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
