Massachusetts Institute of Technology（麻省理工学院）

Artificial Intelligence Driven Workflow for Accelerating Design of Novel Photosensitizers

由人工智能驱动的工作流加速新型光敏剂设计

Hongyi Wang, Xiuli Zheng, Weimin Liu, Zitian Tang, Sheng Gong

机构 * Department of Chemistry（化学系） ； Chinese Academy of Sciences（中国科学院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本研究提出AAPSI工作流，结合专家知识和AI优化，加速新型光敏剂设计，发现具有高量子产率和长吸收波长的HB4Ph候选者

Neural Geometry Image-Based Representations with Optimal Transport (OT)

基于最优传输的神经几何图像表示

Xiang Gao, Yuanpeng Liu, Xinmu Wang, Jiazhi Li, Minghao Guo, Yu Guo, Xiyun Song, Heather Yu, Zhiqiang Lao, Xianfeng David Gu

机构 * Futurewei Technologies（未来智科） ； Stony Brook University（石溪大学） ； University of Southern California（南加州大学） ； Massachusetts Institute of Technology（麻省理工学院） ； George Mason University（乔治·玛莎大学） 纠错

AI总结 本文提出一种基于最优传输的神经几何图像表示方法，通过将不规则网格转换为规则图像网格，实现高效存储和神经处理，实验显示其在存储效率和恢复精度上优于现有方法。

Comments WACV2026 Rround 2 Accepted

Upsample Anything: A Simple and Hard to Beat Baseline for Feature Upsampling

Upsample Anything: 一种简单且难以被超越的特征上采样基线

Minseok Seo, Mark Hamilton, Changick Kim

机构 * KAIST（韩国科学技术院） ； MIT（麻省理工学院） ； Microsoft（微软公司） 纠错

AI总结 Upsample Anything通过简单每张图像优化方法实现高效特征上采样，适用于多种像素级任务，性能优于现有方法。

Comments 15 pages, 12 figures

A Bayesian Model for Multi-stage Censoring

多阶段删失的贝叶斯模型

Shuvom Sadhuka, Sophia Lin, Bonnie Berger, Emma Pierson

机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学） ； UC Berkeley（伯克利大学） 纠错

AI总结 本文提出了一种多阶段删失的贝叶斯模型，用于医疗决策中的漏斗结构，通过实验发现性别在ICU收治决策中的风险差异。

Comments Proceedings of ML4H 2025

Perturbing the Derivative: Wild Refitting for Model-Free Evaluation of Machine Learning Models under Bregman Losses

扰动导数：在Bregman损失下机器学习模型的无模型评估中的野重拟合

Haichen Hu, David Simchi-Levi

机构 * Center for Computational Science and Engineering, MIT（计算科学与工程中心，麻省理工学院） ； Department of Civil and Environmental Engineering, MIT（土木与环境工程系，麻省理工学院） ； Institute for Data, Systems, and Society, MIT（数据、系统与社会研究所，麻省理工学院） 纠错

AI总结 通过野重拟合方法，在Bregman损失下实现对复杂机器学习模型的无模型超额风险评估。

Investigating Representation Universality: Case Study on Genealogical Representations

探讨表示通用性：谱系表示的案例研究

David D. Baek, Yuxiao Li, Max Tegmark

机构 * MIT（麻省理工学院） 纠错

AI总结 本研究探讨了大型语言模型在表示谱系信息时的通用性，通过两种实验证据验证图结构表示的通用性，并指出缺乏地面真实表示的挑战。

Comments 14 pages, 7 figures

Journal ref NeurIPS 2025 Workshop on Responsible Foundation Models

Model-to-Model Knowledge Transmission (M2KT): A Data-Free Framework for Cross-Model Understanding Transfer

模型到模型知识传输（M2KT）：一种无数据的跨模型理解迁移框架

Pratham Sorte

机构 * Department of Computer Science（计算机科学系） ； Engineering MIT-World Peace University, Pune, India（工程学院 MIT-世界和平大学 印度邦普尼） 纠错

AI总结 M2KT提出了一种无数据的跨模型知识传输方法，通过概念空间交换知识包，实现高效的知识迁移和模型自我改进。

Comments 8 pages including figures, prepared in IEEE conference style. Preprint. Work in progress

Hiding in the AI Traffic: Abusing MCP for LLM-Powered Agentic Red Teaming

AI流量中的隐藏：利用MCP进行LLM驱动的代理红队攻击

Strahinja Janjusevic, Anna Baron Garcia, Sohrob Kazerounian

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出一种基于MCP的C2架构，用于LLM驱动的红队攻击，通过异步并行操作和实时情报共享，减少检测足迹并提升系统整体效能。

Comments 23 pages, 9 figures, 3 tables. Submitted as a full paper for review

Text to Robotic Assembly of Multi Component Objects using 3D Generative AI and Vision Language Models

通过3D生成AI和视觉语言模型实现多组件物体的文本到机器人组装

Alexander Htet Kyaw, Richa Gupta, Dhruv Shah, Anoop Sinha, Kory Mathewson, Stefanie Pender, Sachin Chitta, Yotto Koga, Faez Ahmed, Lawrence Sass, Randall Davis

机构 * Massachusetts Institute of Technology (MIT)（麻省理工学院） ； MIT（麻省理工学院） ； Google DeepMind（谷歌DeepMind） ； Google, Paradigms of Intelligence（谷歌、范式智能） ； Autodesk Research（Autodesk研究） ； MIT Mechanical Engineering（麻省理工学院机械工程系） ； MIT Architecture（麻省理工学院建筑系） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） 纠错

AI总结 本文提出利用3D生成AI和视觉语言模型实现多组件物体的文本到机器人组装，通过多模态推理分解生成网格并优化组件分配。

Comments Accepted to NeurIPS 2025, Conference on Neural Information Processing Systems, Creative AI Track

Neural Transparency: Mechanistic Interpretability Interfaces for Anticipating Model Behaviors for Personalized AI

神经透明：用于预测模型行为的机制可解释性接口以实现个性化AI

Sheer Karny, Anthony Baez, Pat Pataranutaporn

机构 * MIT Media Lab（麻省理工学院媒体实验室） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本研究提出神经透明接口，通过可视化语言模型内部结构帮助用户预测AI行为，提升信任并促进更安全的人机交互。

Comments SK and AB are co-first authors

Learning to Upscale 3D Segmentations in Neuroimaging

在神经影像中学习提升3D分割

Xiaoling Hu, Peirong Liu, Dina Zemlyanker, Jonathan Williams Ramirez, Oula Puonti, Juan Eugenio Iglesias

机构 * Massachusetts General Hospital and Harvard Medical School（麻省总医院和哈佛医学院） ； Department of ECE, Johns Hopkins University（约翰霍普金斯大学电子工程系） ； Danish Research Centre for Magnetic Resonance, Copenhagen University Hospital（丹麦磁共振研究所以及哥本哈根大学医院） ； Hawkes Institute, University College London（霍克斯研究所和伦敦大学学院） ； Computer Science and AI Laboratory, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） 纠错

AI总结 本文提出了一种可扩展的框架，通过回归有符号距离图，在神经影像中实现3D分割的高分辨率上采样，提升了模型的泛化能力和可扩展性。

Comments 13 pages, 4 figures