高校专区
BioKD：通过可靠性门实现面向情感识别的选择性生理信号到视频的知识蒸馏
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； New York University（纽约大学）
AI总结 本文提出BioKD框架，以生理信号为训练特权信息指导视频学生模型，通过可靠性门控抑制负迁移，在DEAP、AMIGOS数据集上的情感识别任务中优于基线，且推理无额外开销。
Bi-PT：用于从稀疏心脏MRI数据重建四腔心的双向交叉注意力点变换器
机构 * University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； New York University（纽约大学）
AI总结 针对从稀疏心脏MRI数据重建四腔心的问题，Bi-PT通过双向点交叉注意力学习点特征，结合逐点语义标签改进对应估计，将变形场公式化为神经常微分方程，集成语义标签损失和添加平滑正则化，实验证明其性能准确且稳健。
基于视觉-语言表示学习的场景变化检测
机构 * New York University（纽约大学）
AI总结 本文提出LangSCD框架，通过融合语言和视觉信息提升场景变化检测的鲁棒性，引入几何-语义匹配模块和多类标注数据集NYC-CD，实验证明其在多个基准上的优越性能。
Comments 9 pages, 6 figures, 6 tables
关于生成推理中大语言模型层剪枝的极限
机构 * New York University Abu Dhabi（纽约大学阿布扎比分校）
AI总结 研究发现层剪枝在分类任务中有效压缩模型但生成推理任务表现较差，揭示了剪枝对算法能力如算术和括号生成的影响，指出在受限条件下生成推理能力恢复有限。
强化学习与消费-储蓄行为
机构 * New York University（纽约大学）
AI总结 本文构建采用Q学习的消费-储蓄决策模型，用强化学习解释经济衰退中家庭消费的两个实证模式，其模拟结果与实证匹配，为理解过往经历对消费的影响提供了统一框架。
Comments 41 pages, 10 figures
贝叶斯数据重加权改进基于知识的视觉问答的多模态检索
机构 * University at Buffalo（布法罗大学） ； NEC Laboratories America（美国 NEC 实验室） ； Adobe Research（奥多比研究院） ； Iowa State University（爱荷华州立大学） ； New York University（纽约大学）
AI总结 针对基于知识的视觉问答中多模态检索的负样本处理问题，提出贝叶斯数据重加权框架，通过概率建模与随机EM优化，在三个检索器和七个基准上提升了检索准确率。
基于图神经网络的多机器人通信受限的无标签运动规划与预测控制
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 本文提出一种分层框架，结合图注意力规划器和分布式非线性模型预测控制器，以解决多机器人在通信受限环境下同时分配目标和生成安全轨迹的问题，通过图神经网络方法实现可扩展的去中心化解决方案。
Comments 8 pages, 6 figures, Accepted at the IEEE International Conference on Robotics and Automation (ICRA) 2026
在弱到强对齐中评估风险：从偏差-方差视角出发
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Microsoft（微软） ； InstaDeep ； New York University（纽约大学）
AI总结 本文从偏差-方差视角分析弱到强对齐的风险，通过连续置信度分数研究经验组件，发现强模型方差是欺骗的主要预测因素，表明弱强依赖性的重要性。
语言模型输出分布中的尾部风险估计
机构 * Columbia University（哥伦比亚大学） ； Department of Computer Science, New York University（纽约大学计算机科学系） ； Center for Data Science, New York University（纽约大学数据科学中心）
AI总结 提出一种基于重要性采样的方法，通过创建不安全版本来高效估计语言模型产生有害输出的尾部概率，在10-20倍更少样本下匹配蒙特卡洛估计，并揭示模型对输入的敏感性。
Comments Accepted to ICML 2026
从在线学习到多校准的高效黑盒还原，以及到Φ-后悔最小化的新型途径
机构 * MIT EECS（麻省理工学院电子工程与计算机科学系） ； New York University（纽约大学）
AI总结 本文提出从在线学习到在线多校准的黑盒还原方法，并展示了如何通过结合无悔学习器和期望变分不等式求解器实现高维多校准。同时，通过将高维在线多校准还原为Φ-后悔最小化，为外部后悔到Φ-后悔的转换提供了新途径。
FinHardBench：大语言模型能否生成面向金融计算的延迟感知硬件？
机构 * Lehigh University（里海大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） ； NYU Tandon School of Engineering（纽约大学坦登工程学院） ； NYU Abu Dhabi（纽约大学阿布扎比分校）
AI总结 本文提出面向金融FPGA设计的开源基准FinHardBench，通过三类实验评估6种大语言模型，发现其在功能正确性、系统级配置优化等方面存在差异，策略级规格变更问题仍待解决。
Comments 16 pages (10 pages main text). Published as a conference paper at COLM 2026. Code and benchmark: https://github.com/owenfucell/FinHardBench
HP-JEPA：用于多分辨率图联合嵌入预测学习的层次划分方法
机构 * Stony Brook University（石溪大学） ； TikTok（TikTok（抖音海外版）） ； PayPal（PayPal（贝宝）） ； New York University（纽约大学）
AI总结 HP-JEPA是一种多分辨率图联合嵌入预测的层次划分框架，通过在不同分辨率下进行潜在预测并整合表示，在多数图分类与回归基准及不同规模图上，性能优于固定分辨率的Graph-JEPA。
Comments 15 pages, 4 figures, 5 tables
缩小英阿医学知识鸿沟：通过因果层选择实现针对性低秩适配
机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） ； Cleveland Clinic Abu Dhabi（克利夫兰诊所阿布扎比分校）
AI总结 该研究针对阿拉伯语医学LLMs性能弱于英文的问题，提出TLoRA方法并构建阿拉伯医学对话基准，通过机制诊断实现针对性适配，提升了阿拉伯语医学任务性能。
观察到谄媚的人工智能认可他人会降低其吸引力，但不会降低其说服力
机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学）
AI总结 研究探讨提高用户对谄媚人工智能的认知能否防危害，通过两项预注册实验及合并其他研究发现，警告和视频干预虽改变评价，但未降说服力，个体层面干预或难护用户免受人工智能之害。
物理学与因果约束的离散时间神经模型对湍流动力系统的研究
机构 * Courant Institute School of Mathematics, Computing and Data Science（Courant研究所数学、计算与数据科学学院） ； New York University（纽约大学）
AI总结 本文提出了一种基于数据构建湍流动力系统物理和因果约束神经模型的框架，通过有限时间流映射和因果约束，准确捕捉了稳态统计和外部扰动响应。
非递归多路径神经网络的超参数转移定律
机构 * Fudan University, Shanghai, China（复旦大学） ； New York University, New York, NY, USA（纽约大学）
AI总结 本文提出有效深度概念，揭示了非递归多路径神经网络中学习率衰减遵循-3/2幂律，实现超参数跨深度和宽度的可靠转移。
隐式世界模型能知晓什么？多模态预测表示中的物理参数可识别性
机构 * New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Columbia University（哥伦比亚大学）
AI总结 该研究通过可控实验揭示，隐式世界模型的目标函数结构决定其获取的物理参数，输入与预测目标分别限制和决定可获知的物理量，额外数据仅优化已获取的参数。
CodeRescue：用于编码智能体的预算校准恢复路由
机构 * University of Washington（华盛顿大学） ； New York University（纽约大学） ； ByteDance（字节跳动） ； Amazon（亚马逊）
AI总结 研究编码智能体失败后的预算部署问题，核心方法是将其制定为异构动作上的恢复路由并训练监督路由器，添加CRC层实现预算变化下的成本控制，主要贡献是校准前沿在多个方面优于基线，节省恢复成本。
Comments Withdrawn at the request of ByteDance because the manuscript was submitted before completing the company's required internal review and approval process
SPICE: 基于协同与部分信息的课程演化
机构 * New York Institute of Technology（纽约理工学院） ； New York University（纽约大学）
AI总结 提出SPICE框架，利用部分信息分解理论动态量化样本复杂度，设计渐进式课程使模型从学习共享跨模态线索过渡到模态特定模式再到复杂协同交互，在多个多模态基准上取得一致改进。
EgoEverything：一个受人类行为启发的长上下文第一人称视频理解AR环境基准
机构 * New York University（纽约大学） ； Meta Reality Labs
AI总结 本文提出EgoEverything基准，通过利用人类注意力信号生成问题，更真实地捕捉自然人类行为，用于评估AR环境中长上下文第一人称视频理解。
AskChem：面向化学文献综合的以主张为中心的基础设施
机构 * New York University（纽约大学） ； Matterstack, Inc.（Matterstack公司）
AI总结 AskChem是一种以主张为中心的跨论文化学搜索基础设施，将检索单元改为带来源的主张，提供多种检索结构与访问接口，在基准测试中提升了DOI可解析率，为化学文献综合提供了支持。
面向道德的面部年龄估计：无需儿童数据训练的广义零样本基准
机构 * New York University（纽约大学）
AI总结 提出一个广义零样本基准，训练时排除儿童数据，评估模型对未见年龄组的泛化能力，发现所有方法均存在严重性能下降和可见类偏见。
Comments 13 pages; 3 figures; 8 tables; 1 algorithm
用于可变基数空间点过程的存在场扩散模型
机构 * University of California, Riverside（加州大学河滨分校） ； New York University（纽约大学） ； Zhongguancun Academy（中关村学院）
AI总结 该研究针对可变基数空间点过程生成建模难题，提出存在场扩散模型（EFDM），通过关联存在变量实现空间位置与基数的联合建模，在可变基数数据集上提升了建模能力。
Comments 19 pages, 9 figures, 6 tables. Preprint
基于非梯度向量流的流图学习
机构 * Flatiron Institute（弗拉蒂隆研究所） ； Technical University of Denmark（丹麦技术大学） ； Courant Institute, New York University（纽约大学柯朗研究所）
AI总结 本文提出SGFlow方法，绕过流图学习的可逆性与迭代微分难题，在CIFAR基准上10采样步时FID最优，其他步数具竞争力且有驻点保证。
Comments ICLR 2026
Agent-UCT：应用于树的上置信界，用于具有成本意识的智能工作流优化
机构 * The University of Hong Kong（香港大学） ； School of Artificial Intelligence, Jiangxi Science and Technology Normal University（江西科技师范大学人工智能学院） ； The Hong Kong University of Science and Technology（香港科技大学） ； University of Science and Technology of China（中国科学技术大学） ； New York University（纽约大学）
AI总结 研究针对智能工作流优化中计算冗余和预算分配低效问题，提出Agent-UCT算法，结合RAGSpace框架和WTB，通过重用感知正则化项减少冗余执行，实验证明其能有效识别最佳配置，实现成本感知、可重现且组合高效的智能工作流优化。
理解LoRA作为知识记忆：一项实证分析
机构 * New York University（纽约大学）
AI总结 本文通过系统实证研究，将低秩适配（LoRA）作为模块化知识记忆，探索其存储容量、内部化优化、多模块系统扩展及长上下文推理能力，提供LoRA记忆操作边界的实用指导。
Comments ICML 2026
最小化目标激活：大语言模型中仅输入的评估感知潜在因素抑制
机构 * Center for Data Science, New York University（纽约大学数据科学中心）
AI总结 研究大语言模型中仅通过输入优化提示来抑制“评估感知”潜在因素，采用特定方法在多种目标结构下对Llama模型进行实验，发现潜在因素可抑制，但激活可读性与行为可控性不同，还解决了相关问题。
PreDiff-LM：具有混合注意力的预训练离散掩码扩散语言模型
机构 * University of Southern California（南加州大学） ； New York University（纽约大学） ； Columbia University（哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stevens Institute of Technology（史蒂文斯理工学院） ； University of Notre Dame（圣母大学） ； Nanyang Technological University（南洋理工大学）
AI总结 研究离散掩码扩散语言模型中因果预训练与双向去噪协调问题，提出PreDiff-LM模型，通过混合注意力机制改进无条件困惑度等指标，在多方面优于先前扩散基线，明确与优化AR模型的差距，为预训练因果主干调整提供补充机制。
数据更少，对齐更好：用于偏好优化的数据中心多评估器一致性方法
机构 * University of Southern California（南加州大学） ； New York University（纽约大学） ； Columbia University（哥伦比亚大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； City College of New York, CUNY（纽约市立大学城市学院） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Nanyang Technological University（南洋理工大学）
AI总结 研究聚焦偏好优化，提出DMAPO方法，从目标策略生成候选响应，经多评估器评估、校正后保留高一致性示例。实验表明该方法数据效率高，能提升模型在MT - Bench等指标上的表现，且改变评估器或准则对下游性能影响小。
Comments 19 pages
对前沿视觉-语言模型进行审计以实现可信的医学视觉问答：定位失败、格式崩溃和领域适应
机构 * New York University, New York, USA（纽约大学） ； Tsinghua University, Beijing, China（清华大学） ； Columbia University, New York, USA（哥伦比亚大学） ； University of Michigan, Ann Arbor, USA（密歇根大学）
AI总结 本文审计了五种前沿视觉-语言模型在医学视觉问答中的表现，发现定位失败和格式崩溃是信任瓶颈，通过领域适应可提升性能。
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