高校专区
IRIS：基于学习的任务特定电影机器人臂用于视觉-运动控制
机构 * Aerospace Eng. Department New York University（航空航天工程系 新 York 大学） ； MIE Department University of Toronto（机械工程系 蒂姆斯大学） ； ECE Department University of Toronto（电子与计算机工程系 蒂姆斯大学）
AI总结 IRIS是一种低成本、高精度的电影机器人臂，通过基于Transformer的动作分块学习实现自主视觉-运动控制，支持多种电影运动任务。
RPDR：基于回程预测的数据增强框架用于长尾问答
机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； NYU Shanghai（纽约大学上海分校） ； Center for Data Science, New York University（纽约大学数据科学中心）
AI总结 RPDR通过数据增强框架提升长尾问答性能，利用回程预测选择易学实例并动态路由查询以优化检索效果。
MGD：基于矩引导的扩散用于最大熵生成
机构 * Département d’informatique, ENS, Université PSL（信息学院，巴黎高等师范学院，巴黎国立高等科学研究院） ； Capital Fund Management（资本基金管理公司） ； Collège de France（法兰西学院） ； Flatiron Institute（Flatiron研究所） ； Courant Institute of Mathematical Sciences, New York University（纽约大学应用数学科学学院） ； ML Lab, Capital Fund Management（资本基金管理公司的机器学习实验室）
AI总结 MGD结合最大熵方法与扩散模型，通过随机微分方程引导矩值，实现高效高维样本生成并提供理论保证。
基于监督潜在变量建模的模态预测影响分析
机构 * New York University（纽约大学） ； Grossman School of Medicine（格罗斯曼医学院） ； Genentech（基因泰克） ； CIFAR（加拿大弗雷德里克·班克特研究所）
AI总结 PRIMO是一种监督潜在变量插补模型，用于量化多模态学习中缺失模态的预测影响，通过方差度量评估模态对预测的影响。
多目标对齐语言模型以实现个性化心理治疗
机构 * Department of Computer Science, University of California, Los Angeles, CA, USA（计算机科学系，加州大学洛杉矶分校） ； Department of Psychology, The University of Texas at Austin, Austin, TX, USA（心理学系，德克萨斯大学奥斯汀分校） ； Department of Psychiatry, NYU Grossman School of Medicine, New York, NY, USA（精神病学系，纽约大学格罗斯曼医学院）
AI总结 本文提出多目标对齐框架，通过直接偏好优化提升语言模型在心理治疗中的共情与安全性能，实验显示其在平衡患者偏好与临床安全方面优于传统方法。
DIAL：直接迭代对抗学习用于真实多轮对话模拟
机构 * Slingshot AI ； Department of Engineering, University of Cambridge（工程系，剑桥大学） ； Department of Psychiatry, NYU School of Medicine（精神病学系，纽约大学医学院）
AI总结 DIAL通过对抗训练提升多轮对话模拟的真实性，有效恢复词汇多样性并降低鉴别器准确性，适用于心理健康支持等复杂领域。
野外的孢子：Spore.fun作为主权AI代理在TEE安全区块链上的开放环境进化实验案例研究
机构 * Reality Design Lab（现实设计实验室） ； New York University Shanghai（纽约大学上海）
AI总结 Spore.fun通过在TEE安全区块链上部署主权AI代理，探索开放环境实现持续开放性进化的可能性。
Comments Accepted by ALIFE 2025
算法单一性下的战略性招聘
机构 * Stern School of Business, New York University（纽约大学斯特恩商学院） ； Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； Graduate Group in Applied Mathematics and Computational Science, University of Pennsylvania（宾夕法尼亚大学应用数学与计算科学研究生小组）
AI总结 本文研究了在算法单一性劳动力市场中，企业通过共同算法评估竞争导致的拥堵问题，提出均衡策略能显著提升社会福利，需平台揭示拥堵信息以实现最优结果。
遗忘遗忘：在充足记忆世界中的持续学习
机构 * New York University（纽约大学） ； Seoul National University（首尔国立大学）
AI总结 本文提出了一种轻量级方法，通过权重空间巩固在充足内存环境下提升持续学习性能，挑战传统假设并提供低计算成本的替代方案。
Comments 26 pages, 11 figures
R²能量：一种大规模基准，用于在多样和极端条件下鲁棒的可再生能源预测
机构 * Center for Urban Science and Computation, Tsinghua University（城市科学与计算中心，清华大学） ； Courant Institute of Mathematical Sciences, New York University（数学科学学院，纽约大学）
AI总结 R²Energy提出了一种大规模基准，用于在多样和极端条件下评估鲁棒的可再生能源预测模型，揭示了鲁棒性与复杂性之间的权衡。
在没有人类示范的情况下学习新城市的驾驶
机构 * WhiRL, University of Oxford（WhiRL，牛津大学） ； FLAIR, University of Oxford（FLAIR，牛津大学） ； Delft University of Technology（代尔夫特理工大学） ； NYU Tandon School of Engineering（纽约大学工程学院）
AI总结 NOMAD通过自play多智能体强化学习，在无需人类示范的情况下，利用地图和元信息实现自动驾驶策略在不同城市间的适应与优化。
Comments Autonomous Driving, Reinforcement Learning, Self-play, Simulation, Transfer Learning, Data-efficient Adaptation. Project Page: https://nomaddrive.github.io/
测试时适应用于触觉-视觉-语言模型
机构 * Shenzhen Technology University（深圳技术大学） ； New York University（纽约大学） ； Shenzhen University（深圳大学） ； Tsinghua University（清华大学）
AI总结 本文提出了一种可靠性感知框架，用于提升触觉-视觉-语言模型在测试时的适应能力，通过估计各模态可靠性来过滤不可靠样本并优化融合过程，有效提升了在模态损坏情况下的准确率。
StableQAT: 在超低位宽下实现稳定的量化感知训练
机构 * Microsoft（微软公司） ； Lehigh University（莱文斯顿大学） ； New York University（纽约大学） ； Renmin University of China（中国人民大学）
AI总结 StableQAT通过新型替代方案提升超低位宽下QAT的稳定性与性能
分布式在线凸优化与非分离成本和约束
机构 * Department of Systems Engineering, City University of Hong Kong（系统工程系，香港城市大学） ； Department of Electrical and Computer Engineering, New York University（电气计算机工程系，纽约大学） ； Department of Civil and Urban Engineering, New York University（土木与城市工程系，纽约大学） ； Department of Civil Engineering Technology and Environmental Management Safety, Rochester Institute of Technology（土木工程科技与环境管理安全系，罗切斯特理工学院）
AI总结 本文提出了一种分布式在线对偶信念共识算法，解决了非分离全局成本和约束下的分布式在线凸优化问题，实现了 sublinear 悔恨和累积约束违规界。
量化扩散模型的先验不确定性
机构 * Berkeley Lab & ICSI（伯克利实验室与ICS实验室） ； UC Berkeley & ICSI（加州大学伯克利分校与ICS实验室） ； Berkeley Lab（伯克利实验室） ； New York University（纽约大学）
AI总结 本文提出FLARE方法，通过基于信息量的随机近似技术，有效分离扩散模型的先验不确定性，提升生成数据的可信度评估。
Comments Will appear in the Proceedings of the 29th International Conference on Artificial Intelligence and Statistics (AISTATS) 2026
stable-worldmodel-v1: 可复现的世界建模研究与评估
机构 * Mila & Université de Montréal（Mila与蒙特利尔大学） ； New York University（纽约大学） ； Brown University（布朗大学） ； Samsung SAIL（三星SAIL）
AI总结 stable-worldmodel-v1 提供了一个模块化、可复现的世界模型研究生态系统，支持标准化环境和持续学习研究，并用于评估DINO-WM的零样本鲁棒性。
学习何时计划：高效分配测试时计算用于LLM代理
机构 * University of Warsaw（华沙大学） ； University of Oxford（牛津大学） ； New York University（纽约大学） ； Princeton University（普林斯顿大学） ； University College London（伦敦大学学院）
AI总结 本文提出一种动态规划框架，通过两阶段训练提升LLM在长周期任务中的样本效率和复杂目标达成能力，同时展示人类计划对代理系统性能的增强作用。
通过难度目标在线数据选择和回放提升大语言模型强化微调的数据效率
机构 * UIUC（伊利诺伊大学香槟分校） ； New York University（纽约大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； Microsoft（微软）
AI总结 本文提出通过难度目标在线数据选择和回放机制提升大语言模型强化微调的数据效率，实验表明可减少62%的微调时间并保持同等性能。
Comments Accepted at NeurIPS 2025
径向VCReg：通过径向高斯化获得更具信息量的表示学习
机构 * New York University（纽约大学） ； Duke University（杜克大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Brown University（布朗大学） ； University of Toronto（多伦多大学）
AI总结 Radial-VCReg通过引入径向高斯化损失，提升表示学习的信息量和多样性，改进自监督学习性能。
Comments Published in the Unifying Representations in Neural Models (UniReps) and Symmetry and Geometry in Neural Representations (NeurReps) Workshops at NeurIPS 2025
RPG-AE：基于罕见模式挖掘的图自编码器用于基于溯源的异常检测
机构 * New York University, NYUAD, Computer Science Department, Division of Science（纽约大学、NYUAD、计算机科学系、科学学院）
AI总结 RPG-AE通过结合图自编码器与罕见模式挖掘，提升基于溯源的异常检测效果和可解释性。
当注意力崩溃：LLMs中的退化层如何使小型模型更强大
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； New York University（纽约大学） ； UC Berkeley（伯克利加州大学）
AI总结 Inheritune通过继承预训练模型的早期层来构建更小但更强的语言模型，实现模型压缩与性能的平衡。
Comments Published in Transactions on Machine Learning Research (TMLR)
上下文在线双边交易
机构 * New York University（纽约大学） ； Sapienza University（萨皮恩扎大学） ； Google Research（谷歌研究） ； EPFL（苏黎世联邦理工学院）
AI总结 本文研究了具有上下文性估值的双边交易问题，设计了在两位反馈下实现O(d log d)遗憾的算法，并在一位反馈下允许小负利润的算法，同时探讨了预算平衡与时间范围无关的交易收益算法。
面向库存控制的AI代理：人类-大语言模型-运筹学互补性
机构 * Stern School of Business, New York University（纽约大学斯特恩商学院） ； Columbia University（哥伦比亚大学） ； Graduate School of Business and Data Science Institute, Columbia University（哥伦比亚大学商学院与数据科学研究院）
AI总结 本文研究了人类、大语言模型和运筹学算法在库存控制中的互补性，通过实验发现人机协作能提升利润，且大量个体从中受益。
Bench-MFG：用于在平稳均场博弈中学习的基准测试套件
机构 * University of Cambridge（剑桥大学） ； NYU Shanghai（纽约大学上海分校） ； NYU Center for Data Science（纽约大学数据科学中心） ； Earth Species Project（地球物种计划） ； NYU-ECNU Institute of Mathematical Sciences at NYU Shanghai（纽约大学上海分校数学科学研究所）
AI总结 Bench-MFG提出了一套用于评估MFG学习方法的基准测试套件，通过分类问题类型和生成随机实例，提供标准化的实验框架和评估指南。
超越损失曲线：扩展定律、主动学习以及从精确后验学习的极限
机构 * Mila-Quebec AI Institute, Canada（魁北克AI研究院） ； School of Computer Science and Engineering, Vellore Institute of Technology, India（印度维洛雷理工学院计算机科学与工程学院） ； Plasma Physics Lab, Princeton University, USA（普林斯顿大学等离子物理实验室） ； High School Student, John P. Stevens High School, USA（约翰·P·斯蒂文斯高中学生） ； Center of Data Science, New York University, New York, USA（纽约大学数据科学中心）
AI总结 本文研究神经网络在精确后验下的学习极限，揭示扩展定律、主动学习和分布偏移等核心问题，提出基于归一化流的框架以提升模型性能和鲁棒性。
YOR：您自己的通用机器人移动机械臂
机构 * New York University（纽约大学） ； University of California, Berkeley（加州大学伯克利分校） ； City University of New York（纽约城市大学）
AI总结 YOR是一款低成本、模块化的移动机械臂，通过集成 omnidirectional 基底、可伸缩垂直提升装置和双臂夹具，实现全身移动和操作，为移动操作研究提供经济高效的解决方案。
高维噪声下的通用稳健自适应带宽多视图流形学习
机构 * Department of Statistics, University of California, Davis（加州大学戴维斯分校统计系） ； Amazon（亚马逊） ； Courant Institute of Mathematical Sciences, New York University, New York, 10012, NY, USA（纽约大学Courant数学科学研究所）
AI总结 本文提出GRAB-MDM框架，通过视图依赖的自适应带宽策略，在高维噪声环境下实现稳健的多视图流形学习。
Comments 4 figures
Canvas-of-Thought：通过可变的结构化状态进行推理
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Peking University（北京大学） ； New York University（纽约大学） ； Westlake University（西湖大学）
AI总结 Canvas-CoT通过引入HTML Canvas实现可变结构化状态，提升多模态推理效率与精度。
走出盒子进行年龄估计：一种视觉-语言模型与传统架构全面基准的比较
机构 * Reality Inc ； Duke University（杜克大学） ； New York University（纽约大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文通过对比视觉-语言模型与传统架构，发现零样本VLM在面部年龄估计中表现优于专门模型，且在年龄验证中显著降低误判率。
IQNN-CS：用于信用评分的可解释量子神经网络
机构 * Lahore University of Management Sciences, Pakistan（拉合尔管理科学大学，巴基斯坦） ； 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研究机构）
AI总结 IQNN-CS是一种用于信用评分的可解释量子神经网络，通过引入ICAA度量标准提升模型的可解释性和透明度，适用于金融决策中的高风险任务。
Comments Accepted for oral presentation at QUEST-IS'25. To appear in Springer proceedings
Journal ref International Conference on Quantum Engineering Sciences and Technologies for Industry and Services 2025
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