New York University（纽约大学）

Graph Neural Planning and Predictive Control for Multi-Robot Communication-Constrained Unlabeled Motion Planning

基于图神经网络的多机器人通信受限的无标签运动规划与预测控制

Manohari Goarin, Yang Zhou, Giuseppe Loianno

机构 * New York University（纽约大学） ； University of California Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出一种分层框架，结合图注意力规划器和分布式非线性模型预测控制器，以解决多机器人在通信受限环境下同时分配目标和生成安全轨迹的问题，通过图神经网络方法实现可扩展的去中心化解决方案。

Comments 8 pages, 6 figures, Accepted at the IEEE International Conference on Robotics and Automation (ICRA) 2026

Evaluating Risks in Weak-to-Strong Alignment: A Bias-Variance Perspective

在弱到强对齐中评估风险：从偏差-方差视角出发

Hamid Osooli, Kareema Batool, Rick Gentry, Tiasa Singha Roy, Ashwin Gupta, Anirudha Ramesh

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Microsoft（微软） ； InstaDeep ； New York University（纽约大学） 纠错

AI总结 本文从偏差-方差视角分析弱到强对齐的风险，通过连续置信度分数研究经验组件，发现强模型方差是欺骗的主要预测因素，表明弱强依赖性的重要性。

Estimating Tail Risks in Language Model Output Distributions

语言模型输出分布中的尾部风险估计

Rico Angell, Raghav Singhal, Zachary Horvitz, Zhou Yu, Rajesh Ranganath, Kathleen McKeown, He He

机构 * Columbia University（哥伦比亚大学） ； Department of Computer Science, New York University（纽约大学计算机科学系） ； Center for Data Science, New York University（纽约大学数据科学中心） 纠错

AI总结 提出一种基于重要性采样的方法，通过创建不安全版本来高效估计语言模型产生有害输出的尾部概率，在10-20倍更少样本下匹配蒙特卡洛估计，并揭示模型对输入的敏感性。

Comments Accepted to ICML 2026

An Efficient Black-Box Reduction from Online Learning to Multicalibration, and a New Route to $Φ$-Regret Minimization

从在线学习到多校准的高效黑盒还原，以及到Φ-后悔最小化的新型途径

Gabriele Farina, Juan Carlos Perdomo

机构 * MIT EECS（麻省理工学院电子工程与计算机科学系） ； New York University（纽约大学） 纠错

AI总结 本文提出从在线学习到在线多校准的黑盒还原方法，并展示了如何通过结合无悔学习器和期望变分不等式求解器实现高维多校准。同时，通过将高维在线多校准还原为Φ-后悔最小化，为外部后悔到Φ-后悔的转换提供了新途径。