高校专区
挑战性条件下基于视频的掌纹认证
机构 * Columbia University（哥伦比亚大学） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； Amazon.com Services LLC（亚马逊服务有限责任公司）
AI总结 该研究推出首个公开视频掌纹数据集CUP，提出融合时间共识与空间区域匹配的鲁棒认证方法，在脏污等挑战性条件下大幅降低EER，还发现温暖条件下与身体水分、性别相关的性能差距。
解析医学问答中误导性上下文的机制
机构 * Columbia University（哥伦比亚大学）
AI总结 该研究针对医学问答中误导性上下文的机制，在MedMisBench基准上测试三类模型，发现断言型误导线索更易干扰模型，仅开放推理轨迹可可靠监测错误决策。
Comments 25 pages, 10 figures. Submitted to ML4H 2026
删失评分量表上的双重差分可制造效应：来自预注册的LLM评判审计的证据
机构 * Columbia University（哥伦比亚大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； The University of Chicago（芝加哥大学） ； The Pennsylvania State University（宾夕法尼亚州立大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 该研究指出，删失评分量表上的双重差分法会制造虚假效应，通过预注册的LLM评判审计案例，发现名义显著的交互作用实为删失导致的偏差，推导了机制且其贡献可测量。
Comments 15 pages, 3 figures, 3 tables
鲁棒流式主成分分析
机构 * Columbia University（哥伦比亚大学） ； KAIST（韩国科学技术院）
AI总结 针对随机数据生成模型受扰动的流式主成分分析问题，提出协方差属于时间不确定性集合的鲁棒视角，论证噪声幂法速率最优，经合成与真实数据集实验验证分析有效性。
Comments The authors are ordered alphabetically. 36th Conference on Neural Information Processing Systems (NeurIPS 2022). This version corrects several steps in the proofs, expands the appendices, and revises the exposition throughout
教视觉-语言模型使用给定的尺度：用于度量物理推理的无标签等变训练
机构 * New York University（纽约大学） ； Columbia University（哥伦比亚大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 该研究针对视觉-语言模型在度量物理推理中利用尺度信息不足的问题，提出无标签等变训练方法EquiSD，通过利用物理对称性实现无监督微调，提升了模型的度量接地能力与跨尺度泛化性能。
VectorGym：一个多任务基准用于SVG代码生成、草图和编辑
机构 * ServiceNow Research（ServiceNow 研究院） ； Mila, Quebec AI Institute（Mila 魁北克人工智能研究所） ； Columbia University（哥伦比亚大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Stony Brook University（石溪大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Minzu University of China（中央民族大学） ； University of Waterloo（滑铁卢大学） ； Canada CIFAR AI Chair（加拿大 CIFAR 人工智能讲席） ； Computer Vision Center（计算机视觉中心）
AI总结 VectorGym提出一个涵盖SVG生成、复杂编辑和视觉理解的多任务基准，通过专家标注解决现有基准的不足，采用多任务强化学习方法，训练出性能领先的Qwen3-VL模型，公开可用。
Comments Accepted to EMNLP 2026. Camera-ready version. Updated author list and author order
评估风格个性化文本生成：挑战与方向
机构 * Columbia University（哥伦比亚大学） ； Microsoft（微软公司） ； The University of York（约克大学）
AI总结 研究风格个性化文本生成面临的挑战，通过提出的风格判别基准评估常用指标，发现多样评估指标集成效果更佳，为可靠评估该文本生成提供指导。
Comments Accepted to EMNLP 2026 (main)
通过对比偏好优化实现的基于中性数据的谄媚式一致性转移
机构 * Stanford University（斯坦福大学） ； Columbia University（哥伦比亚大学）
AI总结 本研究发现对比偏好优化会导致教师模型的谄媚式一致性向学生模型转移，且该信号分散于中性偏好数据中，现有过滤方法难以缓解，揭示了对齐训练的意外有害行为。
先测量再管理：评估编码智能体的工作记忆
机构 * Argonne National Laboratory（阿贡国家实验室） ； Columbia University（哥伦比亚大学） ； University of Houston（休斯顿大学）
AI总结 本研究针对编码智能体工作记忆的语义异质性，提出两种语义感知记忆管理策略，发现校准增益难迁移、相同token预算效果不同等问题，表明评估记忆管理策略需考虑更多维度。
利用从在线行为和BCI证据学习的XR智能体增强人类表现
机构 * Columbia University（哥伦比亚大学） ； Emory University（埃默里大学）
AI总结 研究人员提出OLIVE框架，通过融合EEG与XR游戏行为信号，适配基础模型生成实时辅助智能体，在目标切换时收敛更快，可提升用户目标检测能力且不依赖个人技能。
Comments To appear in ACM UIST 2026. 30 pages, 23 figures
Co-Annotator：用于年龄相关性黄斑变性视觉与文档指导的专家蒸馏ViT及VLM
机构 * Columbia University（哥伦比亚大学）
AI总结 本研究提出Co-Annotator，将专家注视与口述提炼为AOI指导的ViT和生物标志物预填充的VLM，在AMD诊断中联合应用可显著提升效率且不降低准确率。
Comments 23 pages, 11 figures. To appear in UIST '26: Proceedings of the 39th Annual ACM Symposium on User Interface Software and Technology, November 02-05, 2026, Detroit, MI, USA. DOI: 10.1145/3830398.3830722
世界模型与策略如何在大语言模型智能体中结合？一种联合谱分析与行为学解释
机构 * Dartmouth College（达特茅斯学院） ； Columbia University（哥伦比亚大学）
AI总结 该研究通过受控实验探究LLM智能体中世界模型与策略的结合机制，从几何与行为角度揭示二者的互补特性，并提出提升策略训练保留世界知识能力的方法。
Comments Accepted to EMNLP 2026
Spec2Twin-Chain：利用大型语言模型编排双层优化以构建区块链数字孪生
机构 * University of California, Berkeley（加利福尼亚大学伯克利分校） ； Columbia University（哥伦比亚大学）
AI总结 Spec2Twin-Chain框架将区块链数字孪生构建转化为双层优化问题，利用LLM与仿真优化器迭代协作，经多类实验验证可构建准确孪生体并支持下游决策。
基于文本引导扩散模型的胸部X射线图像对抗攻击
机构 * The Johns Hopkins University（约翰斯·霍普金斯大学） ； Manipal Institute of Technology（马尼帕尔理工学院） ； Manipal Academy of Higher Education（马尼帕尔高等教育学院） ； The Johns Hopkins Hospital（约翰斯·霍普金斯医院） ； Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心）
AI总结 该研究提出文本引导扩散对抗框架攻击胸部X射线分类模型，在多架构上验证其能显著降低分类性能，同时发现人机判读存在重要差异，凸显需扩展医疗AI鲁棒性评估方式。
Prove2Me：用于规模化数学形式化的开源协作平台
机构 * Columbia University（哥伦比亚大学） ； University of Chicago（芝加哥大学） ； Purdue University（普渡大学）
AI总结 Prove2Me是支持人类与AI智能体协作的开源数学形式化平台，可降低大规模数学形式化的门槛，实现众包式规模化形式化验证。
Comments https://prove2.me
DuplexGen：人机交替对话的自适应合成
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Seoul National University（首尔大学） ； Columbia University（哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 DuplexGen框架通过将LLM预测与少量槽级人类偏好标注校准，生成场景自适应交替发言对话，契合人类偏好的效果优于未校准方法，证明人类校准对交替发言合成场景特定性的关键作用。
Comments EMNLP 2026; Project website: https://duplexgen.github.io
脱离上下文的广义信赖域策略优化算法：利用特权信息学习解决难题
机构 * Meta AI ； Columbia University（哥伦比亚大学）
AI总结 研究利用特权信息解决强化学习难题，提出脱离上下文的广义信赖域策略优化算法（OC - GRPO），通过引导展开和重要性校正目标避免训练不匹配，在标准数学推理基准上比普通GRPO有显著提升且成本低。
Comments 24 Pages
未来软件职业的技能：超越智能体AI！
机构 * National University of Singapore（新加坡国立大学） ； Columbia University（哥伦比亚大学）
AI总结 本文通过2026年在纽约和新加坡举行的两场圆桌会议，总结未来软件工程师所需的核心技能，强调验证与确认在智能体处理实现时的重要性。
CARE：具有证据不一致性的隐私合规代理推理
机构 * University of Cambridge（剑桥大学） ； McGill University（麦吉尔大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Columbia University（哥伦比亚大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）
AI总结 针对医疗领域中症状与体征矛盾的问题，CARE框架通过多阶段隐私合规的代理推理，在不访问敏感数据的情况下提升冲突证据处理能力。
Comments Accepted as a Findings paper at EMNLP 2026
延迟-响应理论模型：通过响应准确性和思维链长度评估大语言模型
机构 * Department of Statistics, Columbia University（哥伦比亚大学统计系） ； Department of Statistics, University of Michigan（密歇根大学统计系）
AI总结 针对大语言模型评估问题，提出延迟-响应理论（LaRT）模型，联合考虑响应准确性和思维链长度，通过引入关键参数建模，推导高效算法估计参数，经理论和模拟研究验证其优势，实际数据评估中表现优于项目反应理论（IRT）。
通过可追溯性视角理解自动化程序修复智能体：一项实证研究
机构 * Columbia University（哥伦比亚大学） ； IBM Research（IBM研究院）
AI总结 本文通过追踪五个最先进的自动化程序修复智能体在500个真实世界修复任务中的决策流程，揭示了它们在逻辑密集型错误修复、测试生成和回归测试选择方面的关键局限性，并提出了改进方向。
Comments Accepted for publication (ISSTA '26). Camera ready
块稀疏特征化器（BSF）的深入分析
机构 * Columbia University（哥伦比亚大学）
AI总结 本文深入分析块稀疏特征化器（BSF）的优缺点，针对其存在的经典稀疏自编码器失效模式，提出锦标赛Top-K选择规则等架构改进，并将块范式扩展至跨编码器。
Comments 9 pages, 12 figures, 2 tables
在自然文本中植入潜在变量：对大语言模型（LLM）信念状态及其与概念几何联系的更真实测试
机构 * Columbia University（哥伦比亚大学）
AI总结 本研究在自然文本中植入可控潜在变量，训练小型Transformer追踪其贝叶斯后验信念，发现其状态按马尔可夫链排列成环，为LLM信念状态与概念几何的关联提供了实证支持。
Comments 9 pages, 13 figures
利用Gemini加速现实世界中的科学研究
机构 * Google DeepMind（谷歌DeepMind） ； Duke University（杜克大学） ； Columbia University（哥伦比亚大学） ； Google Research（谷歌研究） ； Texas A&M University（德克萨斯农工大学）
AI总结 该研究扩展并验证了基于Gemini的多智能体系统Co-Scientist，其可在材料、生物、计算机科学领域推进闭环科学工作流，提升研究效率并减少幻觉抄袭。
利益冲突情境下LLM智能体中经知识验证的涌现式欺骗
机构 * University of Notre Dame（圣母大学） ； Columbia University（哥伦比亚大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本研究针对利益冲突下LLM智能体的诚实性问题，构建KnownLieBench基准并开展实验，发现不同模型的涌现式欺骗存在差异，诚实导向微调可减少激励下的欺骗。
Comments A benchmark for knowledge-verified emergent deception in LLM agents under conflicting incentives
一个非常大的视频推理套件
机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； 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 Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。
Comments Homepage: https://video-reason.com/?v=vbvr
SAUSS：针对有限因变量模型的带无偏模拟得分的随机近似方法
机构 * Columbia University（哥伦比亚大学） ； University of Iowa（爱荷华大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； McMaster University（麦克马斯特大学）
AI总结 针对有限因变量模型，提出SAUSS方法，基于条件无偏小批量得分估计实现高效计算，仅需模拟极大似然1%的时间即可取得相当结果，支持扩展至相关模型。
VBVR-Pro：用于原生视觉推理的可扩展且可验证工具套件
机构 * Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； The University of Tokyo（东京大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Michigan（密歇根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of California, Davis（加州大学戴维斯分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Columbia University（哥伦比亚大学） ； University of Toronto（多伦多大学）
AI总结 本研究提出VBVR-Pro，一个可扩展可验证的原生视觉推理闭环测试平台，含300个生成任务、确定性评分器及多生成器机制研究，训练模型在多视觉推理基准上迁移性强，发布全部相关资源。
Comments Homepage: https://video-reason.com/
ShuttleArena：基于物理的羽毛球游戏AI中的可解释自博弈
机构 * Columbia University（哥伦比亚大学）
AI总结 本文提出ShuttleArena羽毛球自博弈环境，采用PPO训练策略，实现了可解释的战术探测与竞争力提升，为交互式数字娱乐AI提供了有用测试平台。
ROMNet：一种结合降阶建模与机器学习的波形反演混合方法
机构 * Columbia University（哥伦比亚大学） ； University of Houston（休斯顿大学） ； University of Maryland（马里兰大学）
AI总结 该研究针对全波形反演的周期跳跃问题，提出ROMNet混合方法，用神经网络优化降阶模型到波速的映射，结合数值模拟在两类数据集上验证其性能。
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