New York University（纽约大学）

Tweedie's Formulae and Diffusion Generative Models Beyond Gaussian

Tweedie's公式与超越高斯的扩散生成模型

Wenpin Tang, Nizar Touzi, Zikun Zhang, Xun Yu Zhou

机构 * Department of Industrial Engineering and Operations Research, Columbia University（哥伦比亚大学工业工程与运筹学系） ； Department of Finance and Risk Engineering, New York University（纽约大学金融与风险工程系） 纠错

AI总结 本文扩展了Tweedie公式以适用于重要的非高斯过程，如几何布朗运动、平方贝塞尔过程和Cox-Ingersoll-Ross过程，并利用这些公式在图像和金融时间序列生成以及经验贝叶斯估计中应用非高斯扩散模型，展示了非高斯模型的潜力。

Comments 27 pages, 18 figures

STAR-PólyaMath: Multi-Agent Reasoning under Persistent Meta-Strategic Supervision

STAR-PólyaMath: 多智能体在持久元策略监督下的推理

Jiaao Wu, Xian Zhang, Hanzhang Liu, Sophia Zhang, Fan Yang, Yinpeng Dong

机构 * Tsinghua University（清华大学） ； Microsoft Research（微软研究院） ； New York University（纽约大学） ； MIT（麻省理工学院） 纠错

AI总结 本文提出STAR-PólyaMath多智能体框架，通过元级监督和结构化的推理-验证交互系统性解决数学推理中的幻觉积累、记忆碎片化和推理工具平衡问题，并在多个顶级竞赛基准上取得最佳成绩。

Comments 25 pages, 4 figures. Code: https://github.com/Julius-Woo/STAR-PolyaMath

Learning to Hand Off: Provably Convergent Workflow Learning under Interface Constraints

学习手柄：在接口约束下的可证明收敛的工作流学习

Jiayu Li, Enpei Zhang, Dawei Zhou, Elynn Chen, Yujun Yan

机构 * Stern School of Business（斯特恩商学院） ； New York University（纽约大学） ； Department of Computer Science（计算机科学系） ； Dartmouth College（达特茅斯学院） ； Virginia Tech（弗吉尼亚理工大学） 纠错

AI总结 该研究探讨了在接口约束下的工作流学习问题，提出了一种异步去中心化的Q学习算法IC-Q，并给出了神经IC-Q的有限样本界，证明了在去中心化部分可观测性下的神经Q学习的第一个有限样本保证。

Dual-Channel Tensor Neural Networks: Finite-Sample Theory and Conformal Structure Selection

双通道张量神经网络：有限样本理论与符合结构选择

Elynn Chen, Jiayu Li, Zheshi Zheng, Jian Pei

机构 * New York University（纽约大学） ； University of Michigan（密歇根大学） ； Duke University（杜克大学） 纠错

AI总结 本文提出双通道张量神经网络（DC-TNN），通过分解张量输入为低秩核心和稀疏细化部分，并通过耦合的神经通道处理两者。该框架结构无关，可容纳CP、Tucker和张量列车核心。在估计方面，建立了DC-TNN估计器的非渐近风险界，并展示了有效维度由核心秩和细化稀疏性共同决定。在推断方面，开发了结构感知符合ROC程序，产生具有有限样本、分布自由覆盖的ROC和AUC置信带。基于此，提出了符合结构选择器，是首个具有有限样本有效性的分布自由候选张量分解选择方法。模拟和蛋白质数据集分析显示了竞争性的预测精度、可靠的不确定性量化和一致的张量结构恢复。

CRAFT: Critic-Refined Adaptive Key-Frame Targeting for Multimodal Video Question Answering

CRAFT: 基于批评的自适应关键帧目标定位用于多模态视频问答

Mahesh Bhosale, Abdul Wasi, Vishvesh Trivedi, Pengyu Yan, Akhil Gorugantu, David Doermann

机构 * University at Buffalo（布法罗大学） ； New York University（纽约大学） 纠错

AI总结 该研究提出CRAFT方法，通过动态关键帧选择、每视频ASR与多语言回退以及混合批评循环，迭代验证和修复声明，最终实现多模态视频问答的准确证据聚合。

Comments Accepted at ACL 2026 Multimodal Augmented Generation via MultimodAl Retrieval Workshop

Recall Isn't Enough: Bounding Commitments in Personalized Language Systems

回想起并不足够：在个性化语言系统中界定承诺

Rui Tang, Yichi Zhang, Xi Chen, Chen Dong, Youwei Yang, Yumeng Shen, Qiangqiang Liu

机构 * OpenAsk ； Stern School of Business, New York University（纽约大学 Stern 学院） ； Bank of Hebei（河北银行） ； Lingnan College, Sun Yat-sen University（中山大学 Lingnan 学院） ； School of Economics, Xiamen University（厦门大学 经济学院） ； BitMart ； Binance 纠错

AI总结 本文提出了一种新的方法，通过合同界定证据激活（CBEA）和词典承诺验证（LCV）来解决个性化语言系统中承诺界定的问题，从而在360个测试用例和三个生成后端上实现了零失败，同时降低了输入负载。

Comments 14 pages, 3 figures, 22 tables; preprint version

Open-Set Domain Adaptation Under Background Distribution Shift: Challenges and A Provably Efficient Solution

开放集域适应在背景分布偏移下的挑战：挑战与一种可证明高效的解决方案

Shravan Chaudhari, Yoav Wald, Suchi Saria

机构 * Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Faculty of Data and Decision Sciences, Technion（技术学院数据与决策科学学院） ； Center for Data Science, New York University（纽约大学数据科学中心） ； Bayesian Health（贝叶斯健康） 纠错

AI总结 本文研究了在背景分布偏移情况下开放集域适应的挑战，并提出了一种可证明高效的解决方案CoLOR，通过理论分析和实验证明其在简化过参数化设置中优于基线方法，同时展示了其在图像和文本数据上的广泛适用性。

Comments Project page at https://github.com/Shra1-25/CoLOR

Journal ref Transactions on Machine Learning Research (TMLR) 2026/May ISSN: 2835-8856

SEAL: Semantic Aware Image Watermarking

SEAL：语义感知图像水印

Kasra Arabi, R. Teal Witter, Chinmay Hegde, Niv Cohen

机构 * New York University（纽约大学） 纠错

AI总结 本文提出了一种新的水印方法，通过将生成图像的语义信息直接嵌入水印中，实现无损水印验证，无需依赖密钥模式数据库。通过局部敏感哈希从图像语义嵌入中推断密钥模式，并基于原始图像内容条件检测水印，提高对抗伪造攻击的鲁棒性。

Sharper Bounds for Chebyshev Moment Matching, with Applications

更精确的Chebyshev矩匹配界限及其应用

Cameron Musco, Christopher Musco, Lucas Rosenblatt, Apoorv Vikram Singh

机构 * UMass Amherst（马萨诸塞大学阿姆赫斯特分校） ； New York University（纽约大学） 纠错

AI总结 本文研究了在存在噪声测量的情况下，通过Chebyshev多项式矩来近似恢复概率分布的问题。通过利用Lipschitz函数Chebyshev展开系数的全局衰减界，作者证明了在比之前已知的更多的噪声情况下，可以在Wasserstein距离中实现精确的恢复。该结果立即应用于多个领域：1）提供了一个简单的“线性查询”算法，用于构造具有Wasserstein-1误差为~O(1/n)的差分隐私合成数据分布；2）给出了一个~O(n²/ε)时间的算法，用于估计对称矩阵的谱密度，误差在Wasserstein距离内为ε；3）改进了Vinayak等人在ICML 2019上对“学习参数群体”统计问题最大似然估计器的分析，扩展了可以获得样本最优结果的参数范围。此外，作者还扩展了该界到d>1维分布的估计。

FieldFormer: Locality-Aware Transformers for Spatio-Temporal Modeling on Sparse Sensor Networks

FieldFormer：用于稀疏传感器网络中时空建模的具有局部性的变换器

Ankit Bhardwaj, Ananth Balashankar, Lakshminarayanan Subramanian

机构 * Department of Computer Science（计算机科学系） ； New York University（纽约大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出FieldFormer，一种无网格变换器架构，用于在持续传感器网络中进行具有局部性的传感器空间建模。通过学习可调节的速度缩放偏移量，聚合局部证据，以适应时空依赖性，并在极端稀疏性下实现稳定和可扩展的推理。