New York University（纽约大学）

How Embeddings Shape Graph Neural Networks: Classical vs Quantum-Oriented Node Representations

嵌入如何塑造图神经网络：经典与量子导向的节点表示

Nouhaila Innan, Antonello Rosato, Alberto Marchisio, Muhammad Shafique

机构 * eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD)（eBRAIN实验室，工程系，纽约大学阿布扎比分校） ； Center for Quantum and Topological Systems (CQTS), NYUAD Research Institute（量子与拓扑系统中心（CQTS），NYUAD研究院） ； Department of Information Engineering, Electronics and Telecommunications, Sapienza University of Rome（信息工程、电子与电信系，罗马萨皮恩扎大学） 纠错

AI总结 本文通过统一流程比较经典与量子导向的节点表示，揭示其在图分类中的表现差异，强调在固定预算下诱导偏差、可训练性和稳定性之间的权衡。

Comments 6 pages. Accepted at IJCNN 2026

DySCO: Dynamic Attention-Scaling Decoding for Long-Context Language Models

DySCO：动态注意力缩放解码用于长上下文语言模型

Xi Ye, Wuwei Zhang, Fangcong Yin, Howard Yen, Danqi Chen

机构 * Princeton Language and Intelligence, Princeton University（普林斯顿语言与智能，普林斯顿大学） ； Department of Computer Science, New York University（纽约大学计算机科学系） 纠错

AI总结 DySCO通过动态调整注意力机制提升长上下文推理能力，利用检索头识别关键token并增强其权重，在多个基准测试中取得25%的性能提升。

TennisTV: Do Multimodal Large Language Models Understand Tennis Rallies?

TennisTV: 多模态大语言模型能否理解网球发球？

Zhongyuan Bao, Lejun Zhang

机构 * New York University（纽约大学） ； Tandon School of Engineering（坦顿工程学院） ； Shanghai, China（上海，中国） ； New York, USA（纽约，美国） 纠错

AI总结 TennisTV是首个全面评估网球视频理解的基准，通过模拟发球过程中的连续击球事件，评估17种大语言模型在网球视频理解中的表现，发现帧采样密度需平衡且需提升时间定位能力。

An Optimal Transport-driven Approach for Cultivating Latent Space in Online Incremental Learning

一种基于最优传输的在线增量学习中潜在空间培育方法

Quyen Tran, Hai Nguyen, Hoang Phan, Quan Dao, Linh Ngo, Khoat Than, Dinh Phung, Dimitris Metaxas, Trung Le

机构 * Rutgers University（罗格斯大学） ； Tuft University（塔夫茨大学） ； New York University（纽约大学） ； HUST（哈尔滨理工大学） ； Monash University（墨尔本大学） 纠错

AI总结 本文提出基于最优传输理论的混合模型学习框架（MMOT），通过增量更新聚类中心来应对多模态数据流，提升复杂数据流的表征精度和未见样本的类相似性估计。

Comments CVPR2026