Differential Privacy in Generative AI Agents: Analysis and Optimal Tradeoffs
生成AI代理中的差分隐私：分析与最优权衡
机构 * Department of Electrical and Computer Engineering, New York University（纽约大学电气与计算机工程系）
AI总结 本文从企业数据角度分析生成AI代理的隐私泄露问题，提出基于差分隐私的概率框架，推导隐私界限并优化温度参数选择。
高校专区
New York University（纽约大学）
Towards Infinitely Long Neural Simulations: Self-Refining Neural Surrogate Models for Dynamical Systems
迈向无限长的神经模拟：用于动力系统的自修正神经代理模型
机构 * Courant Institute School of Mathematics, Computing, and Data Science, New York University, USA（Courant学院数学、计算与数据科学学院，纽约大学，美国）
AI总结 本文提出自修正神经代理模型(SNS)，通过条件扩散模型在无需超参数的情况下平衡短期精度与长期一致性，实现对复杂动力系统长时间模拟的高保真度。
Theoretical Foundations of δ-margin Majority Voting
δ-margin多数投票的理论基础
机构 * JP Morgan AI Research（摩根大通人工智能研究） ； New York University（纽约大学）
AI总结 本文通过马尔可夫链和赌徒 ruin 理论，建立了 δ-margin 多数投票的理论框架，提供闭式表达式和贝叶斯扩展，实现基于模型的设计，提升质量和成本控制。
SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems
SafeTutors: 评估AI辅导系统中的教学安全性
机构 * Eindhoven University of Technology（埃因霍温理工大学） ； Indian Institute of Technology Kharagpur（印度理工学院Khargpur分校） ； Cisco Research（思科研究） ； Taras Shevchenko National University of Kyiv（塔拉斯·谢甫琴科基辅国立大学） ； National Technical University of Ukraine（乌克兰国家技术大学） ； New York University（纽约大学）
AI总结 本文提出SafeTutors基准，评估AI辅导系统在数学、物理和化学中的教学有效性与安全性，发现模型在多轮对话中教学失败率显著上升，且学科差异影响安全措施效果。
GUIDE: GenAI Units In Digital Design Education
GUIDE：数字设计教育中的生成式人工智能单元
机构 * NYU Tandon（纽约大学Tandon学院） ； NYU Abu Dhabi（纽约大学阿布扎比分校） ； RPI（罗切斯特理工学院） ； Texas A&M（德克萨斯大学阿姆斯特朗分校）
AI总结 GUIDE为数字设计教育提供可运行的Google Colab实验室和课程资料，通过标准化教学单元提升学习一致性与教学效率，包含三个代表单元和四门课程实例，涵盖RTL生成、测试bench生成及IP盗版检测等核心内容。
Joint Value Estimation and Bidding in Repeated First-Price Auctions
重复第一价格拍卖中的联合价值估计与投标
机构 * Courant Institute of Mathematical Sciences（Courant数学科学研究所） ； New York University（纽约大学） ； Center for Data Science（数据科学中心） ； Stern School of Business（斯特恩商学院） ； Arena Technologies（Arena技术公司）
AI总结 本文研究重复第一价格拍卖中的 regrets 最小化问题，提出结合因果推断的算法，在不同反馈类型下实现近最优 regret 绑定。
Comments POMS-HK 2026 Best Student Paper Finalist
