高校专区
耦合局部与全局世界模型的高效一阶强化学习
机构 * Machines in Motion Laboratory, New York University, USA（纽约大学运动机器实验室） ； LAAS-CNRS, Université de Toulouse, CNRS, Toulouse, France（图卢兹大学LAAS-CNRS中心） ； Artificial and Natural Intelligence Toulouse Institute, Toulouse, France（图卢兹人工智能与自然智能研究所）
AI总结 提出一种通过解耦一阶梯度方法在数据驱动的世界模型内训练策略的方法，结合局部和全局世界模型实现高效梯度计算，在Push-T任务和四足机器人操作任务中显著优于PPO。
Comments Project website: https://coupled-global-local-wm-rl.pages.dev/
加权风险不变性：不变特征偏移下的领域泛化
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； New York University（纽约大学） ； Center for Data Science（数据科学中心）
AI总结 针对不变协变量偏移下现有不变学习方法性能不佳的问题，提出加权风险不变性（WRI）框架，通过环境间损失的不变性并加权训练样本，在理论上保证学习到不变模型，并在实验中优于先前方法。
Journal ref TMLR 2024
SAVMap: 基于结构辅助的全景视频大规模2.5D曼哈顿线框视觉映射
机构 * Nokia Bell Labs（诺基亚贝尔实验室） ； NYU（纽约大学）
AI总结 提出SAVMap方法，利用全景视频和语义分割网络，结合曼哈顿网格几何约束，从仓库场景生成语义线框地图，实现高精度大规模3D重建。
Comments IEEE ICRA 2026
随机极小极大树的双保真度最优动作识别
机构 * Department of Mathematics, Columbia University（哥伦比亚大学数学系） ； Stern School of Business, New York University（纽约大学斯特恩商学院）
AI总结 针对随机极小极大树中的固定置信度最优动作识别问题，提出双保真度树搜索算法2FFS，结合极小极大快速扩展与MCTS随机采样，自适应选择廉价有偏评估或昂贵精确评估，理论证明固定置信度正确性、有限停止及多项式深度成本上界，实验表明比现有BAI-MCTS基线显著减少样本和计算。
Comments 36 pages
物理基础模型从模拟到实验室湍流的涌现迁移
机构 * University of Cambridge（剑桥大学） ； CEA, DAM/DIF（法国CEA DAM/DIF） ； Flatiron Institute（Flatiron研究所） ； New York University（纽约大学） ； Princeton University（普林斯顿大学） ； Yale University（耶鲁大学） ； AIM, Université Paris-Saclay, Université Paris Cité, CEA, CNRS（AIM，巴黎-萨克雷大学，巴黎城市大学，CEA，CNRS） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Polymathic AI（聚合人工智能）
AI总结 通过微调连续介质动力学基础模型Walrus，在仅使用少量模拟数据的情况下，零样本泛化到实验室瑞利-泰勒不稳定性实验，揭示了初始条件在模拟-实验差距中的关键作用。
BRo-JEPA：在潜空间中学习模算术
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）
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 10 pages, 14 figures
使用约束满足问题的不平衡解的条件化蛋白质自由能密度
机构 * CIMS, NYU（纽约大学应用数学与计算科学中心）
AI总结 本文通过将条件化非均匀Curie-Weiss自旋哈密顿量的对数配分函数（自由能）简化为不平衡$2 \to 1$范数计算，并设计多项式时间SDP算法，应用于泛素蛋白以探索自由能景观并识别柔性区域。
从线索到视野：轨迹预测的动态风险视界剖面
机构 * Department of Civil and Urban Engineering, New York University（纽约大学土木与城市工程系） ； Department of Civil Engineering Technology and Environmental Management Safety, Rochester Institute of Technology（罗切斯特理工学院土木工程技术与环境安全管理系）
AI总结 提出风险视界剖面（RHP）模块，通过连续可学习的势场模型对未来风险分布进行建模，以提升轨迹预测的准确性，在highD和SHRP2数据集上分别降低5秒RMSE 25.0%和5秒minFDE 29.1%。
Comments 11 pages, 7 figures, submitted to IEEE Transactions on Intelligent Transportation Systems (T-ITS)
LASER: 面向高效低精度视觉-语言模型的损失感知奇异值分解与秩分配
机构 * Tandon School of Engineering, New York University（纽约大学工程学院） ； Courant Institute of Mathematical Sciences, New York University（纽约大学数学科学学院） ； Brookhaven National Laboratory（布鲁克海文国家实验室）
AI总结 提出LASER框架，通过损失感知的奇异值分解和跨层秩分配，结合混合量化方案，实现视觉-语言模型在低精度推理下的高效压缩与加速。
DREAM-S: 基于可搜索草稿与目标感知精炼的推测解码用于多模态生成
机构 * New York University（纽约大学） ； Cerebras Systems Inc.（Cerebras Systems公司） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出DREAM-S框架，通过神经架构搜索和目标感知超网训练自动优化草稿模型架构与交互策略，结合注意力熵引导的自适应中间特征蒸馏，实现视觉语言模型的高效推测解码，加速比达3.85倍。
重尾噪声下随机梯度方法的期望收敛性
机构 * Stern School of Business, New York University（纽约大学斯特恩商学院）
AI总结 针对重尾噪声（有限p阶矩，p∈(1,2)）下随机梯度方法的收敛性问题，证明了随机镜像下降（SMD）、加速随机镜像下降（ASMD）在凸优化中以及SGD和带动量的SGD（SGDM）在非凸优化中的期望收敛性，无需算法修改或有界域假设。
基于对称Hermite求积的平衡截断：从导数数据学习线性动力系统
机构 * New York University（纽约大学） ； Virginia Tech（弗吉尼亚理工学院）
AI总结 提出一种对称Hermite求积平衡截断算法，通过传递函数及其导数数据构建线性降阶模型，保持状态空间Hermite性和渐近稳定性。
Comments 14 pages, 2 figures, 4 tables
世界模型：架构、方法论、推理范式与应用的全面综述
机构 * School of Computer and Cyber Sciences, Augusta University（奥古斯塔大学计算机与网络科学学院） ； School of Computing, University of Georgia（佐治亚大学计算机学院） ； Department of Biomedical Engineering, New Jersey Institute of Technology（新泽西理工学院生物医学工程系） ； Department of Radiology, Massachusetts General Hospital, Harvard Medical School（麻省总医院放射科，哈佛医学院） ； Department of Computer Science and Engineering, University of Texas at Arlington（德克萨斯大学阿灵顿分校计算机科学与工程系） ； Department of Graduate Psychology, James Madison University（詹姆斯麦迪逊大学研究生心理学系） ； Computer Science and Engineering, Lehigh University（莱斯大学计算机科学与工程系） ； School of Biomedical Engineering, The University of Sydney（悉尼大学生物医学工程学院） ； Tandon School of Engineering, New York University（纽约大学泰坦工程学院） ； Department of Radiation Oncology, City of Hope National Medical Center（城市希望国家医学中心放射肿瘤科） ； Department of Mayo Clinic Comprehensive Cancer Center, Mayo Clinics（梅奥诊所综合癌症中心，梅奥诊所） ； Savannah River Ecology Laboratory (SREL), University of Georgia（萨凡纳河生态实验室（SREL），佐治亚大学）
AI总结 本文提出一个多轴分类法，从架构、方法论、推理策略和应用领域四个维度系统综述世界模型，涵盖从早期认知科学基础到PlaNet、Dreamer系列、MuZero、Sora等里程碑系统，并指出未来方向。
BEAT: 通过均匀时间步对符号音乐进行分词和生成
机构 * South China University of Technology（南方科技大学） ； National University of Singapore（新加坡国立大学） ； Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； New York University（纽约大学）
AI总结 提出一种以均匀节拍为基本单元的分词方法，将同一时间步内相同音高的所有事件编码为一个令牌，并在音乐续写和伴奏生成任务中验证其相比传统事件基方法能提升音乐质量和结构连贯性。
阅读，而非思考：理解并弥合多模态大语言模型中文本变为像素时的模态差距
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Amazon（亚马逊） ； New York University（纽约大学） ； Texas A&M University（德克萨斯大学）
AI总结 本文系统诊断多模态大语言模型在处理图像文本时的模态差距，发现其源于模型推理意愿不足而非感知失败，并提出一种轻量级自蒸馏方法有效弥合该差距。
Herculean: 面向金融智能的智能体基准测试
机构 * The Fin AI ； Yale University（耶鲁大学） ； Columbia University（哥伦比亚大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； NVIDIA（英伟达） ； New York University（纽约大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Florida（佛罗里达大学） ； MBZUAI ； Université de Montréal（蒙特利尔大学） ； University of Minnesota（明尼苏达大学） ； University of Massachusetts Boston（马萨诸塞大学波士顿分校） ； National Institute of Advanced Industrial Science and Technology（国家先进工业科学与技术研究院） ； University of Liverpool（利物浦大学） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； National University of Singapore（新加坡国立大学） ； Halmstad University（哈尔姆斯塔德大学） ； University of Manchester（曼彻斯特大学） ； Cardiff University（卡迪夫大学） ； McGill University（麦吉尔大学） ； Mila – Quebec AI Institute（魁北克人工智能研究所）
AI总结 本文提出Herculean，首个覆盖交易、对冲、市场洞察和审计四个代表性工作流的智能体金融智能基准测试，通过标准化MCP技能环境评估异构智能体系统，发现智能体在交易和市场洞察上表现较好，但在对冲和审计等需要长期协调、状态一致性和结构化验证的任务上存在显著不足。
TRACE：基于证据定位的多视频事件理解与声明生成
机构 * University at Buffalo, SUNY（布法罗大学） ； New York University（纽约大学）
AI总结 提出TRACE框架，通过先构建文本可搜索时间线进行证据定位，再引导视觉语言模型生成声明和跨视频引用，显著提升多视频事件理解的事实完整性和归因准确性。
Comments Accepted at ACL 2026 Workshop
RISED：高风险AI决策支持系统的部署前评估框架，及其在医疗中的应用
机构 * Florida International University（佛罗里达国际大学） ； Boston University（波士顿大学） ； New York University（纽约大学） ； University of Maryland（马里兰大学） ； Boston University School of Public Health（波士顿大学公共卫生学院）
AI总结 提出RISED框架，通过BCa bootstrap置信区间、文献阈值和Holm-Bonferroni校正的PASS/FAIL/INCONCLUSIVE判定，从五个维度评估高风险AI决策支持系统，在医疗等数据集上发现AUROC无法揭示的失败模式。
Comments 39 pages, 7 figures, 15 tables. Code at https://github.com/rohithreddybc/rised-healthcare-eval and dataset at https://doi.org/10.57967/hf/8734 (Hugging Face). To be submitted to Expert Systems with Applications (Elsevier)
Eidolon: 图神经网络时代基于k-可着色性的后量子签名方案
机构 * Laboratory of Mathematical Analysis, Algebra and Applications (LAM2A), Faculty of Sciences Ain Chock (FSAC), University Hassan II, Casablanca, Morocco（哈桑二世大学阿因-奇克学院数学分析与代数实验室） ； Department of Geometry and Topology, Faculty of Mathematics, University of Seville, Seville, Spain（塞维利亚大学数学系几何与拓扑系） ； Departments of Computer Science and Mathematics, Queens College, City University of New York, USA（纽约市立大学皇后学院计算机科学与数学系；数学博士项目，理论科学倡议，研究生中心，纽约市立大学；计算机科学与工程系，纽约大学塔朗分校；计算机科学系，英国约克大学） ； PhD Program in Mathematics, and Initiative for the Theoretical Sciences, Graduate Center, City University of New York, USA（英国约克大学计算机科学系） ； Department of Computer Science and Engineering, Tandon School of Engineering, New York University, USA ； Department of Computer Science, University of York, United Kingdom ； Department of Computer Science, University of York, United Kingdom
AI总结 提出一种基于NP完全问题k-可着色性的后量子签名方案Eidolon，通过推广Goldreich-Micali-Wigderson零知识协议、应用Fiat-Shamir变换和Merkle树压缩，并利用植入着色法生成困难实例，实验表明对经典求解器和图神经网络攻击具有抵抗性。
Comments 20 pages, 4 figures
Journal ref Proceedings of WAIFI 2026, Lecture Notes in Computer Science (LNCS), Vol. 16611, Springer, 2026
一种以任务为中心的迭代自改进理论，采用由易到难的课程
机构 * New York University（纽约大学）
AI总结 本文通过将自改进建模为基于奖励过滤分布的最大似然微调，推导了期望奖励的有限样本保证，并证明了在推理任务中由易到难的课程比固定任务混合训练具有更好的理论保证。
PETS：一种面向高效测试时自一致性的最优轨迹分配原则性框架
机构 * Stanford University（斯坦福大学） ； UNC at Chapel Hill（Chapel Hill 大学） ； Yale University（耶鲁大学） ； New York University（纽约大学）
AI总结 提出PETS框架，通过将轨迹分配建模为优化问题并引入自一致性率度量，在离线（连接众包理论）和在线流式场景下实现样本高效的测试时自一致性，显著降低采样预算。
更好的源，更好的流：学习条件依赖的源分布用于流匹配
机构 * New York University（纽约大学） ； KAIST AI（韩国科学技术院人工智能实验室）
AI总结 本文提出在流匹配框架中学习条件依赖的源分布，通过方差正则化和源-目标方向对齐，显著提升文本到图像生成的速度和质量。
Comments Project Page: https://junwankimm.github.io/CSFM
用于高效推断一致LLM答案的最优贝叶斯停止
机构 * Stern School of Business, New York University, New York, USA（纽约大学 Stern 商学院） ； Graduate School of Business, Columbia University, New York, USA（哥伦比亚大学 商学院）
AI总结 利用贝叶斯先验信息，通过L-聚合停止策略在达到足够一致性时提前停止采样，以最小化采样成本并高效识别最一致的LLM答案。
Comments Accepted to ICML 2026. Camera-ready version
Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
关于语言模型可重复评估的前线经验教训
机构 * MBZUAI ； IIIT Hyderabad ； EleutherAI ； HiTZ Center - Ixa, UPV/EHU ； Ivy Natal ； University of Michigan ； HubSpot ； LibrAI ； Kensho ； Contextual AI ； Brown University ； New York University ； Amazon ； Yale University ； HKUST ； Sorbonne University ； CMU
AI总结 本文基于开发Language Model Evaluation Harness框架的三年经验，总结了语言模型评估中面临的方法论挑战、缺乏可重复性和透明度等问题，并提供了改进评估严谨性和信心的建议。
Polyphony: 基于扩散的双手动作分割，采用交替视觉Transformer和语义条件
机构 * New York University Abu Dhabi（纽约大学阿布扎赫尔分校） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 提出Polyphony三阶段方法，通过交替训练双手视觉Transformer、语义特征条件化和扩散分割，解决双手动作分割中的手间依赖、视觉不对称和语义模糊问题，在多个数据集上达到最优性能。
Comments CVPR 2026
TUX：衡量人机默契理解
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； New York University（纽约大学）
AI总结 通过光谱放置任务和TUX指数，量化人类与LLM之间的默契理解，发现人格特征影响对齐程度。
语言模型智能体中目标导向性的行为与表征评估
机构 * University of Pennsylvania（宾夕法尼亚大学） ； New York University（纽约大学） ； Indiana University, Bloomington（印第安纳大学，布卢明顿） ； Northeastern University（东北大学） ； University College London（伦敦大学学院）
AI总结 本文提出一种结合行为评估与内部表征可解释性分析的目标导向性评估框架，并以LLM智能体在2D网格世界中的导航为例，验证了其行为与表征的一致性。
Comments Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
HUNT：通过瞬时相对帧在非结构化环境中进行高速无人机导航与跟踪
机构 * New York University（纽约大学） ； University of California Berkeley（加州大学伯克利分校）
AI总结 提出HUNT框架，利用瞬时相对帧统一搜索与跟踪，实现高速飞行和鲁棒自主性。
LLM偏差评估：职业与犯罪场景中的性别、种族和年龄差异
机构 * New York University（纽约大学） ； Northeastern University（东北大学） ； Washington University in St. Louis（圣路易斯华盛顿大学）
AI总结 本文评估了2024年四大领先LLM在职业和犯罪场景中的性别、种族和年龄偏差，发现去偏努力常导致新的公平性权衡，即“去偏悖论”。
Comments Updated title and abstract to emphasize key findings on the debiasing paradox for improved discoverability. Content and findings unchanged. 11 pages, 17 figures, Accepted at IEEE Conference on Artificial Intelligence (IEEE CAI) 2025. Full Paper acceptance in the Vertical HUMAN-CENTERED AI category
Journal ref 2025 IEEE Conference on Artificial Intelligence (CAI)
Causal-JEPA：通过对象级潜在掩码学习世界模型
机构 * Brown University, GalilAI（布朗大学，GalilAI） ； New York University（纽约大学）
AI总结 提出C-JEPA，一种通过对象级潜在掩码扩展联合嵌入预测的对象中心世界模型，在视觉问答和智能体控制任务中分别提升反事实推理20%和仅用1%潜在特征实现高效规划。
Comments Project Page: https://hazel-heejeong-nam.github.io/cjepa/ ICML 2026 Accepted
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