Multi-Task Bayesian In-Context Learning
多任务贝叶斯上下文学习
机构 * New York University（纽约大学）
AI总结 提出多任务上下文学习框架，通过将先验信息表示为上下文数据集前缀，训练Transformer实现分层贝叶斯预测推理，在多种分布偏移下匹配最优贝叶斯性能且速度提升数个数量级。
Comments ICML 2026
高校专区
New York University（纽约大学）
Adaptive Distance-Aware Trunk Deep Operator Learning for Long-Span Roadway Bridges
自适应距离感知主干深度算子学习用于大跨度公路桥梁
机构 * Urban Engineering Department , addressline= New York University Abu Dhabi , country= United Arab Emirates ； organization= National Center for Supercomputing Applications , addressline= University of Illinois at Urbana-Champaign , country= United States of America ； organization= Department of Structural Engineering , addressline= Mansoura University , country= Mansoura, Egypt
AI总结 提出自适应主干DeepONet框架，通过KNN构建荷载相关学习域、距离感知特征和刚度-informed Schur补全重建，实现大跨度桥梁局部响应高精度快速预测，相对误差低于5%，速度提升约60倍。
Comments 39 pages, 26 figures
Exit-and-Join Dynamics for Decentralized Coalition Formation
去中心化联盟形成的退出与加入动力学
机构 * New York University Tandon School of Engineering（纽约大学坦登工程学院） ； Department of Electrical and Computer Engineering（电气与计算机工程系）
AI总结 研究基于单边退出与加入决策的去中心化联盟形成动力学，利用Aumann-Dreze值计算个体收益，建立合作支付分配与非合作最优反应的关联，并分析均衡特征及成本对局部稳定性的影响。
S-JEPA : Soft Clustering Anchors for Self-Supervised Speech Representation Learning
S-JEPA：用于自监督语音表示学习的软聚类锚点
机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； James Silberrad Brown Center for AI（詹姆斯·西尔伯拉德·布朗人工智能中心） ； Columbia University（哥伦比亚大学） ； Northeastern University（东北大学） ； Stanford University（斯坦福大学） ； Amazon GenAI（亚马逊生成式人工智能）
AI总结 提出S-JEPA，通过KL散度匹配高斯混合模型的软后验概率训练编码器-预测器对，无需离线重聚类或教师蒸馏，在SUPERB协议下以低于90M参数取得最低WER，并建立新的帕累托前沿。
Human-like autonomy emerges from self-play and a pinch of human data
类人自主性从自我对弈和少量人类数据中涌现
机构 * NYU Tandon School of Engineering（纽约大学坦登工程学院） ； NYU Courant（纽约大学库朗数学科学研究所） ； Princeton University（普林斯顿大学） ； Centre for Robotics, Mines Paris（巴黎矿业大学机器人中心） ； Valeo（法雷奥）
AI总结 提出一种结合自我对弈强化学习与少量人类演示的正则化方法，仅用30分钟人类数据即可训练出与人类协调的驾驶策略，训练时间仅15小时。
Comments 10 pages
Computational Identifiability
计算可识别性
机构 * New York University（纽约大学）
AI总结 提出“计算可识别性”框架，通过有限计算搜索过程在指定误差容限内找到经验估计量，从而解决理论可识别性在有限样本、模糊图标准等实际场景中的不足。
Robust $Q$-learning for mean-field control under Wasserstein uncertainty in common noise
公共噪声Wasserstein不确定性下的平均场控制鲁棒$Q$-学习
机构 * Shanghai Center for Data Science（上海数据科学研究中心） ； NYU-ECNU Institute of Mathematical Sciences, NYU Shanghai（纽约大学-复旦大学数学科学研究所，纽约上海） ； Division of Mathematical Sciences, Nanyang Technological University（南洋理工大学数学科学学院）
AI总结 提出一种针对公共噪声分布Wasserstein不确定性的离散时间平均场控制鲁棒$Q$-学习算法，结合量化投影与Wasserstein对偶，证明同步和异步学习的收敛性及有限时间界，并在系统风险和流行病模型中验证鲁棒性-性能权衡。
Human Universal Grasping
人类通用抓取
机构 * New York University（纽约大学） ； Tsinghua University（清华大学） ； University of Michigan（密歇根大学）
AI总结 提出HUG模型，利用人类抓取数据（1M-HUG数据集）和流匹配方法，从单张RGB-D图像生成多样化抓取姿态，并重定向到机器人手，实现零样本抓取，在HUG-Bench上超越基线23%-34%。
Comments 28 pages, 20 figures, 7 tables
Science Earth: Towards A Planet-Scale Operating System for AI-Native Scientific Discovery
Science Earth: 迈向面向AI原生科学发现的行星级操作系统
机构 * Department of Pathology, Department of Genetics, Stanford University School of Medicine（病理学系、遗传学系，斯坦福大学医学院） ； Princeton AI Lab, Department of Electrical & Computer Engineering, Princeton University（普林斯顿人工智能实验室、电气与计算机工程系，普林斯顿大学） ； Scripps Research, La Jolla, CA, USA（斯克里普斯研究机构，洛杉矶，加利福尼亚州，美国） ； Division of Biostatistics, Department of Population Health, New York University Grossman School of Medicine（生物统计学部、人口健康系，纽约大学格罗斯曼医学院） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） ； Department of Computer Science, Yale University（计算机科学系，耶鲁大学） ； Department of Physics, Princeton University（物理系，普林斯顿大学）
AI总结 提出Science Earth行星级科学运行时，通过EACN协议实现AI能力动态连接与自组织协作，在跨太平洋Kuramoto同步研究和单细胞分析中验证了分布式自校正科学推理。
Comments Withdrawn by the authors. (1) The author list and authorship roles had not been finalized and agreed upon by all listed authors prior to submission. (2) The specific contribution of the system in the K3 synchronization example (Section on Kuramoto/nonlinear physics) requires further validation before it can be reported. The authors are addressing both points and may resubmit a corrected version.
Beyond Reasoning Gains: Mitigating General-Capability Forgetting in Large Reasoning Models
超越推理增益：缓解大型推理模型中的通用能力遗忘
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； New York University（纽约大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 针对强化学习训练导致推理模型遗忘基础能力的问题，提出RECAP重放策略，通过动态目标重加权在线调整训练重点，在保持通用能力的同时提升推理性能。
Bridging Distribution Shift and AI Safety: Conceptual and Methodological Synergies
弥合分布偏移与AI安全：概念与方法论的协同
机构 * Center for Data Science, New York University New York New York USA ； Computer Science Department, University of California, Santa Barbara Santa Barbara California USA ； Department of Electrical ； Computer Engineering, University of California, Santa Barbara Santa Barbara California USA ； Courant Institute for Mathematical Sciences \& Center for Data Science, New York University New York New York USA ； Center for Data Science, New York University ； Computer Science Department, University of California, Santa Barbara ； Computer Engineering, University of California, Santa Barbara ； Courant Institute for Mathematical Sciences \& Center for Data Science, New York University
AI总结 本文通过分析分布偏移与AI安全之间的概念和方法论协同，建立了特定偏移类型与细粒度安全问题之间的两种联系，促进了两领域研究的深度融合。
Comments 35 pages
