Selecting Decision-Relevant Concepts in Reinforcement Learning
强化学习中决策相关概念的选择
机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学）
AI总结 本文提出决策相关选择算法，通过状态抽象视角自动选择决策相关的概念，提升强化学习策略的可解释性和性能。
Comments 16 pages, 13 figures
高校专区
New York University（纽约大学）
Search, Do not Guess: Teaching Small Language Models to Be Effective Search Agents
搜索，不要猜测：教小语言模型成为有效的搜索代理
机构 * New York University（纽约大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nanyang Technological University（南洋理工大学）
AI总结 本文通过评估复杂多跳推理任务，发现小语言模型（SLMs）虽参数较少，但检索工具使用更少且易产生幻觉。提出轻量级微调方法\policy，使SLMs能可靠检索并生成基于证据的答案，提升Bamboogle和HotpotQA性能17.3和15.3分，达到LLM水平。
Comments 13 pages, 5 figures
Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction
多轮医学诊断基准测试：Hold、Lure 和 Self-Correction
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； New York University（纽约大学） ； The University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文通过MINT基准测试揭示了大语言模型在多轮证据积累中的行为模式，发现提前回答、自我修正和强诱因影响诊断决策，提出延迟提问和保留关键证据可提升诊断准确性。
RESCORE: LLM-Driven Simulation Recovery in Control Systems Research Papers
RESCORE：基于大语言模型的控制系统研究论文仿真恢复
机构 * New York University（纽约大学） ； Tandon School of Engineering（坦登工程学院）
AI总结 本文提出RESCORE框架，通过迭代执行反馈和视觉比较提升论文仿真恢复精度，实现40.7%的仿真恢复率，比单次生成方法更高效，节省验证时间与成本。
Comments This work has been submitted to the IEEE for possible publication
Federated Transfer Learning with Differential Privacy
联邦迁移学习与差分隐私
机构 * School of Mathematics, University of Birmingham（伯明翰大学数学学院） ； Department of Statistics, Columbia University（哥伦比亚大学统计系） ； Department of Biostatistics, School of Global Public Health, New York University（纽约大学全球公共卫生学院生物统计系） ； Department of Statistics, University of Warwick（华威大学统计系）
AI总结 本文提出联邦差分隐私框架，解决分布式数据异质性和隐私保护问题，通过多源数据信息提升目标数据集学习效果，分析隐私模型的统计问题及最小最大率。
Comments 101 pages, 7 figures
Diffusion Path Alignment for Long-Range Motion Generation and Domain Transitions
扩散路径对齐用于长程运动生成与领域转换
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Institute of Information Systems, Universität Liechtenstein（列支敦士登大学信息系统研究所） ； Department of Computer Science, New York University（纽约大学计算机科学系） ； MRC Biostatistics Unit, University of Cambridge（剑桥大学MRC生物统计单元）
AI总结 本文提出基于扩散的优化框架，通过控制能量目标实现运动领域间流畅过渡，提升长程人类运动生成的连贯性与准确性。
Artificial Intelligence and Systemic Risk: A Unified Model of Performative Prediction, Algorithmic Herding, and Cognitive Dependency in Financial Markets
人工智能与系统性风险：金融市场中表现性预测、算法从众与认知依赖的统一模型
机构 * New York University（纽约大学）
AI总结 本文提出一个统一模型，研究人工智能在金融市场中通过表现性预测、算法从众和认知依赖三个相互强化渠道生成系统性风险，揭示了AI渗透率增加对系统性风险的超线性放大效应。
NeuroSymb-MRG: Differentiable Abductive Reasoning with Active Uncertainty Minimization for Radiology Report Generation
NeuroSymb-MRG：基于主动不确定性最小化的可微推断推理用于放射科报告生成
机构 * University of Macau（澳门大学） ； Tsinghua University（清华大学） ； Fudan University（复旦大学） ； Peking University（北京大学） ； The First People’s Hospital of Foshan（佛山市第一人民医院） ； Capital Medical University（首都医科大学） ； Rutgers Cancer Institute, NJ, USA（罗格斯癌症研究所（美国新泽西州）；纽约大学朗格尼健康中心（美国纽约州）） ； and NYU Langone Health, NY, USA（Techno国际新城（印度加尔各答）） ； Techno International New Town, Kolkata, India
AI总结 本文提出NeuroSymb-MRG框架，结合神经符号推断与主动不确定性最小化，生成结构化且临床可靠的报告。通过图像特征到概率临床概念的映射，构建可微推理链，并通过检索和约束语言模型编辑优化文本输出。
Comments 12 pages, 1 figure
Concept-Centric Token Interpretation for Vector-Quantized Generative Models
面向概念的标记解释方法用于向量量化生成模型
机构 * School of Computing, University of Georgia（佐治亚大学计算学院） ； Department of Data Science, New Jersey Institute of Technology（新泽西理工学院数据科学系） ； Department of Computer Science, New York University（纽约大学计算机科学系）
AI总结 本文提出CORTEX方法，通过分析标记重要性及代码本来解释VQGMs生成过程，提升模型透明度并应用于图像编辑和特征检测。
Comments 17 pages, 7 figures
Journal ref In Proceedings of the 42nd International Conference on Machine Learning (ICML), PMLR 267:71034-71050, 2025
Chain-of-Frames: Advancing Video Understanding in Multimodal LLMs via Frame-Aware Reasoning
链式帧：通过帧感知推理推进多模态大语言模型的视频理解
机构 * New York University（纽约大学） ； EPFL（瑞士联邦理工学院洛桑分校）
AI总结 本文提出一种单阶段视频LLM，通过显式引用相关帧减少推理中的时间不一致性，利用COF-DATA数据集提升视频理解性能，发现合成数据显著提升模型准确率。
Comments Accepted to the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026
