New York University（纽约大学）

Learning biophysical models of gene regulation with probability flow matching

利用概率流匹配学习基因调控的生物物理模型

Suryanarayana Maddu, Victor Chardès, Michael J. Shelley

机构 * Center for Computational Biology, Flatiron Institute, New York, NY, USA, 10010 ； Molecular \& Cellular Biology Department, Harvard University, Cambridge, MA 02138 ； Courant Institute of Mathematical Sciences, New York University, New York, NY, USA, 10012 纠错

AI总结 本文提出概率流匹配方法，用于从单细胞测序数据中学习生物物理一致的基因调控过程，展示了其在造血分化数据集中的应用，能够准确捕捉细胞命运决定和基因扰动响应等机制。

Sharp Capacity Scaling of Spectral Optimizers in Learning Associative Memory

谱优化器在关联记忆学习中的容量扩展分析

Juno Kim, Eshaan Nichani, Denny Wu, Alberto Bietti, Jason D. Lee

机构 * UC Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学） ； New York University（纽约大学） ； Flatiron Institute（Flatiron研究所） 纠错

AI总结 本文研究了谱优化器在关联记忆问题中的性能，发现Muon的存储容量显著超过SGD，且在仅使用一阶信息时可与牛顿法匹配。通过实验验证了预测的扩展规律，为更实际的语言建模任务提供了理论基础。

Comments 84 pages, 9 figures

RbtAct: Rebuttal as Supervision for Actionable Review Feedback Generation

RbtAct: 用于生成可操作性评审反馈的反驳作为监督

Sihong Wu, Yiling Ma, Yilun Zhao, Tiansheng Hu, Owen Jiang, Manasi Patwardhan, Arman Cohan

机构 * Yale University（耶鲁大学） ； New York University（纽约大学） ； TCS Research（TCS研究院） 纠错

AI总结 本文提出RbtAct，通过利用反驳作为隐式监督，优化反馈生成器以提高可操作性。引入了视角条件段级评审反馈生成任务，并构建了RMR-75K数据集，实验表明在可操作性和具体性上优于基线模型。

Comments ACL 2026 Findings

GSpaRC: Gaussian Splatting for Real-time Reconstruction of RF Channels

GSpaRC：高斯点云用于射频信道的实时重建

Bhavya Sai Nukapotula, Rishabh Tripathi, Seth Pregler, Dileep Kalathil, Srinivas Shakkottai, Theodore S. Rappaport

机构 * Texas A&M University（德克萨斯A&M大学） ； New York University（纽约大学） 纠错

AI总结 GSpaRC通过高斯点云技术实现射频信道的高精度实时重建，显著降低训练和推理时间，适用于5G及未来无线系统。

Comments Project website: https://nbhavyasai.github.io/GSpaRC/

RELIC: Evaluating Complex Reasoning via the Recognition of Languages In-Context

RELIC：通过上下文语言识别评估复杂推理

Jackson Petty, Michael Y. Hu, Wentao Wang, Shauli Ravfogel, William Merrill, Tal Linzen

机构 * Department of Linguistics（语言学系） ； Center for Data Science（数据科学中心） ； New York University（纽约大学） 纠错

AI总结 RELIC通过评估语言是否属于上下文无关文法生成的语言，衡量LLM的复杂推理能力，发现先进模型在任务复杂度增加时推理计算减少，策略转向猜测。

Comments Accepted to TACL