Diverse Dictionary Learning
多样字典学习
机构 * CMU（卡内基梅隆大学） ； MBZUAI（马克斯·普朗克人工智能研究所） ； NYU（纽约大学）
AI总结 本文提出多样字典学习问题，探讨在无法完全辨识的情况下，如何通过集合运算恢复潜在变量的结构，并展示其在合成和真实数据中的有效性。
Comments ICLR 2026
高校专区
New York University（纽约大学）
ARCS: Autoregressive Circuit Synthesis with Topology-Aware Graph Attention and Spec Conditioning
ARCS：具有拓扑感知图注意力和规格条件的自回归电路合成
机构 * New York University（纽约大学）
AI总结 ARCS通过结合图变分自编码器和流匹配模型，实现快速生成高精度模拟电路，其在拓扑和组件值上达到99.9%的模拟有效性，效率比传统方法提升40倍。
Comments 10 pages, 6 figures, 11 tables. Code available at https://github.com/tusharpathaknyu/ARCS
MoCo: A One-Stop Shop for Model Collaboration Research
MoCo：模型协作研究的一站式解决方案
机构 * University of Washington（华盛顿大学） ； University of Notre Dame（诺特大学） ； University of Virginia（弗吉尼亚大学） ； New York University（纽约大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Harvard University（哈佛大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； University of California Irvine（加州大学尔湾分校） ； Stanford University（斯坦福大学）
AI总结 本文提出MoCo库，提供26种模型协作方法及25个评估数据集，验证协作策略在多数场景下优于非协作模型，分析协作系统的有效性及未来研究方向。
Comments Moco is available at https://github.com/BunsenFeng/model_collaboration
BOP-ASK: Object-Interaction Reasoning for Vision-Language Models
BOP-ASK：面向视觉-语言模型的对象交互推理
机构 * New York University（纽约大学） ； NVIDIA（英伟达）
AI总结 本文提出BOP-ASK数据集，用于训练和评估视觉-语言模型的对象交互推理能力，包含15万张图像和3300万对问题答案，涵盖六个任务，验证了模型在复杂环境中的空间推理能力。
Comments Accepted at CVPR 2026. Code, Datasets & Benchmark available at https://bop-ask.github.io/
DR-SAC: Distributionally Robust Soft Actor-Critic for Reinforcement Learning under Uncertainty
DR-SAC：在不确定环境下用于强化学习的分布鲁棒软Actor-Critic
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 本文提出DR-SAC，首个基于Actor-Critic的分布鲁棒强化学习算法，用于连续动作空间的离线学习。通过最大化熵正则化奖励，对抗最坏可能的转移模型，在KL散度约束的不确定性集内实现收敛保证，并结合生成建模方法估计未知的名义转移模型。
Comments 31 Pages. Accepted to ICLR 2026
Discrepancies are Virtue: Weak-to-Strong Generalization through Lens of Intrinsic Dimension
差异是美德：通过内在维度视角实现弱到强的泛化
机构 * New York University（纽约大学） ； Shanghai Jiaotong University（上海交通大学） ； Princeton University（普林斯顿大学）
AI总结 通过内在低维空间视角分析弱到强泛化，揭示强弱模型差异对泛化误差的正向影响，实验验证了在回归、视觉和NLP任务中的有效性。
Comments ICML 2025
Configuration Over Selection: Hyperparameter Sensitivity Exceeds Model Differences in Open-Source LLMs for RTL Generation
配置胜过选择：在开源LLM用于RTL生成中，超参数敏感性超过模型差异
机构 * NYU Tandon School of Engineering（纽约大学坦顿工程学院） ； NYU Abu Dhabi（纽约大学阿布扎比分校） ； Kansas State University（堪萨斯州立大学）
AI总结 研究通过对比26个开源LLM在VerilogEval和RTLLM上的表现，发现超参数配置对RTL生成效果影响显著，优于模型选择，揭示了配置优化的重要性。
Tree of Concepts: Interpretable Continual Learners in Non-Stationary Clinical Domains
概念树：非平稳临床领域中的可解释持续学习者
机构 * Computer Science Department（计算机科学系） ； New York University（纽约大学） ； Department of Population Health（人口健康部） ； NYU Grossman School of Medicine（NYU Grossman医学院） ； School of Global Public Health（全球公共卫生学院）
AI总结 本文提出Tree of Concepts框架，通过浅层决策树定义固定规则概念接口，并训练概念瓶颈模型预测概念，实现持续学习中的可解释性和稳定性平衡。
Comments 17 pages, 2 figures
When Earth Foundation Models Meet Diffusion: An Application to Land Surface Temperature Super-Resolution
当地球基础模型遇见扩散：一种用于地表温度超分辨率的应用
机构 * University of Alabama（阿拉巴马大学） ； Emory University（埃默里大学） ； University of Michigan（密歇根大学） ； University of South Florida（佛罗里达州立大学） ； New York University（纽约大学）
AI总结 本文提出EFDiff框架，利用地球基础模型指导扩散模型进行极端空间退化下的超分辨率重建，通过交叉注意力机制提升细尺度重建效果，优于基线方法。
Reducing Peak Memory Usage for Modern Multimodal Large Language Model Pipelines
降低现代多模态大语言模型流水线的峰值内存使用
机构 * New York University（纽约大学）
AI总结 本文提出一种顺序输入压缩机制，在预填充阶段通过结构感知的键值缓存压缩，降低多模态大语言模型的峰值内存使用，同时保持生成性能。
Comments ACL 2026
Surgical Repair of Insecure Code Generation in LLMs
对LLMs中不安全代码生成的外科修复
机构 * Tandon School of Engineering（坦顿工程学院） ； New York University（纽约大学）
AI总结 研究揭示LLMs生成不安全代码并非知识缺失，而是格式可靠性缺口问题，通过机制分析发现安全表示在最终层被格式合规需求压制，采用针对性修正向量可将不安全生成降低74%。
GraphRAG-Router: Learning Cost-Efficient Routing over GraphRAGs and LLMs with Reinforcement Learning
GraphRAG-Router: 通过强化学习学习高效的图RAGs和LLM路由
机构 * Department of Computer Science, New York University (Shanghai)（纽约大学（上海）计算机科学系） ； Department of Computer Science, University of Liverpool（利物浦大学计算机科学系）
AI总结 本文提出GraphRAG-Router，通过分层路由策略协调异构图RAGs和生成LLM，通过强化学习优化生成分配，降低大模型使用成本并提升泛化能力。
Elder-Sim: A Psychometrically Validated Platform for Personality-Stable Elderly Digital Twins
Elder-Sim：一种经过心理测量学验证的用于构建性格稳定的老年人数字孪生平台
机构 * Yulin AI-Enhanced HealthCare Lab（云林人工智能增强医疗实验室） ； School of Nursing, Fudan University（复旦大学护理学院） ； School of Nursing, Medical College of Soochow University（苏州大学医学院护理学院） ； School of Nursing, Dali University（大理大学护理学院） ； Department of Advanced Interdisciplinary Studies, The University of Tokyo（东京大学先进跨学科研究部） ； The First Affiliated Hospital of Soochow University（苏州大学第一附属医院） ； Department of Nursing, The First Affiliated Hospital, Jiangxi Medical College, Nanchang University（江西医学院护理部，南昌大学第一附属医院） ； School of Social Development, East China University of Political Science and Law（中国政法大学社会发展学院） ； Rory Meyers College of Nursing, New York University（纽约大学 Rory Meyers 护理学院） ； New York University Shanghai（纽约大学上海校区）
AI总结 本文提出Elder-Sim平台，通过心理测量学验证方法构建性格稳定的老年人数字孪生代理，利用认知概念化图和LoRA微调提升性格一致性。
A Unification of Discrete, Gaussian, and Simplicial Diffusion
离散、高斯和单纯扩散的统一
机构 * New York University（纽约大学） ； CUNY（纽约大学） ； BigHat Biosciences（BigHat 生物科技）
AI总结 本文通过构建基于Wright-Fisher种群遗传模型的统一框架，将离散、高斯和单纯扩散视为不同参数化形式，实现了三种扩散方法的统一，并展示了在不同领域中训练单一模型的可行性。
Detecting and Suppressing Reward Hacking with Gradient Fingerprints
通过梯度指纹检测和抑制奖励黑客
机构 * University of Alberta（阿尔伯塔大学） ； New York University（纽约大学） ； LMU Munich（慕尼黑大学） ； Princeton Language and Intelligence（普林斯顿语言与智能）
AI总结 本文提出GRIFT方法，通过梯度指纹检测奖励黑客行为，显著优于现有基线方法，在多个可验证推理基准中提升检测效果，并通过集成到拒绝微调流程中减少奖励黑客并提升任务性能。
BAGEL: Benchmarking Animal Knowledge Expertise in Language Models
BAGEL：语言模型中动物知识专精的基准测试
机构 * Earth Species Project（地球物种项目） ； NYU Center for Data Science（纽约大学数据科学中心；纽约大学上海） ； NYU Shanghai（纽约大学上海数据科学中心；纽约大学-复旦大学数学科学研究所） ； NYU Shanghai Center for Data Science ； NYU-ECNU Institute of Mathematical Sciences at NYU Shanghai
AI总结 BAGEL基准测试评估语言模型在动物知识方面的专精能力，结合多个来源生成封闭式问题对，涵盖分类学、形态学、栖息地等多个方面，旨在提升语言模型在生物多样性应用中的可靠性。
Comments 28 pages, 3 figures
Polarization by Default: Auditing Recommendation Bias in LLM-Based Content Curation
默认极化：在基于LLM的内容编排中审计推荐偏见
机构 * University of Zurich, Department of Informatics（苏黎世大学信息学院） ； New York University, Department of Sociology（纽约大学社会学系） ； University of Oxford, Department of Sociology（牛津大学社会学系） ； Duke University, Department of Sociology, Computer Science, Political Science, and Public Policy（杜克大学社会学系、计算机科学、政治学和公共政策系） ； University of Amsterdam, Institute for Logic, Language and Computation (ILLC)（阿姆斯特丹大学逻辑、语言与计算研究所（ILLC））
AI总结 研究通过模拟实验揭示LLM在内容选择中的偏见差异，发现极化效应普遍存在，不同提示策略对偏见影响显著，且政治倾向偏见在Twitter/X上表现突出。
NeuroMesh: A Unified Neural Inference Framework for Decentralized Multi-Robot Collaboration
NeuroMesh：一种用于去中心化多机器人协作的统一神经推理框架
机构 * New York University（纽约大学） ； U.S. Army Combat Capabilities Development Command, Army Research Laboratory（美国陆军作战能力发展司令部，陆军研究实验室） ； Vanderbilt University（范德比尔特大学） ； University of California Berkeley, Department of Electrical Engineering and Computer Sciences（加州大学伯克利分校，电气工程与计算机科学系）
AI总结 本文提出NeuroMesh框架，通过统一的管道标准化观察编码、消息传递、聚合和任务解码，解决异构机器人部署多机器人模型的挑战，支持混合GPU/CPU推理并在不同任务结构中展示鲁棒性。
Comments 8 page, 8 figures, Accepted at the IEEE Robotics Automation Letter (RA-L)
VeriCWEty: Embedding enabled Line-Level CWE Detection in Verilog
VeriCWEty: 基于嵌入的RTL代码中行级CWE检测
机构 * NYU Tandon School of Engineering（纽约大学Tandon工程学院） ； NYU Abu Dhabi Center for Cyber Security（纽约大学阿布扎赫德分校网络安全中心）
AI总结 本文提出一种基于嵌入的RTL代码中行级CWE检测框架，通过高精度识别常见CWE并定位行级漏洞，达到89%的CWE识别精度和96%的行级漏洞检测准确率。
Puppets or partners? Governing cyborg propaganda in the digital public square
傀儡还是伙伴？数字公共广场中的人机混合宣传的治理
机构 * BI Norwegian Business School（BI挪威商学院） ； University of York（约克大学） ； Max Planck Institute for Security and Privacy（安全与隐私研究所） ； Oxford University（牛津大学） ； Canada’s National Observer（加拿大的国家观察者） ； SINTEF ； Research Center Trustworthy Data Science and Security, University Duisburg-Essen（可信数据科学与安全研究中心，杜伊斯堡-埃森大学） ； Max Planck Institute for Human Development（人类发展研究所） ； New York University（纽约大学） ； University of Cambridge（剑桥大学） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； Norwegian School of Economics（挪威经济学院）
AI总结 本文探讨了人机混合宣传对民主讨论的影响，提出三种监管措施，并分析民主与非民主国家在治理上的差异。
Comments 38 pages
Scalable Multi-Task Learning through Spiking Neural Networks with Adaptive Task-Switching Policy for Intelligent Autonomous Agents
通过具有自适应任务切换策略的脉冲神经网络实现可扩展的多任务学习用于智能自主代理
机构 * eBRAIN Lab, New York University (NYU) Abu Dhabi（eBRAIN实验室，纽约大学（NYU）阿布扎比分校）
AI总结 本文提出SwitchMT方法，通过自适应任务切换策略和深度脉冲Q网络实现高效的多任务学习，提升自主代理在多个Atari游戏中表现。
Comments Accepted at the 63rd ACM/IEEE Design Automation Conference (DAC), July 26-29, 2026 in Long Beach, CA, USA. [Codes: https://github.com/rachmadvwp/SwitchMT]
A PennyLane-Centric Dataset to Enhance LLM-based Quantum Code Generation using RAG
面向增强基于LLM的量子代码生成的PennyLane数据集
机构 * Center for Quantum and Topological Systems (CQTS)（量子与拓扑系统中心（CQTS）） ； NYUAD Research Institute（纽约大学阿布扎克研究院） ； New York University Abu Dhabi（纽约大学阿布扎克分校）
AI总结 本文提出PennyLang数据集，通过系统化方法提升LLM生成量子代码的性能，验证了RAG框架在增强量子代码生成中的有效性。
Comments 8 pages, 6 figures, 8 tables. Accepted at IJCNN 2026
How Embeddings Shape Graph Neural Networks: Classical vs Quantum-Oriented Node Representations
嵌入如何塑造图神经网络：经典与量子导向的节点表示
机构 * eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD)（eBRAIN实验室，工程系，纽约大学阿布扎比分校） ； Center for Quantum and Topological Systems (CQTS), NYUAD Research Institute（量子与拓扑系统中心（CQTS），NYUAD研究院） ； Department of Information Engineering, Electronics and Telecommunications, Sapienza University of Rome（信息工程、电子与电信系，罗马萨皮恩扎大学）
AI总结 本文通过统一流程比较经典与量子导向的节点表示，揭示其在图分类中的表现差异，强调在固定预算下诱导偏差、可训练性和稳定性之间的权衡。
Comments 6 pages. Accepted at IJCNN 2026
DySCO: Dynamic Attention-Scaling Decoding for Long-Context Language Models
DySCO：动态注意力缩放解码用于长上下文语言模型
机构 * Princeton Language and Intelligence, Princeton University（普林斯顿语言与智能，普林斯顿大学） ； Department of Computer Science, New York University（纽约大学计算机科学系）
AI总结 DySCO通过动态调整注意力机制提升长上下文推理能力，利用检索头识别关键token并增强其权重，在多个基准测试中取得25%的性能提升。
TennisTV: Do Multimodal Large Language Models Understand Tennis Rallies?
TennisTV: 多模态大语言模型能否理解网球发球？
机构 * New York University（纽约大学） ； Tandon School of Engineering（坦顿工程学院） ； Shanghai, China（上海，中国） ； New York, USA（纽约，美国）
AI总结 TennisTV是首个全面评估网球视频理解的基准，通过模拟发球过程中的连续击球事件，评估17种大语言模型在网球视频理解中的表现，发现帧采样密度需平衡且需提升时间定位能力。
An Optimal Transport-driven Approach for Cultivating Latent Space in Online Incremental Learning
一种基于最优传输的在线增量学习中潜在空间培育方法
机构 * Rutgers University（罗格斯大学） ； Tuft University（塔夫茨大学） ； New York University（纽约大学） ； HUST（哈尔滨理工大学） ； Monash University（墨尔本大学）
AI总结 本文提出基于最优传输理论的混合模型学习框架（MMOT），通过增量更新聚类中心来应对多模态数据流，提升复杂数据流的表征精度和未见样本的类相似性估计。
Comments CVPR2026
Memory Transfer Learning: How Memories are Transferred Across Domains in Coding Agents
记忆迁移学习：编码代理跨领域记忆是如何转移的
机构 * KAIST（韩国国立科学技术院） ； New York University（纽约大学）
AI总结 本文研究了记忆迁移学习，通过统一的记忆池跨异构领域提升编码代理性能，发现高层抽象优于低层痕迹，记忆池规模影响迁移效果。
Comments Preprint
Three Roles, One Model: Role Orchestration at Inference Time to Close the Performance Gap Between Small and Large Agents
三种角色，一个模型：推理时的角色编排以缩小小规模与大规模代理之间的性能差距
机构 * Aimpoint Digital Labs（Aimpoint数字实验室） ； New York University（纽约大学）
AI总结 本文研究在推理时仅使用架构支撑是否能提升小模型在复杂多步骤环境中的性能，通过三阶段推理架构使小模型在AppWorld基准测试中任务完成率提升近一倍，展示了结构化推理干预使小模型能与大模型竞争。
Design Space Exploration of Hybrid Quantum Neural Networks for Chronic Kidney Disease
混合量子神经网络在慢性肾病中的设计空间探索
机构 * eBrain Lab, Division of Engineering, New York University Abu Dhabi（纽约大学阿布扎比分校工程学院eBrain实验室） ； Center for Quantum and Topological Systems, NYUAD Research Institute, New York University Abu Dhabi（纽约大学阿布扎比分校量子与拓扑系统中心）
AI总结 本文通过评估625种混合量子神经网络模型，探讨了数据编码、量子电路架构和测量策略对慢性肾病诊断性能的影响，发现紧凑架构与合适编码可实现最佳准确率、鲁棒性和效率平衡。
FAST: A Synergistic Framework of Attention and State-space Models for Spatiotemporal Traffic Prediction
FAST：一种结合注意机制和状态空间模型的协同框架用于时空交通预测
机构 * Columbia University（哥伦比亚大学） ； San Francisco State University（旧金山州立大学） ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 FAST结合注意机制和状态空间模型，提出了一种可扩展的时空交通预测框架，通过时空-时空架构和Mamba基的空模块，有效捕捉短期和长期时间模式及长距离传感器依赖，实验表明其在精度、可扩展性和泛化性上均优于现有方法。
Comments Accepted by ICME 2026
