高校专区
接触模式即层：几何结构在离散-连续规划中的优势
机构 * University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所） ； Space and Terrestrial Autonomous Robotic Systems (STARS) Laboratory（空间与地面自主机器人系统实验室）
AI总结 该研究提出将接触模式视为构型空间的层，以此构建离散-连续规划方法，在两项仿真接触操纵任务中实现了无需预定义接触序列的快速规划。
Comments Submitted to IROS 2026 Workshop on Geometric Representations in Robotics
当智能体执行失败时：从遥测数据中检测和定位运行时故障
机构 * University of Toronto（多伦多大学）
AI总结 该研究提出 AGENTCHAOSBENCH 基准，在智能体系统遥测数据中检测定位运行时故障，实验显示现有 LLM 基线对该任务的解决效果仍远未达标。
Euclid-Omni：面向平面几何的统一神经符号框架
机构 * Apodex ； University of Toronto（多伦多大学） ； UC Berkeley（加州大学伯克利分校） ； ETH Zürich（苏黎世联邦理工学院） ； Meta FAIR
AI总结 本文提出Euclid-Omni统一神经符号框架，结合形式几何系统与LLMs、VLMs，核心为符号几何求解器Euclidea，生成合成数据训练模型，在竞赛级几何问题上性能优异且成本更低。
SL-S4Wave：基于结构化状态空间模型的生理波形自监督学习
机构 * Massachusetts Institute of Technology（麻省理工学院） ； OpenEvidence, USA（OpenEvidence（美国）） ； New York University（纽约大学） ； Xi’an Jiaotong University（西安交通大学） ； University of Toronto（多伦多大学） ； Emory University（埃默里大学）
AI总结 提出SL-S4Wave框架，结合对比学习与基于结构化状态空间模型的编码器，通过多尺度子核全局卷积捕获多通道生理波形的局部和长程依赖，在心律失常检测等任务中优于现有方法。
RoboLab：一种高保真模拟基准，用于分析任务通用策略
机构 * NVIDIA ； University of Toronto（多伦多大学） ； The University of Sydney（悉尼大学）
AI总结 RoboLab通过高保真模拟环境评估任务通用策略的真实泛化能力，提供120个任务的视觉、程序和关系能力测试，揭示当前最佳模型的性能差距。
Journal ref Robotics: Science and Systems XXII, Sydney, Australia, 2026
迁移学习和机器学习在早期乳腺癌五年生存预后模型训练中的应用
机构 * School of Epidemiology and Public Health, University of Ottawa（渥太华大学流行病学与公共卫生学院） ； Children’s Hospital of Eastern Ontario Research Institute（东部儿童医院研究学院） ； Department of Nephrology and Medical Intensive Care, Charité - Universitaetsmedizin Berlin（柏林夏里特医学院肾内科与医学重症科） ； Division of Medical Oncology, Department of Medicine, The University of Ottawa（渥太华大学医学系肿瘤科） ； Department of Oncology, McMaster University（麦马斯特大学肿瘤科） ； Cancer Therapeutics Program, The Ottawa Hospital Research Institute（渥太华医院研究学院癌症治疗计划） ； Ottawa Hospital Cancer Center, The Ottawa Hospital Research Institute（渥太华医院癌症中心，渥太华医院研究学院） ； CHUM, Division of Medical Oncology and Hematology, Université de Montréal（蒙特利尔大学CHUM，医学肿瘤学与血液学部） ； Canadian Cancer Trials Group, Queen’s University（加拿大癌症试验组，皇后大学） ； Diagnostic Development, Ontario Institute for Cancer Research（安大略癌症研究所以及诊断发展部） ； Department of Laboratory Medicine and Pathobiology, University of Toronto（多伦多大学实验室医学与病理学部） ； Department of Surgery, Leiden University Medical Center（莱顿大学医学中心外科部） ； St. Augustinus Hospital, Antwerp, Belgium（比利时安特卫普圣奥古斯丁医院） ； Department of Pathology, Glasgow, United Kingdom（英国格拉斯哥大学病理部） ； Department of Gynecology and Obstetrics, University Center Mainz, Mainz, Germany（德国马尔堡大学中心妇科与妇产科部） ； National and Kapodistrian University of Athens, Medical School, Athens, Greece（希腊雅典国家与卡波迪斯托里亚大学医学院）
AI总结 本文通过比较从头机器学习、迁移学习和集成方法，评估了提升乳腺癌生存预后模型的潜力，发现迁移学习和集成方法在模型校准上表现更优。
Journal ref J Med Internet Res 2026;28:e88665
PickStyle：基于上下文-风格适配器的视频到视频风格迁移
机构 * Pickford AI ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 PickStyle是一种视频到视频风格迁移框架，通过在预训练视频扩散骨干中插入低秩适配器、构建合成训练片段并提出CS-CFG，实现了优于现有基线的视频风格迁移效果。
Comments Accepted to the European Conference on Computer Vision (ECCV) 2026 Workshops
机构 * National Taiwan University（国立台湾大学） ； University of Toronto（多伦多大学）
Comments 5 pages; submitted to ICASSP 2026
Journal ref ICASSP 2026 - 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2026, pp. 15542-15546
独立成分分析的单轮鲁棒联邦学习
机构 * Department of Electrical and Computer Engineering, Rutgers University, New Brunswick（罗格斯大学电气与计算机工程系） ； Department of Statistical Sciences, University of Toronto（多伦多大学统计学系）
AI总结 针对联邦独立成分分析问题，提出基于k-means聚类与几何中位数的单轮鲁棒聚合算法，在异构场景下通过仿真验证了其有效性。
无校正控制的基础：大语言模型的真值追踪剖面
机构 * Humber Polytechnic（亨伯理工学院） ； University of Toronto（多伦多大学）
AI总结 本文研究大语言模型中无校正控制的基础问题，提出路径剖面概念以分析真值追踪，指出纯文本模型继承的模式可提供衍生可应答性，不同方法对任务的真值追踪改进可能与表面改进不一致。
Comments 24 pages, 1 figure, 1 table. A six-page methodological supplement, reproducible R script, and constructed data are included as ancillary files
从边界估计动态软体连续体机器人的状态
机构 * The Continuum Robotics Laboratory（连续机器人实验室） ； the Robotics Institute at the University of Toronto（多伦多大学机器人研究所）
AI总结 本研究提出一种基于基座力/力矩测量的对偶边界观测器，实现动态无穷维软体连续体机器人状态估计，兼具传感需求低、增益调参高效等优势，经仿真与实验验证了其性能。
合成角色预训练：从零开始的对齐
机构 * EPFL（洛桑联邦理工学院） ； University of Toronto（多伦多大学） ； Northeastern University（东北大学） ； SJTU（上海交通大学） ； Saarland University（萨尔大学） ； Hereon（亥姆霍兹极地与海洋研究中心） ； TUHH（汉堡工业大学） ； Ontocord AI（Ontocord人工智能公司） ； TUC（德累斯顿工业大学） ； DFKI（德国人工智能研究中心）
AI总结 该研究提出合成角色预训练（SPP），在预训练token零阶段植入助手角色，通过标注反思、预训练及角色绑定，提升模型价值构成遵循度与鲁棒性，降低对齐错误率，证明预训练时角色干预是对齐的有效方法。
从视觉控件到UI代码：高效的基于工具的生成
机构 * McMaster University（麦克马斯特大学） ； University of Toronto（多伦多大学） ； Concordia University（康考迪亚大学）
AI总结 本研究提出轻量级工具框架WidgetGen，在6个多模态模型和1000个控件上，其视觉重建指标优于直接提示和Widget2Code，且重建的图像-代码对可提升Qwen系列模型性能
Comments ECCV2026 (MUCG Workshop)
RadarGen：从摄像头生成汽车雷达点云
机构 * Technion（技术学院） ； MIT（麻省理工学院） ； NVIDIA（英伟达） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 RadarGen通过扩散模型从摄像头图像生成逼真的雷达点云，结合BEV对齐的深度、语义和运动线索，提升雷达生成的物理合理性与多模态模拟能力。
Comments ECCV 2026. Project page: https://radargen.github.io/
面向移动智能体评估的LLM评判基准测试
机构 * Mila – Québec AI Institute（米拉-魁北克人工智能研究所） ； Concordia University（康考迪亚大学） ； University of Toronto（多伦多大学） ； Shanghai University（上海大学） ； McMaster University（麦克马斯特大学）
AI总结 该研究推出MobileJudgeBench基准，评估6种LLM评判器方法在移动智能体轨迹上的可靠性，发现简单基线评判器具竞争力、基准质量指标可预测评判器效用，且不同LLM后端故障特征相反。
一种用于流水线发现鲁棒性软执行器的机器人测试平台
机构 * Department of Mechanical and Industrial Engineering, University of Toronto（多伦多大学机械与工业工程系） ； Institute of Materials Science, University of Connecticut（康涅狄格大学材料科学研究所） ； School of Mechanical, Aerospace, and Manufacturing Engineering, University of Connecticut（康涅狄格大学机械、航空航天与制造工程学院） ； Material Science and Engineering, University of Connecticut（康涅狄格大学材料科学与工程系） ； Inorganic Polymers Department, Petru Poni Institute of Macromolecular Chemistry（彼得·波尼宏分子化学研究所无机聚合物部门）
AI总结 本文提出了一种机器人测试平台，用于流水线发现鲁棒性软执行器的最优参数组合，显著提升其操作寿命和负载能力。
面向统一动态人脸关键点检测
机构 * University of Toronto（多伦多大学） ； ModiFace（ModiFace公司）
AI总结 该研究针对人脸关键点检测需为不同N点数据集独立训练模型、仅能输出固定数量关键点的局限，提出FPALP概念与统一动态FLD方法，实现单模型适配多数据集、动态输出指定数量关键点，性能优于部分现有SOTA方法。
Comments 9 pages, 6 figures in Main Paper. 13 pages, 3 figures in Appendix
论智能体工具调用与强化学习训练的有效性与效率
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学）
AI总结 本文系统分析工具调用评估中的实现选择对结果敏感性的影响，并针对强化学习训练中的计算浪费提出两种加速技术。
Comments ICML 2026
时间拉直用于隐式规划
机构 * New York University（纽约大学） ； Brown University（布朗大学） ； University of Toronto（多伦多大学）
AI总结 受人类视觉处理中感知拉直假说启发，提出时间拉直方法，通过曲率正则化联合学习JEPA世界模型的编码器和预测器，改善隐式规划中的表示学习，使梯度规划更稳定并提高目标到达任务成功率。
Comments ICML2026 Camera Ready
情境图预测：用户建模的结构化视角推断
机构 * Flybits Labs, Creative AI Hub（Flybits实验室、创意人工智能中心） ； University of Toronto（多伦多大学） ； Toronto Metropolitan University（多伦多 Metropolitan 大学） ； MIT Media Lab（MIT媒体实验室）
AI总结 情境图预测通过结构化视角推断提升用户建模能力，揭示潜在状态推断比表层提取更困难。
Comments Accepted to PILA 2026: Workshop on Personal Intelligence in the Agentic AI Era, at KDD 2026, 5 pages
P³：用于验证代码生成的程序与证明联合规划
机构 * Apodex ； Princeton University（普林斯顿大学） ； Caltech（加州理工学院） ； University of Toronto（多伦多大学）
AI总结 P³是一种用于验证代码生成的程序与证明联合规划的LLM智能体工作流，在三个基准上的求解率优于基线，还降低了API成本与运行时间。
DoRF++：面向鲁棒Wi-Fi感知的多普勒辐射场球面表示学习
机构 * University of Toronto（多伦多大学）
AI总结 本文针对Wi-Fi感知的跨用户泛化难题，提出DoRF++模型，将NeRF概念引入Wi-Fi感知，结合球面Transformer实现手势识别，在单多天线AP场景下的困难手势识别中性能优于现有方法。
当基准推理无法组合：AI评估中的可投射性
机构 * Humber Polytechnic（汉伯理工学院） ； University of Toronto（多伦多大学）
AI总结 本文针对AI评估中基准推理无法组合的问题，提出非组合原则，结合古德曼的竞争延伸问题与基于论证的有效性框架，通过案例和模拟开发可投射性审计以诊断基准到应用论证的衔接缺陷。
Comments 34 pages, 2 figures, 5 tables. v2 substantially revises Secs. 5-8 and the conclusion, adds a measured instance of factor-structure instability, and corrects a claim in Sec. 3.3 that endpoint alignment suffices for composition. Supersedes the withdrawn arXiv:2510.15236. Code: https://github.com/BrettRey/benchmark-inference-composition
大语言模型作为导师：不可验证强化学习中的策略感知提示适应
机构 * KAIST（韩国科学技术院） ； Upstage ； University of Toronto（多伦多大学） ； Carnegie Mellon University（卡内基梅隆大学） ； NVIDIA（英伟达）
AI总结 针对不可验证强化学习中训练提示静态导致的问题，提出LLM-as-a-Tutor框架，让大语言模型从评判扩展为导师，通过对比策略展开检测无挑战性提示并添加约束，提升性能。
分析多模态大语言模型代理在城市感知中生成解释的角色效应
机构 * Universidade Tecnologica Federal do Parana（巴西南里奥格兰德联邦技术大学） ； University of Toronto（多伦多大学）
AI总结 通过对比不同角色提示和无角色设置下多模态大语言模型生成的文本，发现标题描述趋同，但理由描述随社会经济和政治属性系统变化，感知标签无显著差异。
Comments 17 pages, 9 figures
评估部署于智能电网操作中的LLM jailbreaking漏洞：与NERC标准的基准测试
机构 * ECE Department, University of Toronto（多伦多大学电子工程系） ； CIISE, Concordia University（麦吉尔大学CIISE）
AI总结 本文评估了智能电网操作中部署LLM的jailbreaking漏洞，通过与NERC标准的基准测试，发现DeepInception方法攻击成功率最高，Claude 3.5 Haiku完全免疫，Gemini 2.0 Flash-Lite最易受攻击。
Comments \c{opyright} 2026 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works
逐词进行：增量完成分解打破LLM安全
机构 * University of Michigan（密歇根大学） ； University of Toronto（多伦多大学）
AI总结 本文提出增量完成分解（ICD）策略，通过逐词生成恶意请求相关词来突破LLM安全机制，评估多种变体在多个基准测试中表现优异，并理论解释其有效性。
SMAC: 基于分数匹配的演员-评论家用于鲁棒的离线到在线迁移
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 SMAC通过正则化Q函数，使演员-评论家在离线到在线RL迁移中保持性能，有效避免性能下降。
嵌入信任：语义各向同性预测长文本生成中的非事实性
机构 * New York University（纽约大学） ； University of Toronto（多伦多大学）
AI总结 该研究提出通过语义各向同性（单位球面上归一化文本嵌入的均匀程度）评估LLMs生成长文本的可信度，其方法无需标注数据等，在多领域仅用少量样本预测非事实性的表现优于现有信号。
Comments Published in Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
NeuralDMD：基于稀疏且含噪测量的可解释动力学神经表示
机构 * University of Toronto（多伦多大学） ； NVIDIA Corporation（NVIDIA公司）
AI总结 NeuralDMD是结合神经隐式表示与DMD的可解释未训练重建框架，可从稀疏含噪测量中直接重建预测时空动力学，在天气、黑洞观测等任务上优于基线，线性场景下稳定，非线性场景仍有应用潜力。
Comments 53 pages, 26 figures
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