高校专区
SaDiT：通过潜在结构标记化和扩散变换器实现高效的蛋白质骨架设计
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Zhejiang Lab（浙江实验室） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 SaDiT通过结合潜在结构标记化和扩散变换器，实现了高效的蛋白质骨架设计，提升了生成速度和结构可行性。
将Stein方法应用于在线线性优化：基于中心极限定理的最优权衡
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 利用Stein方法改进在线线性优化算法，实现基于中心极限定理的最优权衡与更精确的性能保证。
自适应蛋白质标记化
机构 * California Institute of Technology（加州理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Howard Hughes Medical Institute（霍华德·休斯医学研究所）
AI总结 本文提出了一种自适应蛋白质标记化方法，通过全局标记生成提升生成和表示任务性能，支持零样本蛋白质缩小和亲和力成熟。
时间一致的共形与PAC预测
机构 * Department of Statistics and Data Science, Carnegie Mellon University（统计与数据科学系，卡内基梅隆大学）
AI总结 本文提出了一种时间一致的共形与PAC预测方法，适用于数据点数量不确定的序列设置，确保预测集在任意时间点的覆盖率符合要求。
Spider-Sense: 基于内在风险感知的高效代理防御方法与分层自适应筛查
机构 * SUFE（上海财经大学） ； NUS（新加坡国立大学） ； QuantaAlpha（量子阿尔法） ； CMU（卡内基梅隆大学） ； SYSU（南方科技大学） ； USTC（中国科学技术大学） ； XJTU（西安交通大学）
AI总结 Spider-Sense通过内在风险感知实现高效代理防御，结合分层自适应筛查机制，有效降低攻击成功率和误报率，仅引入微小延迟。
通过粗化实现近优动态匹配：应用于心脏移植的应用
机构 * Department of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学） ； Department of Surgery, Division of Cardiothoracic Surgery, Medical University of South Carolina（外科系，心胸外科 division，南卡罗来纳医学大学）
AI总结 本文提出基于粗化方法的近优动态匹配算法，应用于心脏移植分配，通过理论支撑政策在模拟中取得优于现状政策的性能。
量化测试集污染对生成评估的影响
机构 * University of Oxford（牛津大学） ； ServiceNow Research（ServiceNow研究院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究通过语言模型生命周期量化测试集污染对生成评估的影响，发现污染可降低模型损失，进一步训练和采样温度调节影响记忆效果。
通过奖励感知一致性轨迹蒸馏加速离线强化学习中的扩散规划器
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种奖励感知一致性轨迹蒸馏方法，通过解耦训练和无噪声奖励信号，在离线强化学习中实现高效扩散规划器，提升性能并加快推理速度。
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
AnyThermal：迈向热感知的通用表示学习
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Biological Systems Engineering, University of Nebraska-Lincoln（内布拉斯加大学林肯分校生物系统工程系） ； Mechanical Engineering, Penn State University（宾夕法尼亚州立大学机械工程系） ； School of Engineering and Design, Technical University of Munich（慕尼黑技术大学工程与设计学院） ； Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系）
AI总结 AnyThermal通过蒸馏视觉基础模型的特征表示，实现跨环境和任务的通用热感知表示学习，取得显著性能提升。
Comments Accepted at IEEE ICRA (International Conference on Robotics & Automation) 2026
从模糊到可信：利用3D生成先验增强低质量的对话头
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Texas A&M University（德克萨斯大学）
AI总结 SuperHead通过动态感知3D反向过程，利用预训练3D生成模型先验知识，提升低质量对话头的3D重建与动画质量。
Comments Accepted to 3DV 2026. Project Page: https://humansensinglab.github.io/super-head/
Jackpot: 为极端演员-策略不匹配强化学习的最优预算拒绝采样
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 Jackpot通过最优预算拒绝采样方法，有效减少rollout模型与策略之间的分布差异，提升大语言模型强化学习的训练稳定性与效率。
Comments ICLR 2026
SPIDER：可扩展的物理引导的灵活重新定位
机构 * FAIR at Meta（Meta 的 FAIR） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 SPIDER 是一种基于物理的重新定位框架，通过大规模物理采样和课程式虚拟接触指导，将人类运动数据转化为动态可行的机器人轨迹，提升策略学习效率。
Comments Project website: https://jc-bao.github.io/spider-project/
用人工智能模拟视觉世界：一条路线图
机构 * Robotics Institute Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； S-Lab Nanyang Technological University（南洋理工大学S实验室） ； Kling Team Kuaishou Technology（快手科技 Kling 团队）
AI总结 本文提出了一种基于隐式世界模型和视频渲染器的视频基础模型，用于模拟物理动态、智能体交互和任务规划，涵盖四代视频生成技术，应用于机器人、自动驾驶和互动游戏等领域。
Comments Project page: https://world-model-roadmap.github.io/ Github Repo: https://github.com/ziqihuangg/Awesome-From-Video-Generation-to-World-Model
一种多令牌坐标下降法用于半去中心化垂直联邦学习
机构 * Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系） ； Institute for Systems and Robotics, Instituto Superior Técnico（系统与机器人研究所，理工学院） ； Department of Computer Science, NOVA School of Science and Technology（科学与技术学院计算机科学系）
AI总结 本文提出一种多令牌坐标下降法，用于半去中心化垂直联邦学习，通过灵活利用客户端-服务器和客户端-客户端链接，提升收敛效率并适应不同应用场景。
Comments Accepted to IEEE Transactions on Signal Processing
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