高校专区
基于大型语言模型的类型学特征预测：一种上下文学习方法
机构 * University of Toronto（多伦多大学） ； Ontario Tech University（安大略理工大学）
AI总结 该研究针对类型学特征预测现有方法可解释性不足且表现未充分探索的问题，采用基于URIEL+和Glottolog数据的上下文学习方法，发现结合系统发育与地理邻接证据的LLMs表现优于基线，且能生成符合证据的可解释依据。
Comments Accepted to EMNLP 2026
遵循独特路径：一种适用于异常值鲁棒位姿配准的快速验证器
机构 * University of Toronto Robotics Institute（多伦多大学机器人研究所） ； University of Toronto（多伦多大学）
AI总结 本文提出中央路径验证器（CP-Cert），针对机器人学中SDP松弛退化问题优化可验证方法，将其应用于位姿配准与点云关联，速度比现有方法快三个数量级，构建了异常值鲁棒的位姿估计流水线并验证于真实数据。
神经算子的可学习组合
机构 * MIT MechE（麻省理工学院机械工程系） ； University of Toronto（多伦多大学）
AI总结 该研究提出LatentDDM方法，通过预训练神经算子并训练轻量组合模块，在达西流和翼型流任务上降低了误差，为物理基础模型提供了新设计原则。
从SDR视频生成HDR视频
机构 * Sony Research（索尼研究实验室） ； York University（约克大学） ； Vector Institute（向量研究所） ； University of Toronto（多伦多大学）
AI总结 本文提出利用大规模生成视频模型从普通SDR视频生成HDR视频，引入多曝光视频模型和可学习视频合并模型，通过实验验证了其在真实场景和电影中的HDR转换能力。
Comments SIGGRAPH Asia 2026, Webpage is https://sdr2hdrvideo.github.io
并非所有偏好都同等重要：面向推理模型的稳定性感知与梯度高效对齐
机构 * Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航空航天信息研究所） ； Baidu Inc.（百度公司） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院）
AI总结 SAGE通过动态框架提升推理模型对齐的稳定性与梯度效率，通过信噪比优化和稳定性感知评分函数实现更高效的训练。
Comments EMNLP Main 2026
纠缠表征会放大遗忘中的附带损害
机构 * University of Oxford（牛津大学） ； University of Toronto（多伦多大学）
AI总结 该研究通过控制SGTM训练的不同解纠缠程度的254M参数语言模型，验证了表征纠缠会放大遗忘附带损害，解纠缠程度更高的模型保留-遗忘权衡更优。
隐藏在对数外衣下的幂律：基于图的向量搜索的可扩展性研究
机构 * University of Toronto（多伦多大学）
AI总结 该研究针对基于图的向量搜索的可扩展性，发现小数据集规模下搜索成本呈次线性幂律增长、大数据集下转为亚多项式增长，提出统一理论与权衡模型，为向量数据库优化提供依据。
Comments 17 pages, 10 figures
向量、乘积与标量量化的统一率-失真视角
机构 * University of Toronto（多伦多大学） ； Boston College（波士顿学院）
AI总结 本研究针对离散视觉分词的VQ、PQ、SQ提出统一率-失真视角，明确重建保真度核心目标，确立量化比较公平条件，还原失真层级并证实现代VQ方法失真最低。
Comments 26 pages, 2 figure, 8 tables
多行动，少决策：面向长 horizon 大语言模型智能体的技能引导自适应动作分块
机构 * Rutgers University（罗格斯大学） ； University of Toronto（多伦多大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Amazon（亚马逊公司） ； Microsoft（微软公司）
AI总结 本文提出 SPACE 方法，通过从成功轨迹的编程技能中提炼分块边界监督，优化 LLM 智能体的动作分块策略，在 ALFWorld 和 ScienceWorld 上提升了长 horizon 任务的成功率并减少了决策轮次。
Comments EMNLP 2026 Camera Ready
用于数据驱动过程模拟的统一粒子滤波长短期记忆网络（Unified PF-LSTM）
机构 * Rotman School of Management, University of Toronto（多伦多大学罗特曼管理学院）
AI总结 针对数据驱动过程模拟中标准循环模型无法处理潜在过程状态不确定性的问题，提出Unified PF-LSTM模型，在三个急诊科数据集上的表现优于现有基线。
AlphaRAD：基于α校正二元交叉熵与分解隐层监督的胸部放射学 grounded 零样本分类
机构 * Peter Munk Cardiac Centre, University Health Network (UHN)（彼得·芒克心脏中心，大学健康网络（UHN）） ； Ted Rogers Centre for Heart Research（泰德·罗杰斯心脏研究中心） ； University of Toronto (U of T)（多伦多大学） ； Vector Institute（向量研究所） ； Toronto General Hospital Research Institute, UHN（多伦多总医院研究所，大学健康网络（UHN））
AI总结 AlphaRAD通过α校正二元交叉熵训练的医疗概念鉴别器与FLaS跨模态融合模块，在16个胸部放射学分类基准及10个定位、分割数据集上实现最优零样本分类性能。
Comments ECCV 2026
GPAgentBench-2K：复杂临床动作空间中的大语言模型智能体基准测试
机构 * ETH Zurich（苏黎世联邦理工学院） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； University of Toronto（多伦多大学）
AI总结 该研究推出首个面向初级保健临床决策的CMDP LLM智能体基准GPAgentBench-2K，评估16种LLM时发现其存在临床质量-安全差距，且C-GRPO建模约束仍未达临床安全要求。
MDM-Prime-v2：二进制编码和索引洗牌使扩散语言模型能够扩展
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； NVIDIA AI Technology Center（NVIDIA AI技术中心） ； National Taiwan University（国立台湾大学）
AI总结 本文提出MDM-Prime-v2，通过二进制编码和索引洗牌技术改进扩散语言模型，解决了子分词器功能形式与BPE分词器结合导致的交叉熵损失增加以及子分词器粒度超参数选择缺乏工具的问题，从而提升了模型在常识推理基准上的零样本准确率。
Comments Published at EMNLP 2026 (Main). Code: https://github.com/chen-hao-chao/mdm-prime-v2
LayerComposer: 通过分层画布实现多人类个性化生成
机构 * Snap Inc. ； University of Toronto（多伦多大学） ； UC Merced（加州大学默塞德分校） ； Virginia Tech（弗吉尼亚理工大学）
AI总结 LayerComposer通过分层画布实现多人类个性化生成，提供直观的人类注入和高效 scalable 的生成框架。
Comments Accepted to SIGGRAPH Asia 2026 Conference Papers. 16 pages including appendix. Project page: https://snap-research.github.io/canvascomposer
分组自适应裁剪策略优化
机构 * University of Toronto（多伦多大学） ； Amazon（亚马逊公司）
AI总结 该研究针对GRPO的固定裁剪局限，提出GAPO方法，通过自适应调整裁剪边界提升了Qwen、Llama模型在低通过率数学推理与编码任务上的Pass@1和Pass@k指标。
Comments Accepted at EMNLP 2026 (Main Conference)
Puppeteer：基于物体的姿态感知同步言语手势生成
机构 * Pickford AI（皮克福德人工智能公司） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 Puppeteer是一种姿态感知、基于物体的同步言语手势扩散模型，通过因果潜在空间合成物理一致的手势，在SceneGes数据集上的实验显示其生成的手势更多样、时间同步性更好且支持基于物体的合成。
LOOMSUM：融合定量与叙事证据实现忠实的长文本-表格摘要
机构 * University of Toronto（多伦多大学） ； University of Waterloo（滑铁卢大学）
AI总结 本研究提出无需训练的LOOMSUM框架，结合Table-Grounded Faithfulness指标，在FINDSum和USTT基准上提升长文本-表格摘要的分析忠实性，显式跨模态关联可减少事实配对错误。
Comments Preprint, code will be available soon
对齐调整如何塑造大语言模型中谄媚及相关线索诱导偏差的表征？
机构 * University of Michigan（密歇根大学） ； Jinesis Lab, University of Toronto & Vector Institute（多伦多大学Jinesis实验室和向量研究所） ； Max-Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所）
AI总结 研究大语言模型中谄媚及相关线索诱导偏差的位置，通过从隐藏状态提取偏差方向并经探测等三种方法三角测量，发现易感性由对齐调整而非预训练导致，还能适度去偏，偏差是对齐调整安装的不同因果活性方向。
通过认知权利评估大语言模型的二阶偏见
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； EuroSafeAI ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（马克斯·普朗克智能系统研究所（德国图宾根））
AI总结 提出基于认知权利理论的逻辑推理任务，评估LLM在判断偏见内容时表现出的二阶偏见，发现模型判断存在系统性偏差且能规避安全护栏。
Comments 25 pages, 17 tables, 3 figures
基于分布式飞行时间传感器的连续机器人定位
机构 * University of Toronto Robotics Institute, Canada（多伦多大学机器人研究所，加拿大） ； Oxford Robotics Institute, University of Oxford, UK（牛津大学机器人研究所，英国） ； Toronto Metropolitan University, Canada（多伦多 Metropolitan 大学，加拿大）
AI总结 本文提出了一种利用小型低分辨率飞行时间传感器进行连续机器人定位的方法，通过融合传感器数据与机器人形状先验信息，实现了在复杂环境中高精度的定位与建图。
Comments Print version, to be published at Robotics: Science and Systems (RSS) 2026
Journal ref Proceedings of Robotics: Science and Systems (2026)
DCReg: 用于高效退化LiDAR配准的解耦表征
机构 * Hong Kong University of Science and Technology（香港科技大学） ； National University of Defense Technology（国防科技大学） ； University of Science and Technology Beijing（北京科技大学） ； University of Toronto（多伦多大学）
AI总结 本文提出DCReg方法，通过解耦配准问题中的退化因素，提高配准稳定性与精度，实验显示在多种环境中实现更高的定位精度和更快的计算速度。
Comments 27 pages, 19 figures, 9 tables
Journal ref 2026
简单增加，显著提升：在URIEL+中扩展脚本、语言和谱系覆盖
机构 * Ontario Tech University（安大略技术大学） ； University of Toronto（多伦多大学） ； University of Michigan（密歇根大学） ； LT3, IDLab, Universiteit Gent（LT3，IDLab，根特大学）
AI总结 URIEL+通过引入脚本向量、整合Glottolog和扩展谱系推断，提升了语言覆盖和特征稀疏性，使低资源语言的跨语言迁移性能提升6%。
Comments Accepted to LREC 2026
FedReview：无需验证数据集或历史知识即可审查和处置中毒更新
机构 * Zhejiang University（浙江大学） ； Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高新区（滨江）区块链与数据安全研究院） ； ZJU-UIUC Institute, Zhejiang University（浙江大学ZJU-UIUC研究院） ； University of Toronto（多伦多大学）
AI总结 FedReview是一种联邦学习中基于审查的中毒更新处置机制，无需验证数据集或客户端先验知识，通过审查员评估与多数投票聚合，可在对抗环境中学习到性能良好的全局模型。
MYOSAIQ挑战赛：自动化梗死量化的心肌分割
机构 * INSA-Lyon, Universite Claude Bernard Lyon 1, UJM-Saint Etienne, CNRS, Inserm, CREATIS UMR 5220, U1294（里昂国立应用科学学院、里昂第一大学克洛德·贝尔纳大学、圣艾蒂安大学、法国国家科学研究中心、法国国家健康与医学研究院、CREATIS联合研究机构） ； Institut Universitaire de France (IUF)（法兰西大学研究院） ； University of Sherbrooke（谢布鲁克大学） ； Huazhong University of Science and Technology（华中科技大学） ； Sunnybrook Research Institute, University of Toronto（多伦多大学桑尼布鲁克研究所） ； Imperial College London（伦敦帝国理工学院） ； University College London（伦敦大学学院） ； Fudan University（复旦大学） ； Medical University of Graz（格拉茨医科大学） ； Graz University of Technology（格拉茨技术大学） ； Universidad de Zaragoza（萨拉戈萨大学） ； Instituto de Investigación Sanitaria de Aragón (IIS Aragón)（阿拉贡卫生研究所） ； Centre Hospitalier Annecy Genevois（阿讷西日内瓦中心医院） ； Hôpital Universitaire Cardiologique Louis Pradel（路易·普拉德尔大学心脏病医院）
AI总结 本文介绍MYOSAIQ挑战赛，整合439例多中心CMR数据，6支队伍参赛，对比发现基于UNet的技术在LGE MR分割上优于基础模型，但梗死区域分割仍需改进。
Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2026:032
Journal ref Machine.Learning.for.Biomedical.Imaging. 2026 (2026)
BAITBENCH：通过植入ML任务中的可选捷径测量智能体的奖励黑客行为
机构 * National University of Singapore（新加坡国立大学） ； MIT（麻省理工学院） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； University of Toronto（多伦多大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Arb Research（Arb研究机构）
AI总结 BAITBENCH是含三个合成表格型ML任务的基准，用于测量智能体利用可选捷径获得虚高分的奖励黑客行为，实验显示57.1%的运行存在该行为，发布相关资源作为缓解措施评估测试平台。
ImageEval 2026：基于文化语境的阿拉伯语多模态评估
机构 * Texas A&M University（德克萨斯农工大学） ； Qatar Computing Research Institute（卡塔尔计算研究所） ； Birzeit University（比尔宰特大学） ； Hamad Bin Khalifa University（哈马德·本·哈利法大学） ； University of Toronto（多伦多大学）
AI总结 ImageEval 2026共享任务含AynVQA和CRAI-Bench两项阿拉伯语多模态评估任务，14支团队参与，相关资源已发布，凸显文化语境多模态评估的挑战。
Comments Arabic LLMs, Multilingual, Multimodal, Shared Task
适用于伽利略群的滑动窗口滤波器：处理未知测量延迟的一致辅助惯性导航
机构 * Vector Institute（向量研究所） ； University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所）
AI总结 针对辅助惯性导航中辅助测量的未知恒定延迟问题，提出基于伽利略群的滑动窗口滤波器，联合估计延迟与导航状态，仿真表明该滤波器可显著提升估计一致性。
Comments Accepted to the IEEE International Conference on Multisensor Fusion and Integration (MFI), Pilsen, Czechia, Sep 2-4, 2026
将随机化度量失真改进至2.3282
机构 * University of Toronto（多伦多大学）
AI总结 该研究在度量社会选择中，通过引入随机规模稳定彩票，结合集成否决的混合规则，将随机化投票规则的度量失真从2.5改进至2.3282。
从度量空间中最优选择代表性智能体
机构 * University of Toronto（多伦多大学） ； TU Clausthal（克劳斯塔尔工业大学） ； The University of Tokyo（东京大学）
AI总结 本文针对度量空间中的比例公平聚类问题，证明了Droop核心下界的紧致性，提出仅选智能体位置作中心的2-Droop核心聚类方法，解决了β-多数问题，其结果由ChatGPT-5.6-Sol生成并经作者验证。
超越表示学习：针对3D脑部MRI的联合嵌入预测生成的系统研究
机构 * University of Toronto（多伦多大学） ； University of Waterloo（滑铁卢大学） ； University of Alberta（阿尔伯塔大学） ； University of Sussex（萨塞克斯大学）
AI总结 本研究提出适配3D脑部MRI的Med-D-JEPA模型，在生成质量、分类与分割任务上均优于或相当基线，证明联合嵌入预测生成可用于3D医学图像合成。
Comments Preprint, code will be released after review
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