高校专区
有机合成过程生成的科学推理模型
机构 * Microsoft Research AI for Science（微软研究院人工智能科学部） ； Peking University（北京大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 QFANG通过化学引导推理框架生成高质量合成程序，提升计算机辅助合成规划与自动化实验室合成的衔接。
深度神经网络中特征选择的非参数统计方法及其理论保证
机构 * Department of Statistics and Actuarial Science, The University of Hong Kong（统计与精算科学系，香港大学） ； Peking University HSBC Business School（北京大学汇丰商学院）
AI总结 本文提出了一种非参数统计方法，通过神经网络索引模型和二次Stein公式，在理论保证下实现深度神经网络中的特征选择，适用于高维和稀疏场景。
Comments 64 pages
从用户界面到代理界面：UI表示的效率优化以提升LLM代理性能
机构 * Key Lab of HCST (PKU), MOE（HCST关键实验室（PKU），教育部） ； SCS, Peking University（SCS，北京大学） ； Tencent Inc.（腾讯公司） ； University of Texas at Dallas（德克萨斯大学达拉斯分校）
AI总结 UIFormer通过约束优化和结构分解，优化LLM代理的UI表示效率，实现令牌减少与性能提升的平衡。
通过演示编辑强化学习实现通用灵巧功能抓取
机构 * Peking University（北京大学） ； BeingBeyond
AI总结 本研究提出DemoFunGrasp，通过演示编辑强化学习实现通用灵巧功能抓取，提升抓取性能和现实泛化能力。
Comments 19 pages
无人落伍：如何利用不完整且偏斜的多标签数据进行转化率预测
机构 * Peking University（北京大学） ； Noah's Ark Lab, Huawei（华为诺亚实验室） ； Huawei Technology Co., Ltd.（华为技术有限公司）
AI总结 本文提出KAML框架，通过细粒度知识转移和分层知识提取机制，解决不完整且偏斜多标签数据下的转化率预测问题。
虚假的安全感：基于探测的恶意输入检测为何无法泛化
机构 * National University of Singapore（新加坡国立大学） ； Peking University（北京大学） ； University of California, Davis（加州大学戴维斯分校）
AI总结 研究指出基于探测的恶意输入检测方法因学习表面模式而非语义有害性，导致无法泛化，需重新设计模型和评估协议。
通过人类视频中的视觉-物理对齐实现空间感知的VLA预训练
机构 * Peking University（北京大学） ； Renmin University of China（中国人民大学） ； BeingBeyond
AI总结 通过人类视频中的视觉-物理对齐实现空间感知的VLA预训练，提升机器人任务的稳健性和通用性。
基于内容适应的运动对齐框架用于学习视频压缩
机构 * Shenzhen Graduate School, Peking University, Shenzhen, China（北京大学深圳研究生院） ； Pengcheng Laboratory, Shenzhen, China（鹏城实验室）
AI总结 本文提出基于内容适应的运动对齐框架，通过改进编码策略和运动估计，实现更高效的视频压缩性能。
Comments Accepted to Data Compression Conference (DCC) 2026 as a poster paper
L-STEC: 基于长期空间-时间增强上下文的学习视频压缩
机构 * Shenzhen Graduate School, Peking University（北京大学深圳研究生院） ； Pengcheng Laboratory（鹏城实验室） ； National Engineering Research Center for Visual Technology, School of Computer Science, Peking University（国家视觉技术工程研究中心，北京大学计算机学院） ； Bytedance Inc（字节跳动公司）
AI总结 L-STEC通过引入长期空间-时间增强上下文，提升视频压缩效率，实现比现有方法更高的PSNR和MS-SSIM性能。
Comments Accepted to Data Compression Conference (DCC) 2026 as an oral paper
解锁基于强化学习的多模态推理中难度先验的潜力
机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； NLPR&MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Peking University（北京大学） ； Zhongguancun Academy（中关村学院）
AI总结 本文通过建模问题难度先验信息，改进基于强化学习的多模态推理性能，通过数据筛选、优势分化和难度提示提升模型推理深度和准确性。
实例自适应关键点学习与局部到全局几何聚合用于类别级物体姿态估计
机构 * Wuhan Institute of Technology（武汉理工大学） ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学）
AI总结 INKL-Pose通过实例自适应关键点学习与局部到全局几何聚合，实现类别级物体姿态估计的高精度与高效性。
RobustMerge: 用于MLLMs的参数高效模型合并的鲁棒性
机构 * MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS） ； Centre for Artificial Intelligence and Robotics, HKISI-CAS（香港科学院智能机器人中心） ； Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Shenzhen Loop Area Institute（深圳河套学院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机科学学院多媒体信息处理国家重点实验室）
AI总结 RobustMerge提出一种无需训练的参数高效模型合并方法，通过参数修剪和跨任务归一化提升多任务泛化能力。
Comments NeurIPS 2025 (Spotlight)
高效的时间图神经共同邻居用于时间图链接预测
机构 * Institute for Artificial Intelligence, Peking University（人工智能研究院，北京大学） ； State Key Laboratory of General Artificial Intelligence, Peking University（通用人工智能国家重点实验室，北京大学）
AI总结 TNCN通过高效的时间图架构和多跳共同邻居学习，实现了在大规模时间图上高效且准确的链接预测。
GCoDE: 通过架构映射联合搜索实现高效的设备-边缘协同推理
机构 * School of Software, Beihang University（北京航空航天大学软件学院） ； School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； Qingdao Research Institute, Beihang University（北京航空航天大学青岛研究院） ； School of Computer Science and Engineering, Peking University（北京大学计算机科学与工程学院） ； School of Integrated Circuits and Engineering, Beihang University（北京航空航天大学集成电路与工程学院）
AI总结 GCoDE通过架构映射联合搜索实现高效的设备-边缘协同推理，提升GNN推理效率与能耗表现。
Comments accepted by IEEE Transactions on Computers
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