New York University（纽约大学） - arXivDaily 高校专区

2607.25166 2026-08-04 cs.AI 版本更新

Individual-level interventions against sycophantic AI reduce its appeal but not its persuasiveness

观察到谄媚的人工智能认可他人会降低其吸引力，但不会降低其说服力

Meryl Ye, Robert Kraut, Steve Rathje

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

AI总结研究探讨提高用户对谄媚人工智能的认知能否防危害，通过两项预注册实验及合并其他研究发现，警告和视频干预虽改变评价，但未降说服力，个体层面干预或难护用户免受人工智能之害。

2602.13847 2026-08-04 nlin.CD cond-mat.stat-mech cs.LG physics.ao-ph 版本更新

物理学与因果约束的离散时间神经模型对湍流动力系统的研究

Fabrizio Falasca, Laure Zanna

机构 * Courant Institute School of Mathematics, Computing and Data Science（Courant研究所数学、计算与数据科学学院）； New York University（纽约大学）

AI总结本文提出了一种基于数据构建湍流动力系统物理和因果约束神经模型的框架，通过有限时间流映射和因果约束，准确捕捉了稳态统计和外部扰动响应。

2602.07494 2026-08-04 cs.LG 版本更新

非递归多路径神经网络的超参数转移定律

Shenxi Wu, Haosong Zhang, Xingjian Ma, Shirui Bian, Yichi Zhang, Xi Chen, Wei Lin

机构 * Fudan University, Shanghai, China（复旦大学）； New York University, New York, NY, USA（纽约大学）

AI总结本文提出有效深度概念，揭示了非递归多路径神经网络中学习率衰减遵循-3/2幂律，实现超参数跨深度和宽度的可靠转移。