高校专区
混合量子-经典神经网络架构搜索
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（NYUAD）） ； Center for Quantum and Topological Systems (CQTS), NYUAD Research Institute（量子与拓扑系统中心（CQTS），NYUAD研究院）
AI总结 本文研究了混合量子-经典神经网络架构搜索的基础，探讨了NAS如何扩展到量子和混合场景，并展示了FLOPs感知搜索作为构建高效且可部署的HQNN的重要方向。
OmniCode: 一个评估软件工程代理的基准
机构 * Cornell University（康奈尔大学） ； Independent contributor（独立贡献者） ； UC Santa Barbara（加州大学圣巴巴拉分校） ； Jadavpur University（贾瓦伊普尔大学） ； New York University（纽约大学）
AI总结 本文提出OmniCode，一个涵盖更广泛任务类别的软件工程基准，旨在评估软件代理在不同软件开发方面的性能。
评估语言模型对游戏的评估
机构 * University of Cambridge（剑桥大学） ； MIT（麻省理工学院） ； Princeton University（普林斯顿大学） ； NYU（纽约大学） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 本文研究了语言模型对游戏评估的能力，通过比较现代语言模型和人类及符号计算代理的评估结果，发现推理模型在游戏评估上更接近人类，但随着模型接近博弈最优，其与人类数据的匹配度会减弱，且在评估趣味性时表现出更大的波动。
具有随机特征的高维岭回归：非同分布数据的方差轮廓
机构 * New York University Abu Dhabi（纽约大学阿布扎赫分校） ； Institut de mathématiques de Bordeaux（波尔多数学研究所）
AI总结 本文研究了在非同分布数据下，使用随机特征的高维岭回归，通过方差轮廓模型分析训练和测试风险的渐近等价，并揭示了异质方差轮廓对泛化性能的影响。
生成式AI与生产力差距：教育中的人类-人工智能互补性
机构 * Leonard N. Stern School of Business, New York University（纽约大学 Leonard N. Stern 商学院） ； Industrial and Systems Engineering Department, Texas A&M University（德克萨斯大学阿姆斯特朗工程学院）
AI总结 本研究探讨了生成式AI对不同用户生产力影响的异质性，发现AI交互能力（AIC）是决定AI使用效果的关键因素，通过概念图干预可减少不平等，强调需结合AIC微培训和标准流程以实现持续价值捕获。
通过技能程序 harnessing LLM agents
机构 * New York University（纽约大学） ； Salesforce AI Research（Salesforce人工智能研究）
AI总结 本文提出 HASP 框架，通过将技能转化为可执行程序函数（PFs）来提升 LLM agent 在复杂任务中的表现，其核心方法是通过 PFs 在失败状态时介入并修正行动，主要贡献是通过模块化设计实现推理、训练和自改进的多场景应用。
Comments 40 pages, 7 figures
GEM：用于占用预测和运动规划的高斯演化模型
机构 * Purdue University（普渡大学） ； New York University Abu Dhabi（纽约大学阿布扎克分校）
AI总结 该研究提出GEM模型，通过高斯演化模型实现高效的占用预测和运动规划，解决了传统方法在时间灵活性、场景演化和连续时间动态匹配上的不足。
PEIRA: 通过视图回归对齐学习预测编码器
机构 * Univ. Grenoble Alpes, Inria CNRS, Grenoble INP, LJK（格勒诺布尔大学、法国国家信息与自动化研究所、格勒诺布尔INP、LJK实验室） ； Ecole Normale Supérieure / PSL Inria Paris（巴黎高等师范学院/PSL 国家科学研究中心、法国国家信息与自动化研究所巴黎分部） ； New York University（纽约大学）
AI总结 本文提出PEIRA方法，通过显式目标函数和线性回归器对齐来实现非对比自监督学习，通过理论分析和实验验证其在ImageNet-1K和CIFAR-10上的有效性。
利用视觉-语言模型进行人脸图像质量评估
机构 * Department of Computer Engineering, Istanbul Technical University（伊斯坦布尔技术大学计算机工程系） ； Faculty of Electrical Engineering, University of Ljubljana（卢布尔雅那大学电气工程系） ； Division of Engineering, NYU Abu Dhabi（纽约大学阿布扎克分校工程系）
AI总结 本文研究了利用现成的视觉-语言模型（VLMs）在零样本设置下进行人脸图像质量评估（FIQA）的潜力，通过综合评估框架评估VLM性能，并发现模型架构对生物识别效用性能有显著影响，VLMs的输出与传统方法一致，但生成的分数可能因提示而异。
关于合成数据集在面部表情识别中的适用性
机构 * Department of Computer Engineering, Istanbul Technical University（伊斯坦布尔技术大学计算机工程系） ； Department of Informatics, University of Zurich（苏黎世大学信息学系） ； Division of Engineering, NYU Abu Dhabi（纽约大学阿布扎克分校工程系）
AI总结 本文研究了合成数据集在面部表情识别中的应用，提出三种隐私保护策略来构建平衡的数据集，并通过实验验证了合成数据在缓解类别不平衡和隐私限制方面的有效性。
学习归一化能量模型以解决线性逆问题
机构 * Rice University（里士满大学） ； Flatiron Institute（Flatiron研究所） ； New York University（纽约大学）
AI总结 本文提出了一种新的能量模型，用于解决线性逆问题，通过引入基于协方差的正则化项来提高不同测量条件下的一致性，从而计算出归一化的后验密度，无需额外训练或微调，同时实现了能量引导的自适应采样、无偏的Metropolis-Hastings修正步骤以及通过贝叶斯规则估计退化算子。
Comments ICML 2026
Journal ref Int'l Conf Machine Learning (ICML), Jul 2026. https://openreview.net/forum?id=PlFJwgaaDK
Concordia：面向联邦大语言模型的自改进合成表格
机构 * University of Manchester（曼彻斯特大学） ； National University of Singapore（新加坡国立大学） ； New York University（纽约大学） ； University of Minnesota（明尼苏达大学） ； Halmstad University（哈姆斯塔德大学） ； Harvard University（哈佛大学） ； University of Florida（佛罗里达大学）
AI总结 本文研究了在无法共享原始数据的情况下，如何通过自改进的合成表格来提升联邦学习中大语言模型的适应能力，提出了一种三层优化框架Concordia，通过参数高效LoRA训练和轻量级效用评分器提升联邦验证效用和跨客户端稳定性。
Comments 12 pages
神经网络海洋闭合的校准以提高均值状态和变异性
机构 * Courant Institute School of Mathematics, Computing, and Data Science, New York University, New York, NY, USA（科朗学院数学、计算与数据科学学院，纽约大学，纽约，纽约州，美国） ； Program in Atmospheric and Oceanic Sciences, Princeton University, Princeton, NJ, USA（大气与海洋科学项目，普林斯顿大学，普林斯顿，新泽西州，美国）
AI总结 本文提出利用集合卡尔曼反演方法对神经网络参数进行校准，以改进粗分辨率海洋模型的均值状态和变异性，通过校准减少了约1.7至3.3倍的误差。
在联合嵌入预测世界模型中成功因素是什么？
机构 * Meta FAIR ； Inria Paris（巴黎理工院） ； Ecole normale supérieure / PSL（巴黎高等师范学院 / PSL） ； New York University（纽约大学）
AI总结 本文研究了在物理规划中使用联合嵌入预测世界模型（JEPA-WMs）的成功因素，通过分析模型架构、训练目标和规划算法对规划成功的影响，提出了一种在导航和操作任务中优于现有基线方法的模型。
Comments V2 of the article: - Added AdaLN-zero - Added table comparing JEPA-WMs with baselines with std translating per-seed variability only, no variability across epochs - Reordered figures in main body of the paper V3: added data scaling experiments, theoretical appendix section on autoregressive rollout, acceptance at TMLR
QuCo-RAG：从预训练语料库中量化不确定性以实现动态检索增强生成
机构 * University of Illinois at Chicago（伊利诺伊大学香槟分校） ； New York University（纽约大学） ； Monash University（莫纳什大学）
AI总结 本研究提出QuCo-RAG，通过从预训练语料库中提取客观统计信息来量化不确定性，以解决动态检索增强生成中大语言模型的幻觉问题，实验表明其在多跳问答基准测试中优于现有方法，并在多个模型上实现了显著的提升。
Comments ACL Findings 2026
基于位置感知的多项逻辑带宽学习：从乘法位置效应到一般位置效应
机构 * Leonard N. Stern School of Business, New York University（纽约大学勒纳商学院） ； Qiuzhen College, Tsinghua University（清华大学齐臻学院） ； Department of Management Science, School of Management, Fudan University（复旦大学管理学院管理科学系） ； Yau Mathematical Sciences Center & Department of Mathematical Sciences, Tsinghua University（清华大学尤数学科学中心及数学科学系）
AI总结 本文研究了动态联合品类选择与排列问题，其中每个产品的吸引力取决于其内在吸引力和显示位置，在多项逻辑（MNL）选择框架下。研究从乘法位置效应模型扩展到一般位置效应模型，为两种模型设计了基于轮次的学习算法，并建立了首个最优后悔分析。此外，这些基于轮次的算法为现代平台提供了必要的实时操作。对于乘法模型，开发了具有截断机制的交叉位置成对最大似然估计器，并证明算法P2MLE-UCB达到$ ilde{O}(\sqrt{NT})$的后悔，匹配下限并弥补了先前基于周期的分析留下的$\sqrt{K}$差距。对于一般模型，建立了最小最大下界并提出了GP2-UCB算法，具有匹配的上界。此外，设计了基于Dinkelbach方法和最大权二分图匹配的高效子程序，用于每轮联合品类和排列优化。在合成数据和Expedia数据集上的数值实验表明，我们的算法在性能上始终优于最先进的基准。
某些身体必须承受痛苦以实现代理问责
机构 * University of Oxford（牛津大学） ； New York University Shanghai（纽约大学上海分校）
AI总结 本文研究了人工智能代理问责中的后果接收问题，指出当前LLM代理无法满足必要的身体条件，因此传统法律回应失效，提出需要建立社会技术基础设施来实现后果-代理耦合。
在语言模型中RLVR的不可学习现象
机构 * New York University（纽约大学）
AI总结 本文研究了RLVR在提升大语言模型推理能力中的学习动态，发现即使存在正确回放，某些难例仍无法学习，揭示了当前RL方法在推理任务中的根本限制。
Comments Accepted to ICML 2026
基于Lipschitz性的生成模型插值调度设计
机构 * Department of Mathematics, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校数学系） ； Machine Learning Lab, Capital Fund Management, Paris, France（Capital Fund Management机器学习实验室） ； Courant Institute, New York University, NY, USA（纽约大学Courant研究所） ； Now at University of Maryland, College Park, MD, USA（现在位于马里兰大学 College Park 分校）
AI总结 本文研究了生成模型中插值调度的设计，从统计和数值角度出发，提出通过最小化漂移场的平均平方Lipschitz性来设计调度，以提升生成模型的稳定性与准确性。
GVGAI-LLM：通过无限游戏评估大语言模型代理
机构 * New York University（纽约大学） ； University of the Witwatersrand（沃尔特·斯通大学） ； Meta ； Lingnan University（岭南大学）
AI总结 GVGAI-LLM通过 arcade 式游戏测试大语言模型的推理与问题解决能力，定义了可解释的评估指标，揭示了模型在空间推理和基本规划中的局限性。
LSDTs: 基于大语言模型的语义数字孪生用于自适应知识密集型基础设施规划
机构 * Department of Civil & Environmental Engineering, University of Maryland, College Park（大学公园马里兰大学土木与环境工程系） ； Center for Urban Science and Progress, New York University（纽约大学城市科学与进步中心） ； Department of Computer Science, University of Alabama（阿拉巴马大学计算机科学系） ； School of Information, University of South Florida（佛罗里达州立大学信息学院）
AI总结 本文提出LSDTs框架，利用大语言模型从非结构化文档中提取规划知识并构建形式本体，通过语义层提升数字孪生在复杂规划场景中的适应性与仿真精度。
FlowMixer：一种不依赖深度的神经架构用于可解释的时空预测
机构 * New York University in Abu Dhabi（纽约大学阿布扎赫尔分校） ； New York University Abu Dhabi（纽约大学阿布扎赫尔分校） ； Brooklyn, USA（布鲁克林，美国）
AI总结 FlowMixer通过约束矩阵运算建模结构化时空模式，结合可逆映射框架实现可解释的时空预测，通过Kronecker-Koopman特征模式直接操控预测时间跨度，无需重新训练。
Comments Accepted (main track) at NeurIPS 2025. 44 pages, 17 figures, 22 tables. Published in Advances in Neural Information Processing Systems, vol. 38
Journal ref Advances in Neural Information Processing Systems, vol. 38, pp. 88811-88861, 2025
灾难性过拟合、熵差与参与比：一种无噪声的 $l^p$ 范数解决方案用于快速对抗训练
机构 * New York University of Abu Dhabi（纽约阿布扎比分校） ； Department of Civil and Urban Engineering（土木与城市工程系） ； NYU Tandon School of Engineering（纽约大学坦顿工程学院）
AI总结 本文提出基于 $l^p$ 范数的无噪声方法，通过量化梯度集中度和熵测度，自动调整训练范数以缓解灾难性过拟合问题，无需额外正则化或噪声注入。
Comments 26 pages, 13 figures, 5 table. Preliminary version at NeurIPS 2025 Reliable and Responsible AI Workshop. Code: https://github.com/FaresBMehouachi/lpfgsm
R2V Agent：教SLMs何时请求帮助
机构 * New York University Tandon School of Engineering（纽约大学Tandon工程学院） ； University of California, San Diego（加州大学圣地亚哥分校） ； Stanford University（斯坦福大学） ； ServiceNow Research（ServiceNow研究） ； Mila - Quebec AI Institute（魁北克AI研究院） ； Université de Montréal（蒙特利尔大学）
AI总结 R2V-Agent通过风险校准的SLM-LLM路由框架提升交互代理的可靠性，结合小型语言模型策略、更强的教师LLM、轻量级过程验证器和校准的步骤路由器，在多个基准测试中显著提升性能与成本效率。
小波流匹配用于多尺度物理模拟
机构 * Department of Earth and Environmental Engineering（地球与环境工程系） ； Columbia University（哥伦比亚大学） ； University of Edinburgh（爱丁堡大学） ； Courant Institute of Mathematical Sciences（数学科学学院） ； New York University（纽约大学） ； Scripps Institution of Oceanography（斯克里普斯海洋研究所） ； Halıcıoğlu Data Science Institute（哈利奇数据科学研究所） ； University of California San Diego（加州大学圣地亚哥分校） ； CUNY New York City College of Technology（纽约市立大学纽约技术学院） ； Lamont-Doherty Earth Observatory（拉蒙特-多伊蒂地球观测站）
AI总结 本文提出小波流匹配方法，通过在多尺度小波空间中直接进行最优传输，解决多尺度物理系统模拟中稳定性与精度的平衡问题，实现更高效的生成式模拟。
校准后再行动：在大语言模型代理中考虑成本的探索
机构 * New York University（纽约大学）
AI总结 本文提出Calibrate-Then-Act框架，使LLM代理在不确定环境下显式平衡成本与不确定性，从而更优地决策。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈