New York University（纽约大学）

PolySHAP: Extending KernelSHAP with Interaction-Informed Polynomial Regression

PolySHAP：通过交互信息的多项式回归扩展KernelSHAP

Fabian Fumagalli, R. Teal Witter, Christopher Musco

机构 * Bielefeld University（比勒菲尔德大学） ； Claremont McKenna College（克莱蒙特麦肯纳学院） ； New York University（纽约大学） 纠错

AI总结 本文提出PolySHAP方法，通过高次多项式回归扩展KernelSHAP，以更准确地估计Shapley值，同时证明配对采样与二阶PolySHAP的等价性，为配对采样提供了理论支持。

Comments Published at ICLR 2026: https://openreview.net/forum?id=M19J8UGguq

SimWorld Studio: Automatic Environment Generation with Evolving Coding Agent for Embodied Agent Learning

SimWorld Studio：基于进化编码代理的自动环境生成用于具身学习

Haoqiang Kang, Xiaokang Ye, Yuhan Liu, Siddhant Hitesh Mantri, Lingjun Mao, James Fleming, Drishti Regmi, Lianhui Qin

机构 * UC San Diego（加州大学圣迭戈分校） ； New York University（纽约大学） 纠错

AI总结 本文提出SimWorld Studio平台，通过进化编码代理生成动态3D环境，提升具身学习性能。环境生成与学习相互促进，使代理在未见基准上表现更优。

Data-Driven Integration Kernels for Interpretable Nonlocal Operator Learning

数据驱动的集成核用于可解释的非局部算子学习

Savannah L. Ferretti, Jerry Lin, Sara Shamekh, Jane W. Baldwin, Michael S. Pritchard, Tom Beucler

机构 * Department of Earth System Science（地球系统科学系） ； University of California, Irvine（加州大学伊维福分校） ； Department of Computing and Data Science（计算与数据科学系） ； Boston University（波士顿大学） ； The Center for Atmosphere Ocean Science（大气海洋科学中心） ； New York University（纽约大学） ； NVIDIA Corporation（NVIDIA公司） ； Faculty of Geosciences and Environment（地球科学与环境学院） ； University of Lausanne（洛桑大学） ； Expertise Center for Climate Extremes（极端气候专家中心） 纠错

AI总结 本文提出数据驱动的集成核框架，通过分离非局部信息聚合与局部非线性预测，提升非局部算子学习的可解释性与泛化能力，通过南亚季风降水实验验证其有效性。

Comments Presented at Climate Informatics 2026 (14 pages, 5 figures, 1 table)

Generative Modeling from Black-box Corruptions via Self-Consistent Stochastic Interpolants

通过自洽随机插值生成模型中的黑盒破坏

Chirag Modi, Jiequn Han, Eric Vanden-Eijnden, Joan Bruna

机构 * New York University（纽约大学） ； Flatiron Institute（Flatiron研究所） ； Machine Learning Lab, Capital Fund Management（资本基金管理有限公司机器学习实验室） 纠错

AI总结 本文提出自洽随机插值方法，通过迭代更新传输映射来逆向恢复清洁数据，具有计算效率高、灵活性强和理论保证等优势，应用于自然图像处理和科学重建领域。

Comments Accepted at ICLR 2026

Loopholing Discrete Diffusion: Deterministic Bypass of the Sampling Wall

突破离散扩散：确定性绕过采样壁垒

Mingyu Jo, Jaesik Yoon, Justin Deschenaux, Caglar Gulcehre, Sungjin Ahn

机构 * KAIST（韩国科学技术院） ； EPFL（苏黎世联邦理工学院） ； Microsoft（微软） ； SAP ； NYU（纽约大学） 纠错

AI总结 本文提出Loopholing机制，通过确定性潜在路径解决离散扩散模型采样瓶颈问题，显著降低生成困惑度，提升文本连贯性，并在推理任务中表现优异。

Comments Accepted at ICLR 2026

Universal Representation of Generalized Convex Functions and their Gradients

广义凸函数的通用表示及其梯度

Moeen Nehzati

机构 * Department of Economics, New York University（纽约大学经济学系） 纠错

AI总结 本文提出一种可微层，通过凸参数空间实现广义凸函数及其梯度的通用逼近，应用于最优传输映射和多商品拍卖问题，将嵌套双层优化问题转化为可高效求解的单层问题。

A Faster Generalized Two-Stage Approximate Top-K

更快的通用两阶段近似Top-K算法

Yashas Samaga, Varun Yerram, Spandana Raj Babbula, Prateek Jain, Praneeth Netrapalli

机构 * University of Washington, Seattle（华盛顿大学） ； New York University（纽约大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出一种改进的两阶段近似Top-K算法，通过调整第一阶段的分区策略，减少第二阶段输入规模并提升效率，同时保持相同预期召回率。

Comments Accepted at TMLR May 2026

Scale-Gest: Scalable Model-Space Synthesis and Runtime Selection for On-Device Gesture Detection

Scale-Gest: 适用于设备端的手势检测的可扩展模型空间合成与运行时选择

Abdul Basit, Saim Rehman, Muhammad Shafique

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

AI总结 Scale-Gest提出了一种运行时自适应的手势检测框架，通过引入多种设备校准的ACE模型，实现低功耗、低延迟的手势识别，在车载驾驶场景中表现优异。

Comments 7 pages, 11 figures, Accepted to DAC 2026