高校专区
SimWorld Studio：基于进化编码代理的自动环境生成用于具身学习
机构 * UC San Diego（加州大学圣迭戈分校） ； New York University（纽约大学）
AI总结 本文提出SimWorld Studio平台，通过进化编码代理生成动态3D环境，提升具身学习性能。环境生成与学习相互促进，使代理在未见基准上表现更优。
数据驱动的集成核用于可解释的非局部算子学习
机构 * Department of Earth System Science（地球系统科学系） ； University of California, Irvine（加州大学伊维福分校） ； Department of Computing and Data Science（计算与数据科学系） ； Boston University（波士顿大学） ； The Center for Atmosphere Ocean Science（大气海洋科学中心） ； New York University（纽约大学） ； NVIDIA Corporation（NVIDIA公司） ； Faculty of Geosciences and Environment（地球科学与环境学院） ； University of Lausanne（洛桑大学） ； Expertise Center for Climate Extremes（极端气候专家中心）
AI总结 本文提出数据驱动的集成核框架，通过分离非局部信息聚合与局部非线性预测，提升非局部算子学习的可解释性与泛化能力，通过南亚季风降水实验验证其有效性。
Comments Presented at Climate Informatics 2026 (14 pages, 5 figures, 1 table)
通过自洽随机插值生成模型中的黑盒破坏
机构 * New York University（纽约大学） ； Flatiron Institute（Flatiron研究所） ； Machine Learning Lab, Capital Fund Management（资本基金管理有限公司机器学习实验室）
AI总结 本文提出自洽随机插值方法，通过迭代更新传输映射来逆向恢复清洁数据，具有计算效率高、灵活性强和理论保证等优势，应用于自然图像处理和科学重建领域。
Comments Accepted at ICLR 2026
突破离散扩散：确定性绕过采样壁垒
机构 * KAIST（韩国科学技术院） ； EPFL（苏黎世联邦理工学院） ； Microsoft（微软） ； SAP ； NYU（纽约大学）
AI总结 本文提出Loopholing机制，通过确定性潜在路径解决离散扩散模型采样瓶颈问题，显著降低生成困惑度，提升文本连贯性，并在推理任务中表现优异。
Comments Accepted at ICLR 2026
广义凸函数的通用表示及其梯度
机构 * Department of Economics, New York University（纽约大学经济学系）
AI总结 本文提出一种可微层，通过凸参数空间实现广义凸函数及其梯度的通用逼近，应用于最优传输映射和多商品拍卖问题，将嵌套双层优化问题转化为可高效求解的单层问题。
更快的通用两阶段近似Top-K算法
机构 * University of Washington, Seattle（华盛顿大学） ； New York University（纽约大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出一种改进的两阶段近似Top-K算法，通过调整第一阶段的分区策略，减少第二阶段输入规模并提升效率，同时保持相同预期召回率。
Comments Accepted at TMLR May 2026
Scale-Gest: 适用于设备端的手势检测的可扩展模型空间合成与运行时选择
机构 * New York University (NYU) Abu Dhabi（纽约大学（NYU）阿布扎赫德）
AI总结 Scale-Gest提出了一种运行时自适应的手势检测框架，通过引入多种设备校准的ACE模型，实现低功耗、低延迟的手势识别，在车载驾驶场景中表现优异。
Comments 7 pages, 11 figures, Accepted to DAC 2026
算法漫画：在危机事件中审计LLM生成的政治言论
机构 * New York University (NYUAD), Division of Science, Computer Science Department（纽约大学（NYUAD），科学学院，计算机科学系）
AI总结 本文通过对比真实与生成的政治言论，发现生成内容在情感强度、结构规律性和词汇框架上不如真实言论真实，提出了'漫画差距'作为评估生成内容社会真实性的指标。
变换器中的几何事实回忆
机构 * New York University（纽约大学） ； Flatiron Institute（Flatiron研究所）
AI总结 研究探讨了变换器模型如何通过几何方式记忆事实关联，证明嵌入维度与事实数量呈对数关系，并展示了多跳查询中的容量-深度权衡。
Comments Preprint
EHR-RAGp: 用于电子健康记录的检索增强型原型引导基础模型
机构 * New York University（纽约大学） ； New York University Abu Dhabi（纽约大学阿布扎赫德）
AI总结 本文提出EHR-RAGp模型，通过动态整合患者历史信息提升临床预测性能，优于现有基础模型和Transformer基线。
Comments Retrieval Augmented EHR Foundation Model
融合图瓦瑟斯坦距离与特征选择
机构 * School of Data Science and Society（数据科学与社会学院） ； Division of Computational Social Science（计算社会科学系） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Courant Institute（Courant研究所） ； Department of Mathematics（数学系） ； New York University（纽约大学） ； Duke University（杜克大学）
AI总结 本文提出融合图瓦瑟斯坦距离与特征选择方法，通过引入自适应特征抑制权重提升高维数据的可解释性和鲁棒性，采用正则化FGW和简单约束权重两种方法，并分析其理论性质与高效算法。
真实对话，虚拟面孔：虚拟与人类影响者受众的符号-语义辩论几何
机构 * New York University (NYUAD), Division of Science, Computer Science Department（纽约大学（NYUAD），科学学院，计算机科学系）
AI总结 研究通过符号-语义框架分析虚拟与人类影响者受众的辩论模式，揭示虚拟影响者 discourse 的独特性及符号-语义结构差异。
犯错是人之常情；标注，硅？迈向LLM标注中的稳健可重复性
机构 * Robert H. Smith School of Business, University of Maryland（马里兰大学罗伯特·H·史密斯商学院） ； Leonard N. Stern School of Business, New York University（纽约大学伦纳德·N·斯坦商学院）
AI总结 本文提出SILICON框架，通过分解标注误差来源，减少测量误差，提升LLM标注的稳健可重复性，同时建立备份模型并量化标注质量上限。
切片与切割：配置最优专家混合物
机构 * Paul G Allen School of Computer Science（保罗·G·艾伦计算机科学学院） ； University of Washington（华盛顿大学） ； New York University（纽约大学） ； Courant School of Data Science（科廷数据科学学院）
AI总结 本文研究了混合专家架构中专家数量、粒度等核心参数的优化问题，发现专家数量和粒度对性能影响显著，其他参数影响较小。
在LLM服务系统中通过模糊测试连续发现漏洞
机构 * University of Maryland（马里兰大学） ； New York University（纽约大学）
AI总结 本文提出GRIEF模糊器，通过时间多请求追踪发现LLM服务层漏洞，包括15个漏洞，10个已确认，涉及缓存隔离失败、跨请求性能干扰和崩溃问题。
FragBench：隐藏在看似无害片段中的跨会话攻击
机构 * New York University（纽约大学） ； Tufts University（塔夫茨大学） ； Distributed Systems（分布式系统） ； ERA（欧洲研究联盟） ； Lida Safety（Lida安全） ； Mila
AI总结 FragBench通过24个真实网络攻击案例构建，评估LLM跨会话攻击检测，采用对抗重写和图基检测方法，实现事件级F1分数达0.88-0.96。
Comments preprint of submission
在想象中训练
机构 * Weizmann Institute of Science（魏茨曼研究所） ； New York University（纽约大学） ； Columbia University（哥伦比亚大学） ； New York University AMI Labs（纽约大学AMI实验室）
AI总结 研究在想象中训练方法中，动态和奖励模型误差对回报和策略优化的影响，提出最优样本分配和表示需求。
通过生成性Gibbs采样结合显式物理上下文组成扩散先验
机构 * Department of Chemistry（化学系） ； Courant Institute of Mathematical Sciences（数学科学学院） ； University of Chicago（芝加哥大学） ； New York University（纽约大学）
AI总结 本文提出GG-PA框架，通过生成性Gibbs采样结合显式物理上下文，实现扩散先验与物理上下文的联合分布推断，验证了在有限扩散时间下精确性，并通过实验展示其在双井系统、ϕ⁴晶格模型和原子肽系统中的有效性。
Comments 31 pages, 11 figures
AgentRx: 一种针对多模态临床预测任务的LLM代理基准研究
机构 * New York University Abu Dhabi（纽约大学阿布扎克分校）
AI总结 本文研究了LLM代理在多模态临床预测任务中的表现，发现单代理框架在处理多模态数据和校准方面优于多代理系统，强调了改进多代理协作的重要性。
Comments Accepted at the AHLI Conference on Health, Inference, and Learning 2026
VPD-100K: 向通用化和细粒度的视觉隐私保护迈进
机构 * National University of Singapore（新加坡国立大学） ； Australian National University（澳大利亚国立大学） ； New York University（纽约大学） ； The University of New South Wales（新南威尔士大学）
AI总结 本文提出VPD-100K数据集，用于通用隐私检测，包含10万张图像和33个细粒度类别，设计了频率增强轻量模块以提升隐私检测效果。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
CREATE：测试大型语言模型的联想创造力
机构 * New York University（纽约大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 CREATE基准测试评估模型的创造性联想能力，要求生成高特异性和多样性的概念连接路径，展现模型在复杂搜索空间中的创造力表现。
超越自我博弈与规模：面向自动驾驶泛化的行为基准
机构 * University of Freiburg（弗赖堡大学） ； Bosch Center for Artificial Intelligence（博世人工智能中心） ； Coburg University of Applied Sciences（科堡应用科学大学） ； New York University（纽约大学）
AI总结 本文提出BehaviorBench，通过评估、复杂性和行为多样性三个维度，解决自动驾驶大规模强化学习政策在标准化评估中的性能问题，并提出混合规划器提升泛化能力。
为视觉语言模型解开 Gordian 结：图式结理作为一项难题基准
机构 * Department of Psychology（心理学系） ； New York University（纽约大学） ； Department of Computer Science（计算机科学系） ； University of Southern California（南加州大学）
AI总结 本文提出 KnotBench 基准，通过 858,318 张图像与 Regina 签名验证，评估 VLMs 在结图识别、预测和跨模态接地任务中的能力，发现模型在结操作模拟上存在显著不足。
Comments 41 pages, 18 figures
重新思考多发性硬化症（MS）病灶分割模型的评估
机构 * eBRAIN Lab, Division of Engineering, New York University (NYU) Abu Dhabi（eBRAIN实验室，工程学院，纽约大学（纽约大学阿布扎克分校））
AI总结 本文重新审视MS病灶分割模型的评估方法，提出问题指纹分析以量化模型在实际医疗场景中的性能，分析现有模型在两个公开数据集上的表现。
Comments 8 pages, 5 figures, Accepted to IJCNN 2026
在有预算限制的首价拍卖中学习投标：未知私人价值
机构 * Department of Mathematics, The Hong Kong University of Science and Technology（香港科技大学数学系） ； Stern School of Business, New York University（纽约大学斯特恩商学院）
AI总结 本文提出统一的对偶框架，解决有预算约束的首价拍卖中学习隐含价值和对手投标分布的问题，通过强Slater条件和自适应预热程序稳定对偶变量，实现近最优的后悔保证。
基于模型的自适应记忆动量框架用于深度学习优化
机构 * New York University（纽约大学）
AI总结 本文提出一种自适应动量机制，通过动态调整动量系数提升深度学习优化性能，适用于多种学习任务。
一种用于学习时空神经微分方程的谱方法
机构 * Courant Institute of Mathematical Sciences, New York University, New York, NY 10012, USA（数学科学学院，纽约大学，纽约，NY 10012，美国） ； Department of Computational Medicine, UCLA, Los Angeles, CA 90095, USA（计算医学系，洛杉矶大学，洛杉矶，CA 90095，美国） ； Nuffield Department of Medicine, Oxford University, Oxford OX2 6HW, UK（医学系，牛津大学，牛津 OX2 6HW，英国）
AI总结 本文提出一种基于神经ODE的谱方法，用于学习包含长程非局部空间相互作用的时空微分方程，无需空间离散化，适用于无界域。
Comments 21 pages, 5 figures
Journal ref Journal of Applied Mathematics and Computing, Volume 70, 4395-4421, (2024)
通过失败前缀条件训练饱和问题的推理模型
机构 * New York University Abu Dhabi（纽约大学阿布扎赫分校）
AI总结 本文提出失败前缀条件方法，通过引导探索失败易发的推理状态，解锁饱和问题中的学习信号，提升模型恢复能力，实现性能提升并增强鲁棒性。
Comments 20 pages
SYNCR: 一个具有合成接地的跨视频推理基准
机构 * New York University（纽约大学）
AI总结 SYNCR通过合成数据评估多视频推理能力，发现现有模型在物理空间推理上表现不足，参数扩展和训练后优化能提升时间对齐能力，但无法可靠解决细粒度物理跟踪和全局空间合成问题。
玩乐的动机：前沿LRMs与人类游戏学习者的行为与大脑对齐
机构 * University of Oxford（牛津大学） ； Columbia University（哥伦比亚大学） ； New York University（纽约大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学）
AI总结 本文研究了前沿LRMs在游戏学习中的行为与大脑活动对齐情况，发现其在游戏发现阶段更接近人类行为，并能更准确预测大脑活动。
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