New York University（纽约大学）

Physics-Audited Agentic Discovery in Scientific Machine Learning

科学机器学习中的物理审核智能发现

Diab W. Abueidda, Bilal Ahmed, Panos Pantidis, Mostafa E. Mobasher

机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） ； National Center for Supercomputing Applications, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校国家超级计算应用中心） 纠错

AI总结 研究针对智能科学机器学习中替代模型选择问题，提出物理审核智能SciML工作流程，先确定评分评估器，推导物理要求并检查候选者输出，搜索违规情况。通过数值示例验证，该方法能选到满足物理条件的替代模型，区别于仅靠综合分数的方法。

WildCity: A Real-World City-Scale Testbed for Rendering, Simulation, and Spatial Intelligence

WildCity：用于渲染、模拟和空间智能的真实世界城市规模测试平台

Xiangyu Han, Mengyu Yang, Jiaqi Li, Bowen Chang, Ziyu Chen, Hexu Zhao, Rahul Kumar Agrawal, Anthony Rodriguez, Fiona Hua, Marco Pavone, Chen Feng, Yiming Li

机构 * May Mobility（五月出行公司） ； New York University（纽约大学） ； NVIDIA（英伟达公司） ； Stanford University（斯坦福大学） 纠错

AI总结 针对人工智能在构建城市规模空间表征方面的挑战，引入WildCity真实世界多模态数据集，建立重建基线并转化为模拟器，分析关键挑战，推动城市规模渲染及相关人工智能发展。

Comments ECCV 2026; Project Page: https://han-xiangyu.github.io/Wild-City/

DYNA-PRUNER: Input-Adaptive Data-Model Co-Pruning for Efficient and Scalable Spatio-Temporal Media Prediction

DYNA-PRUNER: 面向高效可扩展时空媒体预测的输入自适应数据-模型协同剪枝

Fuyan Zhang, Yuqi Li, Qing Xu, Yingli Tian, Edmond S. L. Ho

机构 * The City College of New York（纽约市立学院） ； The Graduate Center, CUNY（纽约市立大学研究生中心） ； New York University（纽约大学） ； University of Glasgow（格拉斯哥大学） 纠错

AI总结 提出Dyna-Pruner框架，通过共享重要性同步机制实现输入自适应的数据与模型结构协同剪枝，在CNN、RNN和Transformer骨干上减少70% FLOPs并实现2.5倍加速，精度损失小于1%。

Comments IEEE International Conference on Multimedia and Expo (ICME) 2026 Spotlight Paper