New York University（纽约大学）

Requential Coding: Pushing the Limits of Model Compression with Self-Generated Training Data

顺序编码：利用自生成训练数据突破模型压缩的极限

Shikai Qiu, Marc Finzi, Yujia Zheng, Kun Zhang, Andrew Gordon Wilson

机构 * New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 研究利用自生成训练数据的顺序编码突破模型压缩极限，教师模型从学生分布选样本，学生代码记录选择，代码长度与参数和熵无关且更短，还能揭示现象、给出泛化保证、隔离可学习信息。

Comments Code available at https://github.com/shikaiqiu/requential-coding

Compositional Context Fine-Tuning Vision-Language Model for Complex Assembly Action Understanding from Videos

用于从视频理解复杂装配动作的组合上下文微调视觉语言模型

Hao Zheng, Jinyi Huang, Tiantian Zheng, Xun Xu, Tuka Alhanai

机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） ； The University of Auckland（奥克兰大学） 纠错

AI总结 针对装配动作理解难题，提出组合上下文微调方法及层划分交替训练方法，将动作分解为语义元素并微调视觉语言模型，创建相关数据集，实验证明该方法优于基线且能提供可解释预测，助力人机协作装配。

Comments Accepted by ICRA 2026. Video Understanding; Vision Language Model; Multi-modal LLM; Action Recognition; Assembly

Pitfalls of Administrative Censoring in Survival Models with Time-Indexed Inputs

具有时间索引输入的生存模型中行政审查的陷阱

Yanqi Xu, Hui Dai, Carlos Fernandez-Granda, Krzysztof J. Geras, Yiqiu Shen

机构 * Center for Data Science, New York University（纽约大学数据科学中心） ； University of Chicago（芝加哥大学） ； NYU Grossman School of Medicine（纽约大学格罗斯曼医学院） ； Ataraxis AI（Ataraxis人工智能公司） 纠错

AI总结 研究生存模型中行政审查的陷阱，通过刻画行政截断泄漏发生的情况，将其与其他情况区分，提出检测方法，经模拟和真实队列验证，为生存预测提出数据集应提供足够潜在随访的设计原则。

Learning Partition Trees for Nearest Neighbor Search

学习用于最近邻搜索的划分树

Sanjeev Khanna, Ashwin Padaki, Erik Waingarten

机构 * NYU（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 从数据驱动算法设计角度研究最近邻搜索，专注平衡半空间树。在类似高斯边际条件下给出算法，能学习到\(o(nd)\)查询时间的树。核心是平衡半空间切割问题，设计非恰当学习算法规避NP难，输出特定平衡多项式阈值函数。

MDQEC-QAS: Meta-Decoding for Quantum Error Correction with Hardware-Aware VQC Search and Confidence-Gated Recovery

MDQEC-QAS：基于硬件感知VQC搜索和置信门控恢复的量子纠错元解码

Prashant Kumar Choudhary, Nouhaila Innan, Muhammad Shafique, Rajeev Singh

机构 * Department of Physics, Indian Institute of Technology (BHU)（印度理工学院（BHU）物理系） ； eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD)（纽约大学阿布扎克分校（NYUAD）工程学院eBRAIN实验室） ； Center for Quantum and Topological Systems (CQTS), NYUAD Research Institute, NYUAD（纽约大学阿布扎克分校（NYUAD）量子与拓扑系统中心（CQTS）） 纠错

AI总结 该研究提出用于量子纠错的统一元解码框架，跨多种码和噪声设置学习映射。通过硬件感知搜索选择VQC元解码器并与Meta-MLP比较，发现仅高准确率不够，置信门控回退可降低逻辑故障率，支持基于置信度的选择性恢复。

Comments 15 pages, 12 figures and 11 tables