New York University（纽约大学）

Judge, Retrieve, or Abstain: Uncertainty-Guarded LLM Judging with Provable Risk Guarantees

判断、检索或弃权：带有可证明风险保证的不确定性引导大语言模型（LLM）判断

Sher Badshah, Ali Emami, Hassan Sajjad

机构 * Dalhousie University（达尔豪斯大学） ； New York University Abu Dhabi（纽约大学阿布扎比分校） ； Emory University（埃默里大学） 纠错

AI总结 本研究针对无参考LLM评判的可靠性问题，提出带可证明风险保证的不确定性引导双模式风险控制框架，在维持目标错误率的同时提升了判决覆盖率。

Comments Accepted at Conference on Language Modelling 2026

Procedural Content Metageneration via Program Search and Continual Abstraction Discovery

通过程序搜索与持续抽象发现实现过程式内容元生成

Matthew Siper, Ahmed Khalifa, Julian Togelius

机构 * New York University（纽约大学） ； University of Malta（马耳他大学） 纠错

AI总结 该研究在推箱子等4款游戏中，提出持续抽象发现（CAD）方法，结合2×2实验，证实其可提升进化程序搜索的适应度，且学习到的库能被后续程序复用。

Comments Accepted for publication in IEEE Conference on Games 2026

UniVerse: Benchmarking and Enhancing LALMs on Culturally Inclusive Low-Resource Music Understanding

UniVerse：针对文化包容性低资源音乐理解的基准测试与增强

Ziya Zhou, Shangda Wu, Shenyang Xu, Yutong Zheng, Dafang Liang, Suin Chung, Danbinaerin Han, Junyan Jiang, Yongyi Zang, Ruibin Yuan, Rongxiu Zhong, Shilei Zhang, Junlan Feng, Jinglei Liu, Haotian Zhou, Zijin Li, Dasaem Jeong, Wei Xue, Yike Guo

机构 * Sogang University（西江大学） ； KAIST（韩国科学技术院） ； NYU Shanghai（上海纽约大学） ； JIUTIAN Research, China Mobile（中国移动九天研究院） ； The State Key Laboratory of Multimedia Information Processing, Peking University（北京大学多媒体信息处理国家重点实验室） ； China Mobile (Hong Kong) Innovation Research Institute（中国移动（香港）创新研究院） ； Central Conservatory of Music（中央音乐学院） 纠错

AI总结 该研究针对低资源音乐理解问题，推出UniVerse基准与数据集，训练LALMs并研究多模态不平衡学习策略，实现性能提升但仍存在深层音乐理解的差距。

Comments 21 pages, 7 figures, 8 tables

Denoised Variance-Based Pruning with Optimal Brain Bias Compensation

结合最优大脑偏差补偿的去噪方差剪枝

Geon Tack Lee, Jaegul Choo, Kang Eun Jeon

机构 * KAIST AI（韩国科学技术院人工智能学院） ； New York University Abu Dhabi（纽约大学阿布扎比分校） 纠错

AI总结 针对ViTs剪枝的精度下降或需再训练的问题，提出DVBP + OB²C方法，结合随机矩阵理论去噪与最优大脑偏差补偿，在50% MLP剪枝时保留超90%原Top-1精度，优于VBP。

Comments Accepted to ECCV 2026

BRo-JEPA: Learning Modular Transformations in Latent Space

BRo-JEPA：在潜空间中学习模算术

Divyansh Jha, Yuanfang Xie, Brennen Yu, Varan Mehra

机构 * Georgia Institute of Technology（佐治亚理工学院） ； NYU Langone Health（纽约大学Langone医疗中心） 纠错

AI总结 本文提出BRo-JEPA模型，通过在潜空间中施加模10算术的循环结构，实现零样本泛化，解决了标准模型无法外推未见操作的问题。

Comments 20 pages, 14 figures

Memory by Design: Probabilistic Sequence Layers

记忆设计：概率序列层

Matthew Dowling, Hyungju Jeon, Cristina Savin, Il Memming Park

机构 * Champalimaud Research, Champalimaud Foundation, Portugal（恰帕拉马德研究、恰帕拉马德基金会、葡萄牙） ； Center for Neural Science, New York University, USA（神经科学中心、纽约大学、美国） ； Center for Data Science, New York University, USA（数据科学中心、纽约大学、美国） ； RyvivyR Inc., NY, USA（RyvivyR公司、纽约、美国） 纠错

AI总结 提出设计-模型框架，通过精确贝叶斯滤波推导高效循环序列映射，线性高斯实例中的贝叶斯层传播均值和协方差以跟踪不确定性，统一多种次二次递归，并提升鲁棒性和长上下文检索。

Comments Preprint, in submission

Adversarial Data Modeling in Epidemiology

在对抗性数据和用户欺骗下建模流行病动态

Yiqi Su, Christo Kurisummoottil Thomas, Walid Saad, Sanmay Das, Bud Mishra, Naren Ramakrishnan

机构 * Virginia Tech（弗吉尼亚理工学院） ； Worcester Polytechnic Institute（沃斯特理工学院） ； New York University（纽约大学） 纠错

AI总结 本文提出博弈论框架，用于建模在对抗性数据和用户欺骗下的流行病动态，通过分析均衡结果展示欺骗对流行病控制的影响，并提出有效控制策略。

Parametric and Generative Forecasts of EPEX Day-Ahead Energy Market Curves

EPEX日前能源市场曲线的参数化和生成式预测

Julian Gutierrez, Redouane Silvente

机构 * New York University Abu Dhabi（纽约大学阿布扎克分校） ； CREST, ENSAE, Institut Polytechnique de Paris（CREST、ENSAE、巴黎理工学院） 纠错

AI总结 研究EPEX日前能源市场曲线预测，提出参数化和生成式两种方法，参数方法用极端梯度提升，生成方法用条件去噪扩散概率模型，通过曲线重建和存储优化问题评估，生成式方法在存储应用中有更好表现。

Comments 40 pages, 30 figures