New York University（纽约大学）

The Algorithmic Caricature: Auditing LLM-Generated Political Discourse Across Crisis Events

算法漫画：在危机事件中审计LLM生成的政治言论

Gunjan, Sidahmed Benabderrahmane, Talal Rahwan

机构 * New York University (NYUAD), Division of Science, Computer Science Department（纽约大学（NYUAD），科学学院，计算机科学系） 纠错

AI总结 本文通过对比真实与生成的政治言论，发现生成内容在情感强度、结构规律性和词汇框架上不如真实言论真实，提出了'漫画差距'作为评估生成内容社会真实性的指标。

Geometric Factual Recall in Transformers

变换器中的几何事实回忆

Shauli Ravfogel, Gilad Yehudai, Joan Bruna, Alberto Bietti

机构 * New York University（纽约大学） ； Flatiron Institute（Flatiron研究所） 纠错

AI总结 研究探讨了变换器模型如何通过几何方式记忆事实关联，证明嵌入维度与事实数量呈对数关系，并展示了多跳查询中的容量-深度权衡。

Comments Preprint

EHR-RAGp: Retrieval-Augmented Prototype-Guided Foundation Model for Electronic Health Records

EHR-RAGp: 用于电子健康记录的检索增强型原型引导基础模型

Saeed Shurrab, Mariam Al-Omari, Dana El Samad, Farah E. Shamout

机构 * New York University（纽约大学） ； New York University Abu Dhabi（纽约大学阿布扎赫德） 纠错

AI总结 本文提出EHR-RAGp模型，通过动态整合患者历史信息提升临床预测性能，优于现有基础模型和Transformer基线。

Comments Retrieval Augmented EHR Foundation Model

Fused Gromov-Wasserstein Distance with Feature Selection

融合图瓦瑟斯坦距离与特征选择

Harlin Lee, Ying Yu, Mingxin Li, Ranthony Clark

机构 * School of Data Science and Society（数据科学与社会学院） ； Division of Computational Social Science（计算社会科学系） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Courant Institute（Courant研究所） ； Department of Mathematics（数学系） ； New York University（纽约大学） ； Duke University（杜克大学） 纠错

AI总结 本文提出融合图瓦瑟斯坦距离与特征选择方法，通过引入自适应特征抑制权重提升高维数据的可解释性和鲁棒性，采用正则化FGW和简单约束权重两种方法，并分析其理论性质与高效算法。

Real Talk, Virtual Faces: Symbolic-Semantic Discourse Geometry of Virtual and Human Influencer Audiences

真实对话，虚拟面孔：虚拟与人类影响者受众的符号-语义辩论几何

Shahram Chaudhry, Sidahmed Benabderrahmane, Talal Rahwan

机构 * New York University (NYUAD), Division of Science, Computer Science Department（纽约大学（NYUAD），科学学院，计算机科学系） 纠错

AI总结 研究通过符号-语义框架分析虚拟与人类影响者受众的辩论模式，揭示虚拟影响者 discourse 的独特性及符号-语义结构差异。

To Err Is Human; To Annotate, SILICON? Toward Robust Reproducibility in LLM Annotation

犯错是人之常情；标注，硅？迈向LLM标注中的稳健可重复性

Xiang Cheng, Raveesh Mayya, João Sedoc

机构 * Robert H. Smith School of Business, University of Maryland（马里兰大学罗伯特·H·史密斯商学院） ； Leonard N. Stern School of Business, New York University（纽约大学伦纳德·N·斯坦商学院） 纠错

AI总结 本文提出SILICON框架，通过分解标注误差来源，减少测量误差，提升LLM标注的稳健可重复性，同时建立备份模型并量化标注质量上限。

Slicing and Dicing: Configuring Optimal Mixtures of Experts

切片与切割：配置最优专家混合物

Margaret Li, Sneha Kudugunta, Danielle Rothermel, Luke Zettlemoyer

机构 * Paul G Allen School of Computer Science（保罗·G·艾伦计算机科学学院） ； University of Washington（华盛顿大学） ； New York University（纽约大学） ； Courant School of Data Science（科廷数据科学学院） 纠错

AI总结 本文研究了混合专家架构中专家数量、粒度等核心参数的优化问题，发现专家数量和粒度对性能影响显著，其他参数影响较小。

Continuous Discovery of Vulnerabilities in LLM Serving Systems with Fuzzing

在LLM服务系统中通过模糊测试连续发现漏洞

Yunze Zhao, Yibo Zhao, Yuchen Zhang, Zaoxing Liu, Michelle L. Mazurek

机构 * University of Maryland（马里兰大学） ； New York University（纽约大学） 纠错

AI总结 本文提出GRIEF模糊器，通过时间多请求追踪发现LLM服务层漏洞，包括15个漏洞，10个已确认，涉及缓存隔离失败、跨请求性能干扰和崩溃问题。

FragBench: Cross-Session Attacks Hidden in Benign-Looking Fragments

FragBench：隐藏在看似无害片段中的跨会话攻击

Astha Mehta, Niruthiha Selvanayagam, Cedric Lam, Hengxu Li, Phuc-Nguyen Nguyen, Raymond Lee, Olivia McGoffin, My, Luong, Arthur Collé, Jamie Johnson, David Williams-King, Linh Le

机构 * New York University（纽约大学） ； Tufts University（塔夫茨大学） ； Distributed Systems（分布式系统） ； ERA（欧洲研究联盟） ； Lida Safety（Lida安全） ； Mila 纠错

AI总结 FragBench通过24个真实网络攻击案例构建，评估LLM跨会话攻击检测，采用对抗重写和图基检测方法，实现事件级F1分数达0.88-0.96。

Comments preprint of submission

On Training in Imagination

在想象中训练

Nadav Timor, Ravid Shwartz-Ziv, Micah Goldblum, Yann LeCun, David Harel

机构 * Weizmann Institute of Science（魏茨曼研究所） ； New York University（纽约大学） ； Columbia University（哥伦比亚大学） ； New York University AMI Labs（纽约大学AMI实验室） 纠错

AI总结 研究在想象中训练方法中，动态和奖励模型误差对回报和策略优化的影响，提出最优样本分配和表示需求。