New York University（纽约大学）

See Something, Say Something: Context-Criticality-Aware Mobile Robot Communication for Hazard Mitigations

看见即应言：面向灾害缓解的上下文感知移动机器人通信

Bhavya Oza, Devam Shah, Ghanashyama Prabhu, Devika Kodi, Aliasghar Arab

机构 * New York University Tandon School of Engineering（纽约大学坦登工程学院） ； The City College of New York, Grove School of Engineering（纽约市立学院格罗夫工程学院） ； ASAS LABS, Department of Mechanical and Aerospace Engineering, Tandon School of Engineering, New York University（纽约大学坦登工程学院机械与航空航天工程系ASAS实验室） 纠错

AI总结 本文提出一种上下文感知的移动机器人通信框架，通过感知驱动自适应消息生成，提升灾害响应速度和有效性，在60多次实验中验证了结构化关键性评估对响应速度和缓解效果的提升。

Bootstrap Perception Under Hardware Depth Failure for Indoor Robot Navigation

基于硬件深度故障的室内机器人导航 bootstrap 感知系统

Nishant Pushparaju, Vivek Mattam, Aliasghar Arab

机构 * New York University（纽约大学） ； City College of New York（纽约市立学院） 纠错

AI总结 本文提出一种在硬件深度故障情况下用于室内机器人导航的 bootstrap 感知系统，通过自参照性质校准单目深度，提升障碍物感知覆盖率。

A Semantic Observer Layer for Autonomous Vehicles: Pre-Deployment Feasibility Study of VLMs for Low-Latency Anomaly Detection

面向自动驾驶的语义观察层：VLMs在低延迟异常检测中的预部署可行性研究

Kunal Runwal, Swaraj Gajare, Daniel Adejumo, Omkar Ankalkope, Siddhant Baroth, Aliasghar Arab

机构 * The City College of New York, Grove School of Engineering（纽约市立学院格罗夫工程学院） ； Department of Mechanical and Aerospace Engineering, Tandon School of Engineering, New York University（纽约大学坦登工程学院机械与航空航天工程系） ； Department of Electrical and Computer Engineering, Tandon School of Engineering, New York University（纽约大学坦登工程学院电气与计算机工程系） 纠错

AI总结 本文提出一种语义观察层，通过量化视觉-语言模型实现低延迟异常检测，验证了其在自动驾驶平台上的可行性。

Provably Extracting the Features from a General Superposition

从一般叠加中可证明地提取特征

Allen Liu

机构 * UC Berkeley（加州大学伯克利分校） ； NYU Courant（纽约大学库朗数学科学研究所） 纠错

AI总结 从学习理论角度研究如何从叠加中提取可解释特征，提出高效的查询算法以恢复特征方向和函数。

Stronger Normalization-Free Transformers

更强的无归一化变换器

Mingzhi Chen, Taiming Lu, Jiachen Zhu, Mingjie Sun, Zhuang Liu

机构 * Princeton University（普林斯顿大学） ； New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出Derf函数，通过大规模搜索找到更有效的归一化替代方案，其在视觉识别、语音表示和DNA序列建模中均优于LayerNorm、RMSNorm和DyT。

Comments Published in CVPR 2026

Deep Polynomial Chaos Expansion

深度多项式混沌展开

Johannes Exenberger, Sascha Ranftl, Robert Peharz

机构 * CAIML, TU Wien（维也纳工业大学 CAIML） ； TU Graz（格拉茨工业大学） ； Brown University（布朗大学） ； Courant Institute NYU（纽约大学库朗研究所） ； Graz Center for Machine Learning（格拉茨机器学习中心） 纠错

AI总结 本文提出深度多项式混沌展开（DeepPCE），通过结合可处理的概率电路理念，实现高维输入空间的有效扩展，保持了PCE精确统计推断的能力，同时性能媲美多层感知机。

Comments 29th International Conference on Artificial Intelligence and Statistics (AISTATS) 2026

MindCube: Spatial Mental Modeling from Limited Views

MindCube：从有限视角构建空间心理模型

Qineng Wang, Baiqiao Yin, Pingyue Zhang, Jianshu Zhang, Kangrui Wang, Zihan Wang, Jieyu Zhang, Keshigeyan Chandrasegaran, Han Liu, Ranjay Krishna, Saining Xie, Jiajun Wu, Li Fei-Fei, Manling Li

机构 * Northwestern University（西北大学） ； Stanford University（斯坦福大学） ； New York University（纽约大学） ； University of Washington（华盛顿大学） 纠错

AI总结 本文通过MindCube基准测试，探讨视觉语言模型能否从有限视角构建空间心理模型，提出'map-then-reason'方法提升模型性能，实现从37.8%到61.3%的准确率提升。

Comments The latest version includes an expanded discussion of scaffolding, along with updated data statistics and experimental results