高校专区
通过难度目标在线数据选择和回放提升大语言模型强化微调的数据效率
机构 * UIUC（伊利诺伊大学香槟分校） ； New York University（纽约大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； Microsoft（微软）
AI总结 本文提出通过难度目标在线数据选择和回放机制提升大语言模型强化微调的数据效率，实验表明可减少62%的微调时间并保持同等性能。
Comments Accepted at NeurIPS 2025
构建用于科学领域异常检测的机器学习挑战
机构 * The Ohio State University（俄亥俄州立大学） ； University of Washington（华盛顿大学） ； MIT（麻省理工学院） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； Duke University（杜克大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Maryland Baltimore County（马里兰大学巴尔的摩县分校） ； University of Colorado, Boulder（科罗拉多大学博尔德分校） ； University of Minnesota（明尼苏达大学） ； Princeton University（普林斯顿大学） ； University of Arkansas for Medical Sciences（亚拉巴马医学科学大学） ； University of Zürich（苏黎世大学）
AI总结 本文提出三个跨学科数据集，旨在开发基于机器学习的异常检测方法，以推动科学发现。
Comments 17 pages 6 figures to be submitted to Nature Communications
使用混合空间专家进行大语言模型的参数高效微调
机构 * Yale university（耶鲁大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Hong Kong University of Science（香港科学大学） ； Xi’an Jiaotong University（西安交通大学） ； Central University of Finance（中央财经大学）
AI总结 本文提出MoSLoRA，通过混合多种几何空间提升大语言模型的参数高效微调效果，实验显示在多个基准测试中表现优于现有方法。
Comments 15 pages, 11 figures
高效高振荡算子的张量补全算法
机构 * Department of Computer Science, University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学系） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； Applied Mathematics and Computational Research Division（应用数学与计算研究部）
AI总结 本文提出高效的蝴蝶格式张量补全算法，通过低秩矩阵补全生成初始猜测，实现高振荡算子的快速准确重建。
OpenTSLM：用于多变量医学文本和时间序列数据推理的时间序列语言模型
机构 * Stanford Mussallem Center for Biodesign（斯坦福 Mussallem 生物设计中心） ； Centre for Digital Health Interventions（数字健康干预中心） ； Agentic Systems Lab（代理系统实验室） ； National University of Singapore（新加坡国立大学） ； Microsoft（微软） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Google Research（谷歌研究） ； Stanford University（斯坦福大学） ； Amazon（亚马逊） ； Division of Cardiovascular Medicine（心血管医学部） ； Division of Cardiology（心内科部） ； Pediatric Cardiology（儿童心内科） ； University of Washington（华盛顿大学）
AI总结 OpenTSLM通过整合时间序列作为原生模态，提升对多变量医学文本和时间序列数据的推理能力，其模型在多个任务中均优于基线模型。
GelSLAM：一种实时、高保真度和鲁棒的3D触觉SLAM系统
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 GelSLAM通过触觉传感实现实时高保真3D SLAM，以高精度重建物体形状并提升手部操作任务的鲁棒性。
Comments 20 pages
FGBench: 一个用于大语言模型中功能基团级分子属性推理的数据集和基准
机构 * Department of Chemical and Biomolecular Engineering, University of Illinois Urbana-Champaign（化学与生物分子工程系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Computer Science, University of Illinois Urbana-Champaign（计算机科学系，伊利诺伊大学厄巴纳-香槟分校）
AI总结 FGBench通过构建包含功能基团级信息的数据集，提升大语言模型在分子属性推理任务中的能力。
Comments NeurIPS 2025 (Datasets and Benchmarks Track)
基于化学领域的检索增强生成基准测试
机构 * Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院） ； National Library of Medicine, National Institutes of Health（美国国立卫生研究院国家医学图书馆）
AI总结 本文提出ChemRAG-Bench和Toolkit，用于评估RAG在化学领域的有效性，并展示RAG在化学任务中比直接推理方法有17.4%的性能提升。
Comments Accepted to COLM 2025
基于上下文的量子神经网络用于股票价格预测
机构 * Department of Electrical and Computer Engineering, University of Illinois at Urbana-Champaign（电气与计算机工程系，伊利诺伊大学厄巴纳-香槟分校） ； Fujitsu Research of America（富士通美国研究）
AI总结 本文提出基于上下文的量子神经网络，利用量子批量梯度更新和多任务学习架构，提升多资产股票预测的精度和效率。
Journal ref Mourya, S., Leipold, H., & Adhikari, B. (2026). Contextual quantum neural networks for stock price prediction. Scientific Reports, 16, Article 34413
人类偏好获取的最优设计
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； AWS AI Labs（AWS人工智能实验室） ； UIUC（伊利诺伊大学香槟分校） ； Adobe Research（Adobe研究）
AI总结 本文提出了一种基于最优设计的人类偏好获取方法，通过高效算法和实验验证，提升了偏好模型学习的效率和实用性。
Comments Advances in Neural Information Processing Systems 37
通过自我进化实现Rust代码的自动证明生成
机构 * Peking University（北京大学） ； Microsoft Research（微软研究院） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Columbia University（哥伦比亚大学） ； University of California Irvine（加州大学 Irvine 分校）
AI总结 SAFE框架通过自我进化循环和自我调试机制，提升开源模型自动编写Rust代码证明的能力，准确率达52.52%
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