高校专区
Rad-R：用于硬件故障诊断的原始ADC雷达数据集与捕获不变SSM
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 针对汽车毫米波雷达硬件故障数据稀缺问题，提出Rad-R原始ADC雷达数据集与捕获不变RadrNet模型，经基准评估，该模型在受控跨严重程度故障诊断任务中性能优于对比模型，且在其他任务中也表现领先。
ECGQuest：用于心电图的语言模型基准测试与微调
机构 * Emory University（埃默里大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 该研究开发了ECGQuest基准数据集，对语言模型进行ECG知识的零样本评估与微调，发现参数高效微调可让小模型与大商业模型竞争，通用模型在ECG任务中优于医学专用模型。
TAMI：面向轻度认知障碍老年人心理健康评估的时间对齐、缺失感知与可解释多模态融合框架
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学） ； Cairo University（开罗大学）
AI总结 本研究针对轻度认知障碍老年人心理健康筛查的多模态分析局限，提出TAMI框架，通过时间对齐、缺失感知与可解释性设计，在49名受试者的抑郁、焦虑分类中取得良好效果，且开放式问题可实现与完整访谈相当的筛查性能。
Comments 19 pages, submitted to IEEE Transactions on Affective Computing
我们能看见的谎言：具身社交交互中VLM智能体的联合言语与非言语欺骗
机构 * Seoul National University（首尔大学） ； Inha University（仁荷大学） ； KAIST（韩国科学技术院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本研究构建了3D多模态社交推理游戏测试平台MineAmongUs，提出可配置VLM智能体控制程序ARIA，发现非言语通道是VLM智能体欺骗取胜的更关键因素，为具身VLM智能体对齐研究开辟新方向。
Comments Workshop on Agent Behavior (WAB) at COLM 2026. Project page: https://junseokim0103.github.io/Lies-We-Can-See/
大语言模型（LLM）能否监测经济状况？对宏观经济指标的LLM实时预报的评估
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本研究推出抗污染基准LiveMacroEval，对比多类基准发现，具备网络搜索能力的LLM智能体对美国16项宏观经济指标的实时预报准确性与专业基准相当，展现出宏观经济实时估算潜力。
ARMOR：数据稀缺条件下面向流形的对抗鲁棒航拍目标检测训练
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Khalifa University（哈利法大学） ； Technology Innovation Institute（技术创新研究院）
AI总结 ARMOR 是一种面向流形的新型防御方法，通过掩码图像背景、在目标上注入随机补丁，在数据稀缺时提升航拍目标检测器的对抗鲁棒性，维持强干净性能且优于现有最优防御。
Comments 10 pages, 5 figures
带预览的对抗在线分类
机构 * School of Electrical & Computer Engineering, Tel Aviv University（特拉维夫大学电气与计算机工程学院） ； School of Computer Science, Georgia Institute of Technology（佐治亚理工学院计算机学院）
AI总结 该研究提出带预览的对抗在线分类模型，刻画了预览率p对二元及多类别分类最优超额损失的影响，提出ChainedPrediction算法以实现精确二元界，用随机预览替代最坏情况序列复杂度。
CoCoA：面向大语言模型的上下文条件文化对齐
机构 * Sungkyunkwan University（成均馆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Southern California（南加利福尼亚大学）
AI总结 CoCoA是面向大语言模型的上下文条件文化对齐框架，通过双上下文训练等方法，可降低实体文化偏见评分且对通用性能影响小，为缓解LLMs实体文化偏见提供新方向。
Comments Accepted to Findings of EMNLP 2026. 22 pages, 4 figures, 19 tables
从分析学到肿瘤委员会：一种用于肿瘤学特征提取的证据关联多智能体工作流
机构 * Nimblemind ； School of Interactive Computing, Georgia Institute of Technology（佐治亚理工学院交互计算学院） ； NYU Tandon School of Engineering, New York University（纽约大学坦登工程学院） ； Florida International University（佛罗里达国际大学） ； Duke-NUS Medical School（杜克-新加坡国立大学医学院） ； Singapore General Hospital（新加坡中央医院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； OncoLens
AI总结 该研究针对肿瘤学文档的结构化提取需求，提出nMAS多智能体工作流，在230份肿瘤学文档上的F1值达85.0%，优于对照模型，验证了其将碎片化肿瘤学文档转为结构化数据的可行性。
FRAC-MAS：一种用于骨折诊断的安全可解释多智能体系统
机构 * Dwarkadas J Sanghvi College of Engineering（德瓦卡达斯J.桑吉维工程学院） ； University of Amsterdam（阿姆斯特丹大学） ； National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 FRAC-MAS是一种结合堆叠集成视觉模型、共形预测与多智能体评审员的骨折诊断系统，可实现安全可解释的放射学分诊，性能优于单智能体基线，生成更易理解的临床报告。
Comments Medical Image Computing and Computer Assisted Intervention (MICCAI) 2nd Workshop on Agentic AI for Medicine (AgenticMed)
哪种大语言模型适用于哪种工作？不确定评估下的预算模型分配
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 该研究针对固定AI预算下LLM分配的不确定评估问题，提出CASE方法，通过双求解证书判断最优分配，实验表明模型质量信息优化比分配优化更具价值。
单一规范提示低估了大语言模型安全的表面形式敏感性
机构 * Northeastern University（东北大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Southern California（南加利福尼亚大学）
AI总结 该研究发现仅用单一规范提示评估大语言模型安全会低估其不安全合规性，不同表面形式下的不安全结果并集会超出最糟单一形式，且存在模型差异，同时发布了相关数据集、代码与响应标签。
Comments Accepted at the Sci-FM Workshop @ COLM 2026 (non-archival). Workshop version with reviews: https://openreview.net/forum?id=mZh0MqpOOC
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
QueryWeaver: 基于LLM图生成的可靠多工具查询执行规划
机构 * School of Computational Science and Engineering, Georgia Institute of Technology, Atlanta, GA, USA（计算科学与工程学院，佐治亚理工学院，亚特兰大，GA，美国）
AI总结 提出将自然语言查询转换为结构化图并通过确定性规划器执行的系统，利用深度优先搜索解决跨工具依赖，实现高可靠性查询。
QUBRIC：为超越可验证奖励的强化学习协同设计查询与评分标准
机构 * Amazon（亚马逊） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 针对基于评分标准的强化学习中查询分布固定导致的评分标准质量瓶颈，提出QUBRIC框架，通过协同设计查询与评分标准，利用教师关键点、对比生成和可学习性过滤，在ArenaHard上取得+5.5点提升，并泛化到法律、道德和叙事推理任务。
Comments Published in EMNLP 2026
LaRA: 面向RL后训练中数据污染的逐层表示分析
机构 * Yonsei University（延世大学） ； Seoul National University（首尔国立大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出LaRA框架，通过逐层表示分析检测强化学习后训练中的污染数据，利用扰动敏感性、方向坍缩和局部表示刚性三个指标，优于现有输出级方法。
Comments EMNLP 2026 Findings
通过4D点云同时监测形状和表面颜色：一种无需配准的方法
机构 * Department of Statistical Sciences, University of Padua（帕多瓦大学统计科学系） ； School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院工业与系统工程学院）
AI总结 本文提出一种无需配准的框架，利用4D点云同时监测形状和颜色，通过拉普拉斯-贝特拉米算子的谱特性捕捉几何特征和形状与颜色的关系，有效检测形状变形和颜色异常。
Comments 38 pages, 13 figures
SPADE：面向精准农业土壤湿度模式识别与异常检测的大语言模型框架
机构 * organization= H. Milton Stewart School of Industrial ； Systems Engineering, Georgia Institute of Technology , city= Atlanta , state= GA , country= USA ； organization= Panhandle Research ； Extension Center, University of Nebraska-Lincoln , city= Scottsbluff , state= NE , country= USA ； organization= Department of Computer Science ； Engineering, University of Nebraska-Lincoln , city= Lincoln , state= NE , country= USA ； organization= Department of Biological Systems Engineering, University of Nebraska-Lincoln , city= Lincoln , state= NE , country= USA ； organization= Institute for Robotics ； Intelligent Machines, Georgia Institute of Technology , city= Atlanta , state= GA , country= USA ； organization= School of Civil \& Environmental Engineering, Georgia Institute of Technology, Georgia Institute of Technology , city= Atlanta , state= GA , country= USA
AI总结 本研究提出首个基于LLM的土壤湿度时间序列分析框架SPADE，用GPT-4.1结合领域提示零样本识别湿润事件与异常，在真实多作物数据上优于无训练基线，可生成结构化报告辅助土壤湿度解读。
网络上的深度图核点过程
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Duke University（杜克大学）
AI总结 该研究提出一种基于图神经网络的新型深度图核点过程模型，用于网络离散事件数据，结合统计与深度学习提升了事件预测和图结构挖掘性能，优于现有方法。
Comments Published at Journal of Computational and Graphical Statistics (JCGS), 2026. pp. 1-41
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