高校专区
具有随机插值的多任务学习
机构 * Capital Fund Management（资本基金管理公司） ； Society of Fellows, Harvard University（哈佛大学 fellows 会） ； Machine Learning Lab（机器学习实验室） ； Courant Institute of Mathematical Sciences, New York University（纽约大学应用数学科学研究所）
AI总结 本文提出了一种基于算子的随机插值框架，用于构建能够完成多种任务的多功能生成模型，展示了其在多任务学习中的有效性。
防御性生成
机构 * MIT（麻省理工学院） ； NYU（纽约大学）
AI总结 防御性生成方法首次高效生成不可区分的非伯努利结果生成模型，能够抵抗无限类别的测试，且具有近线性时间复杂度和最优生成误差率。
反 diagonal 霍尔顿采样
机构 * University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学）
AI总结 反 diagonal 霍尔顿采样通过引入学习的反 diagonal 项，提高多模问题的采样效率，适用于复杂分布的高效采样。
SPACeR：基于集中参考模型的自我对战锚定
机构 * Applied Intuition ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； Stanford University（斯坦福大学）
AI总结 SPACeR通过集中参考模型指导自我对战，实现高效、可扩展的自动驾驶策略生成。
Comments Accepted at ICLR 2026. Project page: https://spacer-ai.github.io/
Transformer何时能数到n？
机构 * NYU Center for Data Science（纽约大学数据科学中心） ； School of Computer Science, Tel Aviv University（特拉维夫大学计算机科学学院） ； Google Research（谷歌研究） ； Bar-Ilan University（巴伊兰大学） ； Google DeepMind（谷歌DeepMind）
AI总结 研究揭示了Transformer在计数任务中受词汇量限制的理论瓶颈，证明词汇量决定计数难度。
局部动态感知领域自适应用于离线强化学习
机构 * New York University（纽约大学） ； Duke University（杜克大学）
AI总结 LoDADA通过局部动态不匹配改进离线强化学习，有效利用源数据并提升领域适应性能。
Comments 33 pages, 9 figures, 11 tables
一个非常大的视频推理套件
机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。
Comments Homepage: https://video-reason.com/
BabyLM四周年暨多语言研究：2026年BabyLM研讨会征文通知
机构 * IBM Research（IBM研究院） ； MIT（麻省理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； Cornell University（康奈尔大学） ； University of Groningen（格罗宁根大学） ； NYU（纽约大学） ； Boston University（波士顿大学） ； University of Cambridge（剑桥大学） ； Georgia Tech（佐治亚理工学院） ； UC San Diego（南加州大学） ； Georgetown University（乔治城大学）
AI总结 BabyLM研讨会征文通知，聚焦多语言预训练与认知建模，包含训练效率、小规模数据集、模型评估等主题
Comments 8 pages, 1 table. arXiv admin note: substantial text overlap with arXiv:2502.10645
Transformer训练中大规模激活的隐藏动态
机构 * Aimpoint Digital Labs（Aimpoint数字实验室） ； New York University（纽约大学）
AI总结 研究揭示了transformer训练中大规模激活的数学规律，通过模型架构预测其出现并控制其发展，对模型稳定性与优化有重要影响。
AIForge-Doc: 一个用于检测金融和表单文档中AI伪造篡改的基准测试
机构 * Duke University（杜克大学） ； New York University（纽约大学） ； University of North Carolina（北卡罗来纳大学） ； University of Southern California（南加州大学）
AI总结 AIForge-Doc通过生成AI伪造的金融和表单文档数据，揭示了现有检测器对AI伪造篡改的识别能力不足，强调了文档取证领域的新挑战。
Comments 17 pages, 10 figures
真实性光谱假说
机构 * Department of Psychology, Zuckerman Mind Brain Behavior Institute, Columbia University, New York, NY（心理学系、Zuckerman mind brain behavior研究所、哥伦比亚大学、纽约NY） ； Department of Neuroscience, Columbia University, New York, NY（神经科学系、哥伦比亚大学、纽约NY） ； New York University, New York, NY（纽约大学、纽约NY） ； Stanford University, Stanford, CA（斯坦福大学、斯坦福CA）
AI总结 研究提出真实性光谱假说，通过评估不同真实性类型和领域特定方向，揭示了LLM表征空间中领域通用与特定方向共存的特性。
Comments 28 pages, 26 figures
MARVEL：基于大语言模型的多智能体RTL漏洞提取
机构 * NYU Tandon School of Engineering（纽约大学Tandon工程学院）
AI总结 MARVEL通过多智能体框架利用大语言模型，高效识别RTL代码中的安全漏洞，发现有效漏洞和警告，提升硬件安全验证效率。
Comments Submitted for Peer Review
在对抗性数据和用户欺骗下建模流行病动态
机构 * Virginia Tech（弗吉尼亚理工学院） ； Worcester Polytechnic Institute（沃斯特理工学院） ； New York University（纽约大学）
AI总结 本文提出博弈论框架，用于建模在对抗性数据和用户欺骗下的流行病动态，通过分析均衡结果展示欺骗对流行病控制的影响，并提出有效控制策略。
离散扩散模型利用不对称性解决前瞻规划任务
机构 * Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； New York University（纽约大学）
AI总结 离散扩散模型通过反向生成机制在无需复杂遍历机制的情况下解决前瞻规划任务，相比自回归模型更高效。
部分软匹配距离用于神经表征比较的局部单元对应
机构 * Department of Cognitive Science University of California, San Diego（认知科学系加州大学圣地亚哥分校） ； Center for Neural Science, New York University（纽约大学神经科学中心） ； Center for Computational Neuroscience, Flatiron Institute（Flatiron研究所计算神经科学中心） ； Department of Cognitive Science Department of Computer Science and Engineering University of California, San Diego（认知科学系计算机科学与工程系加州大学圣地亚哥分校）
AI总结 本文提出部分软匹配距离，通过允许部分神经元未匹配，提高了神经表征比较的鲁棒性和效率。
理解经验性反学习与组合可解释性
机构 * Middlebury College（中大西洋学院） ； New York University（纽约大学） ； MIT（麻省理工学院） ； Red Hat（红帽公司）
AI总结 本文通过组合可解释性框架研究经验性反学习中知识的持续存在机制，揭示反学习方法在移除目标概念知识方面的有效性及知识恢复的可能性。
面向角色的语言模型：用于组织中的安全且上下文化的访问控制
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； Nazarbayev University（纳扎尔拜耶夫大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； New York University Abu Dhabi（纽约大学阿布扎克分校）
AI总结 本文提出面向角色的语言模型，通过三种策略实现基于组织角色的安全访问控制，并通过实验验证其在不同组织结构下的性能和鲁棒性。
Comments AACL 2025 - Main
要训练一个好的模型，需要一个好的模型：通用高斯先验用于优化的大型语言模型
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Electrical and Computer Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电子与计算机工程系） ； Computer Science, New York University Shanghai（纽约大学上海分校计算机科学系）
AI总结 本文提出基于广义高斯分布的初始化和训练方法，通过减少冗余和通信开销，提升大型语言模型的训练效率和性能。
基于集成学习和SHAP的可解释信用违约预测
机构 * New York University（纽约大学） ； Independent Researcher（独立研究者） ； University of Michigan（密歇根大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出基于集成学习和SHAP的信用违约预测方法，通过评估多种模型性能，发现集成学习在处理复杂非线性关系和数据不平衡方面表现优异，SHAP分析揭示外部信用评分变量对模型决策的主导作用，提升模型可解释性与实用性。
通过解耦的直通估计器改进离散优化
机构 * College of Design and Engineering, National University of Singapore, Singapore（设计与工程学院，新加坡国立大学） ； Google Deepmind, California, USA（DeepMind，美国加州） ； New York University, USA（纽约大学）
AI总结 本文提出了解耦直通估计器，通过分别控制前向传递和反向传递的温度参数，提高了离散优化的性能。
DP-RFT: 通过差分隐私强化微调学习生成合成文本
机构 * New York University（纽约大学） ； Microsoft（微软） ； University of Southern California（南加州大学）
AI总结 DP-RFT通过差分隐私强化微调方法，在不直接接触隐私数据的情况下生成高质量合成文本。
RVR：用于综合问答的检索-验证-检索
机构 * Courant Institute School of Mathematics, Computing, and Data Science, New York University（纽约大学Courant研究所数学、计算与数据科学学院） ； Courant Institute School of Mathematics, Computing（纽约大学Courant研究所数学、计算与数据科学学院） ； Data Science, New York University（纽约大学数据科学学院）
AI总结 RVR提出了一种多轮检索框架，通过验证器和检索器优化，提升多答案检索的召回率和覆盖范围。
Comments 18 pages, 12 figures, 12 tables
生成现实：基于交互式视频生成的人本世界模拟
机构 * Stanford University（斯坦福大学） ； NYU Shanghai（纽约大学上海分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出了一种基于交互式视频生成的人本世界模拟系统，通过结合头部和手部姿态控制，提升虚拟环境的交互性和用户控制感。
Comments Project page here: https://codeysun.github.io/generated-reality
VeriSoftBench: 仓库级形式验证基准测试用于Lean
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 VeriSoftBench通过500个Lean 4证明义务评估LLM和证明器在仓库级形式验证中的表现，揭示了依赖闭包对证明成功率的影响。
探究写作专业人员与生成式AI的关系：如何结合竞争与合作的看法塑造工作实践和成果
机构 * Tandon School of Engineering New York University（纽约大学工程学院） ； Stern School of Business New York University（纽约大学商学院）
AI总结 本研究探讨专业写作人员与生成式AI的关系，发现竞争与合作取向影响工作实践和成果，提出平衡竞争与合作以促进长期职业成功。
Comments CHI'2026
EgoPush：面向移动机器人的端到端第一人称多物体重排学习
机构 * New York University（纽约大学）
AI总结 EgoPush通过端到端学习实现移动机器人第一人称多物体重排，利用感知驱动的潜在空间和阶段分解奖励提升重排效率与现实迁移能力。
Comments 18 pages, 13 figures. Project page: https://ai4ce.github.io/EgoPush/
通过随机梯度下降交互学习单索引模型
机构 * Microsoft Research NYC（微软研究院纽约分部） ； Courant Institute of Mathematical Sciences and Center for Data Science（数学科学学院与数据科学中心） ； New York University（纽约大学）
AI总结 本文通过随机梯度下降方法，研究了单索引模型的交互学习问题，揭示了SGD在预热阶段后的学习动态，并实现了样本复杂性和后悔保证的最优性能。
Comments 26 pages, 2 figures
用于心电图分类的深度神经网络架构：全面评估
机构 * Independent Researcher（独立研究者） ； Department of Materials Engineering, Xi'an Polytechnic University（材料工程系，西安理工大学） ； Tandon School of Engineering, New York University（工程学院，纽约大学） ； College of Computing, Georgia Institute of Technology（计算学院，佐治亚理工学院）
AI总结 本文评估了多种深度神经网络架构用于心电图分类，发现CNN-LSTM在灵敏度和特异度之间取得最佳平衡，而动态集成策略进一步提升了整体性能。
迈向持续模型融合的总体方法
机构 * New York University（纽约大学） ； University of Rochester（罗切斯特大学）
AI总结 本文提出了一种持续模型融合的总体方法，通过预融合、融合过程和后融合三个阶段解决持续学习中的挑战，实现可扩展和高效的灾难性遗忘缓解。
Comments Accepted to Workshop on Continual Learning in Computer Vision, ICCV 2025
在算法单一性中培育多元主义：社区对齐数据集
机构 * FAIR at Meta（Meta 的 FAIR 部门） ； Governance at Meta（Meta 的治理部门） ； AI at Meta（Meta 的人工智能部门） ； Social Issues Research at Meta（Meta 的社会问题研究部门） ； AI Policy Team at Meta（Meta 的人工智能政策团队） ； Center for Data Science, New York University（纽约大学数据科学中心）
AI总结 本文通过构建社区对齐数据集，探讨如何通过负相关采样提升LLM对不同偏好的适应能力，推动算法多元主义发展。
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