高校专区
多尺度科学数据的自适应生成流
机构 * Department of Mathematics, University of California, Los Angeles（加州大学洛杉矶分校数学系） ； Machine Learning Lab, Capital Fund Management（资本基金管理有限公司机器学习实验室） ； Courant Institute, New York University（纽约大学柯朗研究所）
AI总结 本文提出了一种多尺度科学数据生成模型，通过设计噪声分布和插值计划，解决多尺度傅里叶谱数据中的数值挑战，提高了生成样本的质量和效率。
自调节汽车：自动化自由流道路网络的交通控制
机构 * Department of Computer Science（计算机科学系） ； New York University（纽约大学） ； Indian Institute of Technology Delhi（德里印度理工学院）
AI总结 本文提出了一种基于强化学习的自调节汽车方法，通过动态调节车辆速度来优化通行能力和防止拥堵，无需新基础设施，结合经典交通流理论和微观模拟，在高保真度的PTV Vissim模拟器上实现了提高通行能力、减少延误和停车次数的改进。
利用稀疏传感器网络全面监测空气污染热点
机构 * New York University（纽约大学） ； Google Research（谷歌研究） ； Toyota InfoTechnology Center（丰田信息技术中心） ； Kaiterra Inc（Kaiterra公司） ； University of Warwick（沃里克大学） ； Yale University（耶鲁大学）
AI总结 本文通过结合预测建模和机理方法，利用新增的低成本传感器，发现新德里现有传感器网络之外的189个隐藏热点，并利用空间时间克里金法进行预测，同时开发了高斯烟雾扩散模型以解释热点形成机理，为资源受限环境下的空气污染管理提供了数据驱动和机理结合的解决方案。
GridPE: 一种基于网格细胞的统一位置嵌入方法用于任意维度空间
机构 * New York University（纽约大学） ； Peking University（北京大学） ； Imperial College London（伦敦帝国学院） ； Tongji University（同济大学）
AI总结 本文提出GridPE，一种受哺乳动物空间认知中六边形周期编码启发的新型位置嵌入框架，旨在解决高维时空任务中位置嵌入的理论保障问题，通过结合计算神经科学原理和调和分析，为任意维度空间提供统一的位置嵌入解决方案。
通过儿童自我中心输入进行持续的视觉与语言学习
机构 * Agentic Learning AI Lab, New York University（代理学习人工智能实验室，纽约大学） ； Department of Psychology, Princeton University（心理学系，普林斯顿大学）
AI总结 提出BabyCL持续多模态学习框架，在单一时间顺序处理SAYCam数据集，通过流式视觉表示学习和图像-文本对比目标，在SAYCam Labeled-S 4AFC基准上优于流式学习基线，缩小了与离线训练上限的差距。
Comments 15 pages, 4 figures
公平吗？机器学习工程代理能否遵守公平性约束？
机构 * BIFOLD & TU Berlin（BIFOLD与柏林技术大学） ； New York University（纽约大学）
AI总结 本文研究机器学习工程代理在自动化ML管道开发中能否满足公平性约束，通过黑色素瘤分类实验发现代理生成的管道在预测质量和公平性上均低于人工基线。
QuBLAST: 一种采用块级压缩方法和激活缩放策略量化大语言模型的框架
机构 * eBRAIN Lab, Division of Engineering, New York University (NYU) Abu Dhabi（eBRAIN实验室，工程系，纽约大学（NYU）阿布扎赫德分校）
AI总结 针对大语言模型部署困难，提出QuBLAST框架，通过块级混合精度量化和激活缩放策略，在降低模型大小40%-45.2%的同时保持困惑度增加不超过5%。
Comments 10 pages, 9 figures, 5 tables
L-TGVN：利用纵向先验进行个性化快速MRI
机构 * NYU Center for Data Science（纽约大学数据科学中心） ； Center for Advanced Imaging Innovation and Research (CAI²R)（先进成像创新与研究中心） ； Courant Institute of Mathematical Sciences（数学科学学院） ； Function Health
AI总结 提出L-TGVN，一种利用纵向先验作为侧信息从高度欠采样测量中重建当前扫描的变分网络，无需显式配准并适应协议差异，在定量指标和结构保持上优于基线方法。
Comments Accepted to MICCAI 2026
基于状态接地动态检索的Web代理在线技能学习
机构 * University of Georgia（佐治亚大学） ； Tencent America（腾讯美国） ； New York University（纽约大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 提出状态接地动态检索（SGDR）方法，通过逐步技能重用提升Web代理在多步自动化任务中的表现，在WebArena上平均成功率分别达到37.5%（GPT-4.1）和24.3%（Qwen3-4B）。
Comments 17 pages
3D视觉食谱：数据、学习范式与应用
机构 * Brown University（布朗大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； New York University（纽约大学） ； The University of Sydney（悉尼大学） ； Stability AI
AI总结 本文提出一种以数据为中心的3D视觉分类法，通过分析点云、网格、体素和3D高斯等几何表示及其获取流程，以及数据集设计、基准构建和监督机制，统一了表示、学习范式与下游任务（重建、生成、视频建模）之间的关系。
Comments Accepted to the CVPR 2026 OpenSUN3D Workshop. Official version available at CVF Open Access. https://openaccess.thecvf.com/content/CVPR2026W/OpenSUN3D/html/Du_A_Cookbook_of_3D_Vision_Data_Learning_Paradigms_and_Application_CVPRW_2026_paper.html
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026
深度神经网络中的长期与短期晶体管老化：影响与缓解
机构 * Dept. of Electrical and Computer Engineering, New York University (NYU) Tandon School of Engineering（纽约大学电气与计算机工程系（Tandon工程学院）） ； School of Computation, Information and Technology, Technical University of Munich (TUM)（慕尼黑技术大学计算、信息与技术学院）
AI总结 本文研究了长期和短期晶体管老化对深度神经网络推理精度的影响，并提出了一种老化感知重训练方法来缓解性能下降。
Comments 28 pages, 16 figures
语言模型之间的隐蔽影响
机构 * MATS ； New York University（纽约大学） ； Harvard University（哈佛大学） ； George Washington University（乔治华盛顿大学）
AI总结 本文研究语言模型间通过微调、蒸馏和上下文学习三种接口实现隐蔽影响的风险，并提出使用逐点归因分数选择载体以放大训练时影响，发现自然语言载体相比数字载体更难被人类检测且跨模型迁移性更差。
利用语义高斯过程改进LVLM中的语义不确定性量化
机构 * AMIAD, Pôle Recherche, Palaiseau（AMIAD研究部，Palaiseau） ； valeo.ai ； Safran Tech ； University of Liège（利耶大学） ； New York University（纽约大学） ； National University of Singapore（新加坡国立大学） ； ENSTA Paris（巴黎ENSTA）
AI总结 提出语义高斯过程不确定性（SGPU）框架，通过分析答案嵌入的几何结构来量化语义不确定性，避免脆弱的聚类方法，在多个模型和数据集上实现了最先进的校准和判别性能。
简单的启发式方法可证明算法用于带掩码的低秩近似
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了带掩码的低秩近似问题，提出了一种简单的启发式方法，通过将掩码为0的区域设为0，然后求解标准低秩近似，从而得到具有双标准逼近保证的算法。
Comments ITCS 2021
迈向分布式能源服务：利用机器学习实现最优功率流的去中心化
机构 * AI Now Institute at New York University（纽约大学AI现在研究所） ； Energy & Resources Group at UC Berkeley（伯克利大学能源与资源组）
AI总结 本文提出了一种基于机器学习的去中心化方法，通过本地可用信息学习可控分布式能源资源（DER）的控制策略，以重构和模仿集中式最优功率流（OPF）问题的解决方案，从而实现分布式能源服务。
Comments Accepted for publication. To appear in the IEEE Transactions on Smart Grid
深度强化学习中的监督策略更新
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； New York University（纽约大学）
AI总结 本文提出了一种新的样本效率高的方法，称为监督策略更新（SPU），用于深度强化学习。该方法通过当前策略生成的数据，在非参数化的近端策略空间中构建并求解一个约束优化问题，然后利用监督回归将最优的非参数化策略转换为参数化策略，从而生成新的样本。该方法适用于离散和连续动作空间，并能处理多种接近约束。本文展示了如何通过该方法解决自然策略梯度和信任区域策略优化（NPG/TRPO）以及近端策略优化（PPO）问题。SPU的实现比TRPO更简单，在样本效率方面，实验表明SPU在Mujoco模拟机器人任务中优于TRPO，在Atari视频游戏任务中优于PPO。
Comments Accepted as a conference paper at ICLR 2019
优化与机器学习中的通用停止时间
机构 * Mathematics Department（数学系） ； Department of Mathematics（数学系） ； Computer Science Department（计算机科学系） ； New York University（纽约大学） ； University of California, Irvine（加州大学欧文分校）
AI总结 研究通过分析优化算法在随机系统（如自旋玻璃和深度学习）中的停止时间分布，发现其在特定条件下与底层分布无关，揭示了两种类型的分布类：Gumbel型和高斯型。
Journal ref Quart. Appl. Math. 76 (2018), 289-301
拓展主动推断领域：感知-动作循环中的更多内在动机
机构 * Araya Inc.（Araya公司） ； Computational Creativity Group, Department of Computing, Goldsmiths, University of London（Goldsmiths大学计算创意小组） ； Game Innovation Lab, Department of Computer Science and Engineering, New York University（纽约大学游戏创新实验室） ； Sepia Lab, Adaptive Systems Research Group, Department of Computer Science, University of Hertfordshire（赫特福德大学计算机科学系Sepia实验室） ； Institute of Perception, Action and Behaviour, School of Informatics, The University of Edinburgh（爱丁堡大学信息学院感知、行为与行为研究所）
AI总结 本文探讨主动推断中是否可利用其他内在动机替代原有动机，同时保持核心机制，并通过形式化方法连接通用强化学习。
Comments 53 pages, 6 figures, 2 tables
在多维动作空间中高效的策略梯度熵
机构 * New York University（纽约大学） ； New York University Abu Dhabi（纽约大学阿布扎克分校） ； New York University Shanghai（纽约大学上海分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出高效计算高维动作空间策略梯度熵的方法，通过改进的无偏估计器提升探索效率，在多猎手多兔子网格游戏和多智能体多臂老虎机问题中验证了其有效性。
营销中的逆强化学习
机构 * NYU Tandon School of Engineering（纽约大学坦顿工程学院）
AI总结 本文提出利用逆强化学习研究动态消费者需求，通过最大熵方法构建可 tractable 模型，展示观测噪声可能被误认为消费者异质性。
Comments 18 pages, 5 figures
通过主流形进行集体运动的降维
机构 * Department of Mathematics, Clarkson University, Potsdam, NY-13699, USA.（数学系，克林顿大学，Potsdam分校） ； Department of Mechanical and Aerospace Engineering, New York University Polytechnic School of Engineering, Brooklyn, NY-11201, USA.（机械与航空航天工程系，纽约大学理工学院，布鲁克林分校）
AI总结 本文提出基于立方平滑样条构建二维主流形的方法，用于降维分析集体运动数据，保留原始结构并优于现有非线性降维方法。
Comments 19 pages, 13 figures, journal article
Journal ref Physica-D : Nonlinear Phenomena, Volume 291, 15 January 2015, Pages 62-73
利用奖励不确定性在强化学习中诱导多样化行为
机构 * New York University（纽约大学） ； Google DeepMind（谷歌DeepMind）
AI总结 针对传统强化学习缺乏多样性的问题，提出将奖励函数替换为奖励分布，通过非线性集合目标自然产生可控的多样化行为，并推导出梯度估计器，实验证明其鲁棒性和理论优势。
Comments Core contributors: Anthony GX-Chen, Ankit Anand, Gheorghe Comanici, André Barreto, Mark Rowland
多模态视频理解中的视觉状态追踪基准测试
机构 * New York University（纽约大学） ； KAIST（韩国科学技术院）
AI总结 提出VSTAT基准，通过需要连续感知和整合整个视频流的问题评估多模态大语言模型的视觉状态追踪能力，发现当前模型远低于人类表现，失败主要源于视觉感知而非文本推理。
Comments Website: https://vision-x-nyu.github.io/vstat-site/
诊断大语言模型工具使用中的知识缺口：面向新API获取的智能体基准
机构 * NYU Shanghai（纽约大学上海分校）
AI总结 提出 NovelAPIBench 基准，通过动态发现新API、分解知识包并生成可执行任务，诊断模型在API使用中的六类错误，发现检索与参数调优互补。
Comments 37 pages, 12 figures
PrimeSVT: 一种具有优先压缩策略的自动化内存感知剪枝框架用于脉冲视觉Transformer
机构 * eBRAIN Lab, Division of Engineering, New York University (NYU) Abu Dhabi（eBRAIN实验室，工程系，纽约大学（NYU）阿布扎克分校） ； New York University (NYU) Abu Dhabi, United Arab Emirates (UAE)（纽约大学（NYU）阿布扎克分校，阿拉伯联合酋长国（UAE））
AI总结 提出PrimeSVT框架，通过自动化结构化剪枝和优先压缩策略，在满足精度和内存约束下压缩脉冲视觉Transformer，实现内存节省26.68%且精度损失小于3%。
Comments 8 pages, 8 figures, 3 tables
PSViT：一种结构剪枝脉冲视觉Transformer的方法
机构 * eBRAIN Lab, Division of Engineering, New York University (NYU) Abu Dhabi（eBRAIN实验室，工程系，纽约大学（NYU）阿布扎赫德分校） ； New York University (NYU) Abu Dhabi, United Arab Emirates (UAE)（纽约大学（NYU）阿布扎赫德分校，阿拉伯联合酋长国（UAE））
AI总结 提出PSViT方法，通过结构化剪枝（均匀通道滤波器和基于敏感性的细粒度剪枝）压缩脉冲视觉Transformer，在ImageNet-1K上实现22.4%内存节省且精度损失小于3%。
Comments 8 pages, 7 figures, 3 tables
AI评分歧视取决于复杂临床决策中的评分协议
机构 * Asclep Korea Inc.（Asclep韩国公司） ； Center for Data Science, New York University（纽约大学数据科学中心） ； Division of Endocrinology and Metabolism, Department of Medicine, Samsung Medical Center, Sungkyunkwan University School of Medicine（成均馆大学医学院内分泌与代谢科，三星医疗中心） ； Biomedical Statistics Center, Samsung Medical Center（三星医疗中心生物医学统计中心） ； Department of Digital Health, SAIHST（SAIHST数字健康科） ； Department of Data Convergence & Future Medicine, Sungkyunkwan University（成均馆大学数据融合与未来医学科）
AI总结 通过因子研究，发现基于评分标准的协议能放大AI评分者区分能力，而无评分标准协议则抑制这种区分，支持在临床AI评估中使用评分标准锚定。
Comments 11 pages, 4 main figures, 8 supplementary figures, 9 supplementary tables
ContinuousBench: 差分隐私合成文本能否提升能力？
机构 * Columbia University（哥伦比亚大学） ； NYU（纽约大学） ； Google Research（谷歌研究） ； University of Waterloo（滑铁卢大学） ； Vector Institute（向量研究所） ； Google（谷歌）
AI总结 提出ContinuousBench基准，通过持续更新的数据集评估差分隐私合成文本能否传递原始语料库中的新知识，实验表明非隐私合成能有效转移知识，而最先进的DP合成方法即使在高隐私预算下也基本失败。
Comments For datasets, see https://huggingface.co/ContinuousBench; for the evaluation harness, see https://github.com/plau666/ContinuousBenchEval; for an accompanying blog post, see https://peihanliu.com/posts/continuousbench.html
PaintBench: 精确视觉编辑的确定性评估
机构 * New York University（纽约大学）
AI总结 提出PaintBench基准，通过程序化生成20种基本视觉编辑操作，实现确定性像素级评估，发现当前模型性能低（最高mIoU 17.1%），并揭示任务分解和场景变化的影响。
Comments Project Page: https://paintbench.github.io/
错误指定的估计-优化导致超竞争价格
机构 * Stern School of Business, New York University（纽约大学斯特恩商学院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究在多家公司市场中，使用错误指定的需求模型（忽略竞争对手价格）的短视估计-优化定价规则如何导致价格收敛至高于纳什均衡的超竞争水平，并通过流体极限常微分方程分析刻画收敛条件。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈