New York University（纽约大学）

A Constrained RL Approach for Cost-Efficient Delivery of Latency-Sensitive Applications

一种用于延迟敏感应用高效交付的约束强化学习方法

Ozan Aygün, Vincenzo Norman Vitale, Antonia M. Tulino, Hao Feng, Elza Erkip, Jaime Llorca

机构 * NYU Wireless（纽约大学无线实验室） ； Intel Labs（英特尔实验室） ； Centre Tecnologic de Telecommunicacions de Catalunya (CTTC)（加泰罗尼亚电信技术中心） 纠错

AI总结 本文提出了一种基于约束深度强化学习的方法，用于在严格延迟约束下实现低成本的数据包交付，确保高可靠性与效率。

Comments 7 pages, 4 figures, accepted for publication in 2025 59th Asilomar Conference on Signals, Systems, and Computers

Yolo-Key-6D: Single Stage Monocular 6D Pose Estimation with Keypoint Enhancements

Yolo-Key-6D：单阶段单目6D姿态估计的关键点增强

Kemal Alperen Çetiner, Hazım Kemal Ekenel

机构 * ASELSAN, Aerospace Technologies, Türkiye（ASELSAN航空航天技术，土耳其） ； Istanbul Technical University, Department of Computer Engineering, Türkiye（伊斯坦布尔技术大学计算机工程系，土耳其） ； New York University Abu Dhabi, Division of Engineering, UAE（纽约大学阿布扎比分校工程学院，阿联酋） 纠错

AI总结 YOLO-Key-6D通过关键点增强实现单阶段单目6D姿态估计，兼顾速度与精度，在实时应用中表现优异。

Comments Accepted to VISAPP 2026

Improved MambdaBDA Framework for Robust Building Damage Assessment Across Disaster Domains

改进的MambaBDA框架用于跨灾难领域的鲁棒建筑损坏评估

Alp Eren Gençoğlu, Hazım Kemal Ekenel

机构 * Department of Computer Engineering, Istanbul Technical University（计算机工程系，伊斯坦布尔技术大学） ； Division of Engineering, New York University Abu Dhabi（工程学院，纽约大学阿布扎比分校） 纠错

AI总结 本文提出改进的MambaBDA框架，通过三个模块化组件提升跨灾难领域建筑损坏评估的鲁棒性和泛化能力。

Comments Preprint. Accepted at VISAPP 2026

Best-of-$\infty$ -- Asymptotic Performance of Test-Time LLM Ensembling

最佳的无穷大 -- 测试时LLM融合的渐近性能

Junpei Komiyama, Daisuke Oba, Masafumi Oyamada

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫莫德·宾·扎耶德人工智能大学） ； New York University（纽约大学） ； RIKEN AIP（理化学研究所AIP） ； Institute of Science Tokyo（东京科学研究所） ； NEC Corporation（日本电报电话株式会社） 纠错

AI总结 本文提出了一种自适应生成方案，通过动态选择N和加权融合多个LLM，实现测试时LLM融合的渐近性能优化。

Comments To appear at ICLR2026. Our code is available at https://github.com/jkomiyama/BoInf-code-publish/. Updated the title

Trade-offs in Ensembling, Merging and Routing Among Parameter-Efficient Experts

参数高效专家中集成、融合与路由的权衡

Sanae Lotfi, Lucas Caccia, Alessandro Sordoni, Jordan T. Ash, Miroslav Dudik

机构 * New York University（纽约大学） ； Microsoft Research（微软研究院） 纠错

AI总结 研究探讨了参数高效专家中集成、融合与路由的权衡，发现非均匀集成和融合提升性能，而路由提供更大收益，同时通过聚类和贪心子集选择降低计算成本。

HumanLM: Simulating Users with State Alignment Beats Response Imitation

HumanLM: 通过状态对齐模拟用户优于响应模仿

Shirley Wu, Evelyn Choi, Arpandeep Khatua, Zhanghan Wang, Joy He-Yueya, Tharindu Cyril Weerasooriya, Wei Wei, Diyi Yang, Jure Leskovec, James Zou

机构 * Stanford University（斯坦福大学） ； New York University（纽约大学） 纠错

AI总结 HumanLM通过状态对齐模拟用户，优于响应模仿，显著提升对齐分数和真实用户相似性。

Comments 27 pages, 17 figures, 9 tables

Flattery, Fluff, and Fog: Diagnosing and Mitigating Idiosyncratic Biases in Preference Models

奉承、浮夸与雾：诊断和缓解偏好模型中的固有偏见

Anirudh Bharadwaj, Chaitanya Malaviya, Nitish Joshi, Mark Yatskar

机构 * University of Pennsylvania（宾夕法尼亚大学） ； New York University（纽约大学） 纠错

AI总结 本研究通过反事实数据增强方法缓解偏好模型中的固有偏见，减少校准错误和偏斜差异，提升模型可靠性。

Comments Published at ICLR 2026; Code and data available at https://github.com/anirudhb123/preference-model-biases

Manipulating language models' training data to study syntactic constraint learning: the case of English passivization

操控语言模型的训练数据以研究句法约束学习：以英语被动化为例

Cara Su-Yi Leong, Tal Linzen

机构 * Department of Linguistics, New York University（语言学系，纽约大学） ； Department of Linguistics and Center for Data Science, New York University（语言学系和数据科学中心，纽约大学） 纠错

AI总结 本研究通过操控语言模型训练数据，探讨英语被动化例外的习得机制，发现频率和语义因素共同影响动词被动化能力。

Comments Journal of Memory and Language