Memory Transfer Learning: How Memories are Transferred Across Domains in Coding Agents
记忆迁移学习：编码代理跨领域记忆是如何转移的
机构 * KAIST（韩国国立科学技术院） ； New York University（纽约大学）
AI总结 本文研究了记忆迁移学习，通过统一的记忆池跨异构领域提升编码代理性能，发现高层抽象优于低层痕迹，记忆池规模影响迁移效果。
Comments Preprint
高校专区
New York University（纽约大学）
Three Roles, One Model: Role Orchestration at Inference Time to Close the Performance Gap Between Small and Large Agents
三种角色，一个模型：推理时的角色编排以缩小小规模与大规模代理之间的性能差距
机构 * Aimpoint Digital Labs（Aimpoint数字实验室） ； New York University（纽约大学）
AI总结 本文研究在推理时仅使用架构支撑是否能提升小模型在复杂多步骤环境中的性能，通过三阶段推理架构使小模型在AppWorld基准测试中任务完成率提升近一倍，展示了结构化推理干预使小模型能与大模型竞争。
Design Space Exploration of Hybrid Quantum Neural Networks for Chronic Kidney Disease
混合量子神经网络在慢性肾病中的设计空间探索
机构 * eBrain Lab, Division of Engineering, New York University Abu Dhabi（纽约大学阿布扎比分校工程学院eBrain实验室） ； Center for Quantum and Topological Systems, NYUAD Research Institute, New York University Abu Dhabi（纽约大学阿布扎比分校量子与拓扑系统中心）
AI总结 本文通过评估625种混合量子神经网络模型，探讨了数据编码、量子电路架构和测量策略对慢性肾病诊断性能的影响，发现紧凑架构与合适编码可实现最佳准确率、鲁棒性和效率平衡。
FAST: A Synergistic Framework of Attention and State-space Models for Spatiotemporal Traffic Prediction
FAST：一种结合注意机制和状态空间模型的协同框架用于时空交通预测
机构 * Columbia University（哥伦比亚大学） ； San Francisco State University（旧金山州立大学） ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 FAST结合注意机制和状态空间模型，提出了一种可扩展的时空交通预测框架，通过时空-时空架构和Mamba基的空模块，有效捕捉短期和长期时间模式及长距离传感器依赖，实验表明其在精度、可扩展性和泛化性上均优于现有方法。
Comments Accepted by ICME 2026
Physics-informed reservoir characterization from bulk and extreme pressure events with a differentiable simulator
基于可微模拟器的物理信息流体储层表征：从总体和极端压力事件
机构 * Earth and Environmental Sciences Division, Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室地球与环境科学部） ； Courant Institute School of Mathematics, Computing and Data Science, New York University（纽约大学柯朗研究所数学、计算与数据科学学院）
AI总结 本文提出一种融合物理信息的机器学习方法，通过可微流体模拟器提升储层异质性表征的精度与物理一致性，有效降低压力推断误差。
RECOVER: Designing a Large Language Model-based Remote Patient Monitoring System for Postoperative Gastrointestinal Cancer Care
RECOVER：基于大语言模型的术后胃肠癌远程患者监测系统设计
机构 * University of California, Irvine（加州大学尔湾分校） ； Northeastern University（东北大学） ； Johns Hopkins University（约翰霍普金斯大学） ； New York University（纽约大学） ； MedStar Health Research Institute（梅斯塔健康研究院） ； Creighton University（克里普顿大学） ； Georgetown University（乔治城大学）
AI总结 本文设计了基于大语言模型的RECOVER系统，用于术后胃肠癌的远程患者监测，通过临床整合提升术后护理效率，并探讨了AI伦理与未来发展方向。
