高校专区
学习归一化能量模型以解决线性逆问题
机构 * Rice University（里士满大学） ； Flatiron Institute（Flatiron研究所） ； New York University（纽约大学）
AI总结 本文提出了一种新的能量模型，用于解决线性逆问题，通过引入基于协方差的正则化项来提高不同测量条件下的一致性，从而计算出归一化的后验密度，无需额外训练或微调，同时实现了能量引导的自适应采样、无偏的Metropolis-Hastings修正步骤以及通过贝叶斯规则估计退化算子。
Comments ICML 2026
Journal ref Int'l Conf Machine Learning (ICML), Jul 2026. https://openreview.net/forum?id=PlFJwgaaDK
Concordia：面向联邦大语言模型的自改进合成表格
机构 * University of Manchester（曼彻斯特大学） ； National University of Singapore（新加坡国立大学） ； New York University（纽约大学） ； University of Minnesota（明尼苏达大学） ； Halmstad University（哈姆斯塔德大学） ； Harvard University（哈佛大学） ； University of Florida（佛罗里达大学）
AI总结 本文研究了在无法共享原始数据的情况下，如何通过自改进的合成表格来提升联邦学习中大语言模型的适应能力，提出了一种三层优化框架Concordia，通过参数高效LoRA训练和轻量级效用评分器提升联邦验证效用和跨客户端稳定性。
Comments 12 pages
神经网络海洋闭合的校准以提高均值状态和变异性
机构 * Courant Institute School of Mathematics, Computing, and Data Science, New York University, New York, NY, USA（科朗学院数学、计算与数据科学学院，纽约大学，纽约，纽约州，美国） ； Program in Atmospheric and Oceanic Sciences, Princeton University, Princeton, NJ, USA（大气与海洋科学项目，普林斯顿大学，普林斯顿，新泽西州，美国）
AI总结 本文提出利用集合卡尔曼反演方法对神经网络参数进行校准，以改进粗分辨率海洋模型的均值状态和变异性，通过校准减少了约1.7至3.3倍的误差。
在联合嵌入预测世界模型中成功因素是什么？
机构 * Meta FAIR ； Inria Paris（巴黎理工院） ； Ecole normale supérieure / PSL（巴黎高等师范学院 / PSL） ； New York University（纽约大学）
AI总结 本文研究了在物理规划中使用联合嵌入预测世界模型（JEPA-WMs）的成功因素，通过分析模型架构、训练目标和规划算法对规划成功的影响，提出了一种在导航和操作任务中优于现有基线方法的模型。
Comments V2 of the article: - Added AdaLN-zero - Added table comparing JEPA-WMs with baselines with std translating per-seed variability only, no variability across epochs - Reordered figures in main body of the paper V3: added data scaling experiments, theoretical appendix section on autoregressive rollout, acceptance at TMLR
QuCo-RAG：从预训练语料库中量化不确定性以实现动态检索增强生成
机构 * University of Illinois at Chicago（伊利诺伊大学香槟分校） ； New York University（纽约大学） ； Monash University（莫纳什大学）
AI总结 本研究提出QuCo-RAG，通过从预训练语料库中提取客观统计信息来量化不确定性，以解决动态检索增强生成中大语言模型的幻觉问题，实验表明其在多跳问答基准测试中优于现有方法，并在多个模型上实现了显著的提升。
Comments ACL Findings 2026
基于位置感知的多项逻辑带宽学习：从乘法位置效应到一般位置效应
机构 * Leonard N. Stern School of Business, New York University（纽约大学勒纳商学院） ； Qiuzhen College, Tsinghua University（清华大学齐臻学院） ； Department of Management Science, School of Management, Fudan University（复旦大学管理学院管理科学系） ； Yau Mathematical Sciences Center & Department of Mathematical Sciences, Tsinghua University（清华大学尤数学科学中心及数学科学系）
AI总结 本文研究了动态联合品类选择与排列问题，其中每个产品的吸引力取决于其内在吸引力和显示位置，在多项逻辑（MNL）选择框架下。研究从乘法位置效应模型扩展到一般位置效应模型，为两种模型设计了基于轮次的学习算法，并建立了首个最优后悔分析。此外，这些基于轮次的算法为现代平台提供了必要的实时操作。对于乘法模型，开发了具有截断机制的交叉位置成对最大似然估计器，并证明算法P2MLE-UCB达到$ ilde{O}(\sqrt{NT})$的后悔，匹配下限并弥补了先前基于周期的分析留下的$\sqrt{K}$差距。对于一般模型，建立了最小最大下界并提出了GP2-UCB算法，具有匹配的上界。此外，设计了基于Dinkelbach方法和最大权二分图匹配的高效子程序，用于每轮联合品类和排列优化。在合成数据和Expedia数据集上的数值实验表明，我们的算法在性能上始终优于最先进的基准。
某些身体必须承受痛苦以实现代理问责
机构 * University of Oxford（牛津大学） ； New York University Shanghai（纽约大学上海分校）
AI总结 本文研究了人工智能代理问责中的后果接收问题，指出当前LLM代理无法满足必要的身体条件，因此传统法律回应失效，提出需要建立社会技术基础设施来实现后果-代理耦合。
在语言模型中RLVR的不可学习现象
机构 * New York University（纽约大学）
AI总结 本文研究了RLVR在提升大语言模型推理能力中的学习动态，发现即使存在正确回放，某些难例仍无法学习，揭示了当前RL方法在推理任务中的根本限制。
Comments Accepted to ICML 2026
基于Lipschitz性的生成模型插值调度设计
机构 * Department of Mathematics, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校数学系） ； Machine Learning Lab, Capital Fund Management, Paris, France（Capital Fund Management机器学习实验室） ； Courant Institute, New York University, NY, USA（纽约大学Courant研究所） ； Now at University of Maryland, College Park, MD, USA（现在位于马里兰大学 College Park 分校）
AI总结 本文研究了生成模型中插值调度的设计，从统计和数值角度出发，提出通过最小化漂移场的平均平方Lipschitz性来设计调度，以提升生成模型的稳定性与准确性。
GVGAI-LLM：通过无限游戏评估大语言模型代理
机构 * New York University（纽约大学） ； University of the Witwatersrand（沃尔特·斯通大学） ； Meta ； Lingnan University（岭南大学）
AI总结 GVGAI-LLM通过 arcade 式游戏测试大语言模型的推理与问题解决能力，定义了可解释的评估指标，揭示了模型在空间推理和基本规划中的局限性。
LSDTs: 基于大语言模型的语义数字孪生用于自适应知识密集型基础设施规划
机构 * Department of Civil & Environmental Engineering, University of Maryland, College Park（大学公园马里兰大学土木与环境工程系） ； Center for Urban Science and Progress, New York University（纽约大学城市科学与进步中心） ； Department of Computer Science, University of Alabama（阿拉巴马大学计算机科学系） ； School of Information, University of South Florida（佛罗里达州立大学信息学院）
AI总结 本文提出LSDTs框架，利用大语言模型从非结构化文档中提取规划知识并构建形式本体，通过语义层提升数字孪生在复杂规划场景中的适应性与仿真精度。
FlowMixer：一种不依赖深度的神经架构用于可解释的时空预测
机构 * New York University in Abu Dhabi（纽约大学阿布扎赫尔分校） ； New York University Abu Dhabi（纽约大学阿布扎赫尔分校） ； Brooklyn, USA（布鲁克林，美国）
AI总结 FlowMixer通过约束矩阵运算建模结构化时空模式，结合可逆映射框架实现可解释的时空预测，通过Kronecker-Koopman特征模式直接操控预测时间跨度，无需重新训练。
Comments Accepted (main track) at NeurIPS 2025. 44 pages, 17 figures, 22 tables. Published in Advances in Neural Information Processing Systems, vol. 38
Journal ref Advances in Neural Information Processing Systems, vol. 38, pp. 88811-88861, 2025
灾难性过拟合、熵差与参与比：一种无噪声的 $l^p$ 范数解决方案用于快速对抗训练
机构 * New York University of Abu Dhabi（纽约阿布扎比分校） ； Department of Civil and Urban Engineering（土木与城市工程系） ； NYU Tandon School of Engineering（纽约大学坦顿工程学院）
AI总结 本文提出基于 $l^p$ 范数的无噪声方法，通过量化梯度集中度和熵测度，自动调整训练范数以缓解灾难性过拟合问题，无需额外正则化或噪声注入。
Comments 26 pages, 13 figures, 5 table. Preliminary version at NeurIPS 2025 Reliable and Responsible AI Workshop. Code: https://github.com/FaresBMehouachi/lpfgsm
R2V Agent：教SLMs何时请求帮助
机构 * New York University Tandon School of Engineering（纽约大学Tandon工程学院） ； University of California, San Diego（加州大学圣地亚哥分校） ； Stanford University（斯坦福大学） ； ServiceNow Research（ServiceNow研究） ； Mila - Quebec AI Institute（魁北克AI研究院） ； Université de Montréal（蒙特利尔大学）
AI总结 R2V-Agent通过风险校准的SLM-LLM路由框架提升交互代理的可靠性，结合小型语言模型策略、更强的教师LLM、轻量级过程验证器和校准的步骤路由器，在多个基准测试中显著提升性能与成本效率。
小波流匹配用于多尺度物理模拟
机构 * Department of Earth and Environmental Engineering（地球与环境工程系） ； Columbia University（哥伦比亚大学） ； University of Edinburgh（爱丁堡大学） ； Courant Institute of Mathematical Sciences（数学科学学院） ； New York University（纽约大学） ； Scripps Institution of Oceanography（斯克里普斯海洋研究所） ； Halıcıoğlu Data Science Institute（哈利奇数据科学研究所） ； University of California San Diego（加州大学圣地亚哥分校） ； CUNY New York City College of Technology（纽约市立大学纽约技术学院） ； Lamont-Doherty Earth Observatory（拉蒙特-多伊蒂地球观测站）
AI总结 本文提出小波流匹配方法，通过在多尺度小波空间中直接进行最优传输，解决多尺度物理系统模拟中稳定性与精度的平衡问题，实现更高效的生成式模拟。
校准后再行动：在大语言模型代理中考虑成本的探索
机构 * New York University（纽约大学）
AI总结 本文提出Calibrate-Then-Act框架，使LLM代理在不确定环境下显式平衡成本与不确定性，从而更优地决策。
通过数值积分实现的可扩展非参数连续时间生存模型
机构 * Department of Statistics（统计系） ； Ewha Womans University（成均馆大学） ； NYU Grossman School of Medicine（纽约大学 Grossman 医学院）
AI总结 本文提出QSurv模型，通过高斯-勒让德数值积分实现非参数连续时间生存建模，无需时间离散化或限制分布假设，有效捕捉非平稳危险动态，实验表明其在即时危险函数估计上具有优势。
为离线策略评估设计日志策略
机构 * New York University（纽约大学） ； Spotify
AI总结 本文研究如何设计日志策略以最小化OPE误差，探讨了奖励与覆盖之间的根本权衡，并在不同信息场景下提出了最优策略。
CrystalReasoner: 基于推理和强化学习的性质条件晶体结构生成
机构 * Tsinghua University（清华大学） ； Radical AI ； New York University（纽约大学）
AI总结 CrystalReasoner通过引入物理先验和强化学习，实现从自然语言指令生成稳定且具有特定性质的晶体结构，提升了生成精度和科学合理性。
Comments Our work is available at https://crystalreasoner.github.io/, with code at https://github.com/wyy603/CrystalReasoner
ExplainerPFN：迈向无模型零样本特征重要性估计的表格基础模型
机构 * INESC-ID ； New York University（纽约大学）
AI总结 本文提出ExplainerPFN，一种基于TabPFN的表格基础模型，通过预训练合成结构因果数据实现无模型零样本特征重要性估计，展示了其在真实和合成数据集上的竞争力。
Comments 35 pages, 11 figures
在音乐音频大语言模型中探讨模态贡献
机构 * Audio Research Lab, New York University, USA Integrated Design \& Media, New York University, USA
AI总结 本文通过MM-SHAP框架量化音频大语言模型中各模态的贡献，发现高准确率模型更依赖文本回答问题，但音频仍能局部化关键声音事件，首次将MM-SHAP应用于音频大语言模型。
Comments 5 pages, 2 figures, accepted at ICASSP 2026
考虑风的高效滑翔轨迹规划
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 本文提出非线性多目标轨迹规划器，通过伯恩斯坦多项式生成三次连续轨迹，结合风速估算优化滑翔性能，实验证明在风扰和障碍物情况下具有稳定性和可靠性。
Comments Accepted for publication at IEEE International Conference on Robotics and Automation (ICRA 2026) held in Vienna
Journal ref IEEE International Conference on Robotics and Automation (ICRA 2026) held in Vienna
别停止我：通过耗散黎曼流形力学采样损失极小值
机构 * Section for Cognitive Systems, Technical University of Denmark（丹麦技术大学认知系统系） ； Center for Quantum Information Physics, New York University（纽约大学量子信息物理中心）
AI总结 本文提出DiMS方法，通过耗散黎曼流形力学精确采样损失极小值，解决传统方法无法准确采样重参数化不变解的问题，并在贝叶斯推断中验证其有效性。
为何语言模型比人类更不惊讶？测试解析多重性不匹配假说
机构 * Department of Linguistics, New York University（纽约大学语言学系） ； Center for Data Science, New York University（纽约大学数据科学中心） ； Department of Linguistics, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校语言学系）
AI总结 研究探讨语言模型在处理句子时的 surprisal 与人类处理的差异，通过调整解析数量来测试解析多重性不匹配假说对句法歧义的影响。
通过Oracle价格图学习利用单峰性在半参数上下文定价中
机构 * Data Sciences and Operations Department, University of Southern California（南加州大学数据科学与运营系） ； Stern School of Business, New York University（纽约大学斯特恩商学院）
AI总结 本文研究了半参数标量指数估值模型中的上下文动态定价，通过Oracle价格图学习方法，利用β-Hölder光滑性和收益几何条件，提出了一种模块化粗到细策略，实现非参数Oracle图学习的最优 regret 界。
始终学习，始终混合：始终高效且简单的数据混合
机构 * New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Microsoft（微软公司）
AI总结 本文提出OP-Mix算法，通过低秩适配器插值实现数据混合，提升预训练和持续学习性能，减少计算资源消耗。
DynamicNER: 一种动态、多语言和细粒度的用于基于大语言模型的命名实体识别的数据集
机构 * New York University Abu Dhabi（纽约大学阿布扎赫德分校） ； Zhejiang University（浙江大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Nanyang Technology University（南阳技术大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Texas A&M University（德克萨斯大学） ； Squirrel AI
AI总结 本文提出DynamicNER数据集，用于改进基于大语言模型的命名实体识别方法，通过动态实体分类和多语言支持，提升模型泛化能力与细粒度任务的准确率。
Comments This paper is accepted by EMNLP 2025 Main Conference
基于大语言模型的文本标注提示稳定性评分
机构 * Department of Sociology, New York University（纽约大学社会学系） ； Independent Researcher（独立研究者） ； Institute for Logic, Language, and Computation, University of Amsterdam（阿姆斯特丹大学逻辑、语言与计算研究所）
AI总结 本文提出一种通用框架，通过传统方法改进内在和跨编码器可靠性评分，提出提示稳定性评分（PSS）及Python包promptstability，用于诊断低稳定性提示并展示功能。
Comments 39 pages, 5 figures
穿透大脑：通过fMRI解码视觉刺激的新见解
机构 * Dartmouth College（达特茅斯学院） ； Yale University（耶鲁大学） ； Emory University（埃默里大学） ； New York University（纽约大学） ； UNC Charlotte（北卡罗来纳大学柴郡分校） ； Virginia Tech（弗吉尼亚理工大学）
AI总结 研究通过fMRI信号重建视觉刺激，发现文本空间比视觉或联合文本图像空间更接近神经活动结构，并提出PRISM模型利用结构化文本空间提升重建效果。
PolySHAP：通过交互信息的多项式回归扩展KernelSHAP
机构 * Bielefeld University（比勒菲尔德大学） ； Claremont McKenna College（克莱蒙特麦肯纳学院） ； New York University（纽约大学）
AI总结 本文提出PolySHAP方法，通过高次多项式回归扩展KernelSHAP，以更准确地估计Shapley值，同时证明配对采样与二阶PolySHAP的等价性，为配对采样提供了理论支持。
Comments Published at ICLR 2026: https://openreview.net/forum?id=M19J8UGguq
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