台，通过异步评估未解决问题、结合验证器和社区验证，推动模型在真实挑战中的能力提升，顶级模型仅15%通过率。
Comments FN, KZL, and NM are project co-leads and contributed equally. Project website: https://uq.stanford.edu
RELRaE：基于大语言模型的关系抽取、标注、精化与评估
机构 * Department of Computer Science, University of Liverpool（利物浦大学计算机科学系） ； Unilever Plc. Materials Innovation Factory（联合利华材料创新工厂） ； University of Liverpool（利物浦大学）
AI总结 本文提出RELRaE框架，利用大语言模型从实验室XML模式中抽取并标注隐含关系，以支持知识图谱和本体构建，并验证了LLM在半自动本体生成中的有效性。
Comments 18 Pages, 8 Tables, Under-review at ISWC 2025
GGS群的虚拟第一贝蒂数
AI总结 本文提出群具有消失的虚拟第一贝蒂数的准则，并据此构造出无限多个非虚拟扩散的无挠、有限生成、剩余有限群实例，回答了Kionke和Raimbault提出的问题。
MedAgentBench：用于基准测试医疗LLM智能体的真实虚拟电子健康记录环境
机构 * Stanford University（斯坦福大学）
AI总结 针对医疗领域缺乏LLM智能体能力基准测试数据集的问题，本文提出MedAgentBench评估套件，含300项临床任务、100份患者档案等，可评估医疗记录语境下LLM智能体能力，为模型优化提供方向。
多模态基础模型中的多示例上下文学习
机构 * Stanford University（斯坦福大学）
AI总结 本研究评估多模态基础模型从少样本到多样本上下文学习的性能，发现闭源模型随示例增多性能持续提升，开源模型无获益有限，批量查询可降本提效，为多模态模型适配新场景提供了思路。
机构 * Stanford University（斯坦福大学）
Comments Accepted at MIDL 2024
机构 * Stanford University（斯坦福大学）
机构 * Stanford University（斯坦福大学） ； UC San Diego, Scripps Institution of Oceanography and Halıcıoğlu Data Science Institute（加州大学圣迭戈分校，斯克里普斯海洋研究所和哈勒西奥卢数据科学研究所）
Comments 11 pages, 5 figures, submitted to Journal of Machine Learning Research
机构 * Stanford University（斯坦福大学）
机构 * Stanford University（斯坦福大学）
机构 * Stanford University（斯坦福大学）
Comments Tackling Climate Change with Machine Learning at NeurIPS 2023
机构 * Stanford University（斯坦福大学） ； Stanford University School of Medicine（斯坦福大学医学院） ； Harvard Medical School（哈佛医学院） ； La Liga Nacional Contra el Cáncer de Guatemala (INCAN)（危地马拉国家抗癌联盟（INCAN）） ； Fred Hutchinson Cancer Research Center（弗雷德·哈钦森癌症研究中心） ； Dana-Farber Cancer Institute（达纳-法伯癌症研究所）
Comments To be published in Proceedings of the 3rd Machine Learning for Health symposium, Proceedings of Machine Learning Research (PMLR)
机构 * Harvard University（哈佛大学） ； ETH Zurich（苏黎世联邦理工学院） ； Landing AI（Landing AI公司） ； Google（谷歌） ； University of Oxford（牛津大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； Contextual AI（Contextual AI公司） ； MLCommons（MLCommons组织） ； Factored（Factored公司） ； Meta ； Cohere（Cohere公司） ； University College London（伦敦大学学院） ； University of Zurich（苏黎世大学） ； San Diego Supercomputer Center, UC San Diego（加州大学圣地亚哥分校圣地亚哥超级计算机中心） ； Cleanlab（Cleanlab公司） ； Eindhoven University of Technology（埃因霍温理工大学） ； Institute for Human and Machine Cognition（人类与机器认知研究所）
Comments NeurIPS 2023 Datasets and Benchmarks Track
机构 * Stanford University（斯坦福大学） ； University of Utah（犹他大学） ； Intermountain Medical Center（山间医疗中心）
Comments 13 pages, 12 figures
机构 * Stanford University（斯坦福大学）
机构 * Stanford University（斯坦福大学）
Comments Supplementary information: https://drive.google.com/file/d/1Y17YxXo5rhIbUuZzwLo99pmttbh28v9X/view?usp=sharing
机构 * Stanford University（斯坦福大学）
Comments Workshop on Complex Data Challenges in Earth Observation at IJCAI-ECAI 2022
机构 * Stanford University（斯坦福大学） ； Harvard University（哈佛大学）
机构 * Stanford University（斯坦福大学） ； Harvard University（哈佛大学）
Comments In Neural Information Processing Systems (NeurIPS) Workshop on Data-Centric AI (DCAI)
机构 * Stanford University（斯坦福大学） ； School of Medicine, Stanford University（斯坦福大学医学院）
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