高校专区
基于随机最优控制的稀有事件分析
机构 * Microsoft Research New England（微软研究院新英格兰分部） ； Cornell University（康奈尔大学） ； University of Cambridge（剑桥大学） ； Courant Institute of Mathematical Sciences, NYU（纽约大学Courant数学科学研究所）
AI总结 提出将稀有事件分析中的committor函数估计转化为随机最优控制问题，通过反馈控制引导轨迹采样，并开发两种损失函数及处理亚稳态的方法，在基准系统上获得更准确的结果。
VANGUARD：用于GPS受限环境下的无人机车辆锚定地面采样距离估计
机构 * Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航空航天信息研究所） ； Tandon School of Engineering, New York University（纽约大学工学院） ； School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences（中国科学院大学电子电气与通信工程学院）
AI总结 VANGUARD通过利用车辆锚点和核密度估计，为无人机在GPS受限环境中提供可靠地面采样距离估计，降低空间推理中的误差和失败率。
基于图的贝叶斯优化在量子电路架构搜索中的应用：不确定性校准代理
机构 * Department of Physics, Indian Institute of Technology (BHU)（印度理工学院（BHU）物理系） ； eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD)（纽约大学阿布扎赫分校（NYUAD）工程系eBRAIN实验室） ； Center for Quantum and Topological Systems (CQTS), NYUAD Research Institute, NYUAD（纽约大学阿布扎赫分校（NYUAD）量子与拓扑系统中心（CQTS））
AI总结 针对量子电路设计瓶颈，提出基于图的贝叶斯优化框架，用GNN代理发现和优化VQCs，经特征选择等处理后评估候选电路，与多种方法基准测试，其能找到低复杂度、高精度电路，实现可扩展且可解释的量子电路自动发现。
Comments 17 pages, 13 figures
可控高效语言模型
机构 * New York University（纽约大学）
AI总结 研究提出可控高效语言模型CAT，通过关注压缩序列块解码，能在训练时控制推理成本与质量的权衡，测试时无需重新训练，使用密集注意力作混合器可匹配多种高效模型，在长上下文理解任务中表现出色且吞吐量高。
Comments Preprint v2; Added more experiments
人们使用快速且扁平的模拟来对新游戏进行推理
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Princeton University（普林斯顿大学） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学） ； New York University（纽约大学） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 研究人们对新游戏的推理，通过超千名参与者和121种新棋盘游戏的研究，发现人们玩新游戏或评估时具系统性和适应性理性，用“直观玩家”模型解释，为新问题应对及类人AI系统设计提供见解。
如何让你的数据实现差分隐私：使用差分隐私生成合成数据的实用指南
机构 * Google Research USA（谷歌DeepMind） ； NYU Work done at Google as part of student researcher engagement New York NY USA ； Google Research New York NY USA ； Institute for Mathematical ； Computational Engineering, Faculty of Mathematics ； School of Engineering, Pontificia Universidad Cat\'olica de Chile Santiago Chile ； Google DeepMind Mountain View CA USA ； Google Research ； School of Engineering, Pontificia Universidad Cat\'olica de Chile ； Google DeepMind
AI总结 研究如何利用差分隐私生成合成数据，探讨相关技术、保护类型及不同模态进展，概述系统组件，旨在推动差分隐私合成数据应用，促进研究并增强信任。
Journal ref JAIR 2026, vol. 86 JAIR, Vol. 86
EPEX日前能源市场曲线的参数化和生成式预测
机构 * New York University Abu Dhabi（纽约大学阿布扎克分校） ； CREST, ENSAE, Institut Polytechnique de Paris（CREST、ENSAE、巴黎理工学院）
AI总结 研究EPEX日前能源市场曲线预测，提出参数化和生成式两种方法，参数方法用极端梯度提升，生成方法用条件去噪扩散概率模型，通过曲线重建和存储优化问题评估，生成式方法在存储应用中有更好表现。
Comments 40 pages, 30 figures
通过纳米光子波前编码实现物理基础的单目深度
机构 * New York University（纽约大学） ； Columbia University（哥伦比亚大学）
AI总结 研究旨在解决单目深度感知中度量尺度模糊问题，核心方法是用超透镜通过纳米光子学编码深度线索，结合DFMs与输入自适应策略及模拟管道，实验证明该方法有效提升单目度量深度传感精度。
Comments ECCV 2026
我的网络上有什么？使用大语言模型大规模识别现实世界中的物联网设备
机构 * New York University（纽约大学） ； Google（谷歌）
AI总结 研究共享环境中物联网设备识别难题，引入语义推理管道，用大语言模型构建高保真标签并指令微调模型，在众多供应商中取得高准确率，对多种问题保持稳健，为大规模可信设备识别提供基础。
Comments 18 pages, 3 figures
Journal ref Proc. ACM Netw. 4, CoNEXT2, Article 26 (2025)
部分训练的三层神经网络的泛函空间平均场理论
机构 * Google Research（谷歌研究） ； Courant Institute, New York University（纽约大学Courant研究所）
AI总结 研究部分训练的三层神经网络无穷宽度极限，通过扩展平均场理论，将神经元表示提升到泛函空间，建立泛函梯度流，证明训练损失线性收敛，定义新型函数空间并证明复杂度界，适用于多种缩放选择，展现特征学习。
Comments 67 pages, 12 figures
Journal ref Journal of Machine Learning Research, 27(52):1-67, 2026
分离性身份：语言模型代理缺乏声誉机制的基础
机构 * University of Oxford（牛津大学） ； New York University Shanghai（纽约大学上海分校）
AI总结 本文指出语言模型代理因本体上的分离性（模块可替换、身份流动）而无法满足声誉机制所需的身份持续性、行为可预测性和制裁敏感性，从而提出转向基于可观察性、事前、构成性、协议的行为约束。
Comments Accepted by FaccT 2026
Industrial3D: 一个用于工业基础设施的地面激光雷达点云数据集和跨范式基准
机构 * Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology（香港科技大学土木与环境工程系） ； Guangzhou Institute of Geography, Guangdong Academy of Sciences（广东省科学院广州地理研究所） ； School of Civil Engineering, Southeast University（东南大学土木工程学院） ； College of Geography and Tourism, Hengyang Normal University（衡阳师范学院地理与旅游学院） ； Department of Architecture and Civil Engineering, City University of Hong Kong（香港城市大学建筑与土木工程系） ； S.M.A.R.T. Construction Research Group, New York University Abu Dhabi（纽约大学阿布扎比分校S.M.A.R.T.建筑研究组） ； Department of the Built Environment, National University of Singapore（新加坡国立大学建筑环境系） ； Spatial Intelligence and Urban Computing, Institute of Urban Environment, Chinese Academy of Sciences（中国科学院城市环境研究所空间智能与城市计算） ； State Key Lab of Ecological Security of Regions and Cities, Institute of Urban Environment, Chinese Academy of Sciences（中国科学院城市环境研究所区域与城市生态安全国家重点实验室）
AI总结 本文提出Industrial3D数据集，包含6.12亿个高精度标注点云，用于解决工业设施中密集点云的语义理解难题，并建立首个跨范式基准，揭示了工业TLS数据中统计稀有性和几何模糊性带来的领域迁移挑战。
Comments 52 pages, 8 figure, 14 tables
Journal ref 2026, under review
知道何时不回答：用于安全检索增强生成的轻量级知识库对齐的域外检测
机构 * New York University（纽约大学） ； National Institute on Drug Abuse（国家成瘾医学研究所） ； University of Pennsylvania（宾夕法尼亚大学） ； Microsoft（微软公司）
AI总结 研究用于检索增强生成（RAG）系统的轻量级、知识库对齐的域外检测，通过PCA处理知识库嵌入，用方差保留或t检验排序选择子空间评分查询，评估规则和分类器，发现低维检测器性能好且更优。
多臂老虎机中可重复性渐近无代价
机构 * New York University（纽约大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； RIKEN AIP（理化学研究所人工智能研究中心） ； The University of Tokyo（东京大学） ； National Institute of Informatics（信息处理研究所）
AI总结 研究可重复随机多臂老虎机算法，通过特定方法，在时间范围足够大时，使算法行动序列不受数据集中随机性影响，且探索代价更小，还给出限制不可重复性概率的方法及双臂问题下界。
Comments Updated based on the TMLR camera-ready version. https://openreview.net/forum?id=E8rmbq8BYP
具有学习相互作用的非局部平均场薛定谔桥
机构 * Department of Mathematics, Imperial College London（伦敦帝国学院数学系） ； Shanghai Frontiers Science Center of Artificial Intelligence and Deep Learning（上海前沿人工智能与深度学习科学中心） ； NYU-ECNU Institute of Mathematical Sciences, NYU Shanghai（纽约大学上海数学科学研究所）
AI总结 本文提出一种使用神经网络代理近似非局部相互作用的平均场薛定谔桥方法，将推理时的每步计算成本从二次降低到线性，并推导了代理误差传播的稳定性界限。
Comments 32 pages, 15 figures
符合性策略控制
机构 * Johns Hopkins University（约翰霍普金斯大学） ； New York University（纽约大学）
AI总结 本文提出一种基于安全参考策略的符合性校准方法，用于在不违反安全约束的前提下，使优化但未测试的策略能够安全地进行探索，并在有限样本下提供理论保证。
Comments International Conference on Machine Learning (ICML), 2026
3D高斯溅射的即插即用感知优化
机构 * Apple（苹果公司） ； Tandon School of Engineering, New York University（纽约大学坦登工程学院）
AI总结 针对3DGS依赖像素级损失导致模糊的问题，提出正则化Wasserstein损失WD-R，通过大规模人类主观实验验证其在纹理恢复和感知指标上的优势，并推广到多种框架和场景压缩任务。
Comments Accepted as a conference paper at ECCV'26. Project page: https://apple.github.io/ml-perceptual-3dgs
重新思考查询增强的在线策略优化
机构 * University of Utah（犹他大学） ； The University of Queensland（昆士兰大学） ； University of Waterloo（滑铁卢大学） ； New York University（纽约大学） ； University of Notre Dame（圣母大学） ； Université de Montréal（蒙特利尔大学） ； Google DeepMind（谷歌DeepMind） ； University of Oklahoma（俄克拉荷马大学）
AI总结 本文系统比较了基于提示和强化学习的查询增强方法，发现计算量感知下简单方法常优于RL方法，并提出混合方法OPQE，通过RL生成伪文档以最大化检索性能。
Comments TMLR camera ready version
教模型自学：在可学习性边缘推理
机构 * MIT（麻省理工学院） ； Meta FAIR ； New York University（纽约大学）
AI总结 提出SOAR非对称自对弈框架，通过元强化学习生成自动课程，解决低初始成功率数据集上的推理模型扩展问题，发现基于学生进步的奖励优于内在可学习性奖励，且问题结构比答案正确性更重要。
Comments ICML 2026. Blog post: https://ssundaram21.github.io/soar/
加速MRI重建的像素级不确定性量化
机构 * Bernard and Irene Schwartz Center for Biomedical Imaging, Department of Radiology, NYU Grossman School of Medicine（贝纳德与伊蕾娜·施瓦茨生物医学成像中心，放射学系，纽约大学格罗斯曼医学院） ； Courant Institute of Mathematical Sciences, NYU（数学科学学院，纽约大学） ； Center for Advanced Imaging Innovation and Research (CAI 2 R), Department of Radiology, NYU Grossman School of Medicine（先进成像创新与研究中心（CAI 2 R），放射学系，纽约大学格罗斯曼医学院）
AI总结 提出一种基于共形分位数回归的像素级不确定性量化框架，用于加速MRI重建，无需全采样参考图像即可自动识别不可靠区域。
Comments 12 pages, 8 figues, 2 tables
通用深度神经网络的频率原理理论
机构 * Department of Mathematics, Purdue University（普渡大学数学系） ； New York University Abu Dhabi and Courant Institute（纽约大学阿布扎比分校及柯朗研究所）
AI总结 本文严格研究了通用深度神经网络在训练过程中从低频到高频学习目标函数的频率原理，并给出了三个阶段的定理。
Comments CSIAM Trans. Appl. Math
Journal ref CSIAM Trans. Appl. Math. 2021
SDE驱动的时空超图神经网络用于阿尔茨海默病不规则纵向fMRI连接组建模
机构 * Lehigh University（莱恩大学） ； New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出SDE-HGNN，利用随机微分方程重建不规则观测的连续潜在轨迹，构建动态超图捕获脑区高阶交互，并通过SDE控制的循环动力学实现疾病阶段自适应连接建模，在AD进展预测中优于现有方法。
Comments Submitted to AMIA Annual Symposium 2026, 10 pages, 4 figures
神经网络表示在叠加中的相似性
机构 * Cold Spring Harbor Laboratory（冷泉港实验室） ； UC San Diego（加州大学圣地亚哥分校） ； Anthropic（Anthropic公司） ； New York University Flatiron Institute（纽约大学Flatiron研究所）
AI总结 研究线性对齐度量在神经网络叠加表示中的失效问题，通过理论推导和稀疏自编码器实验证明对齐度量受投影Gram矩阵影响，并展示基于恢复潜在特征的度量能正确反映特征共享。
Comments 17 pages, 4 figures
无窥调优：可证明的泛化边界与鲁棒的大语言模型后训练
机构 * Meta FAIR ； LISN, Inria, CNRS（LISN，Inria，CNRS） ； NYU Courant Institute（NYU Courant学院）
AI总结 提出BBoxER黑盒进化方法用于LLM后训练，通过隐式压缩数据诱导信息瓶颈，提供非平凡泛化边界和对数据投毒、提取攻击的鲁棒性理论保证，实验证明其有效性和隐私保护。
可配置全息术：面向显示与场景自适应
机构 * University College London（伦敦大学学院） ； Massachusetts Institute of Technology（麻省理工学院） ； New York University（纽约大学）
AI总结 提出可配置全息框架，通过显式条件化使单一模型适应多种显示-场景参数，无需重新训练，实现与现有方法相当的重建质量并提升速度。
Comments 27 pages, 29 figures
当AI遇见金融（StockAgent）：基于大语言模型的模拟真实环境股票交易
机构 * University of Liverpool（利物浦大学） ； Peking University（北京大学） ； Shanghai University of Finance（上海金融学院） ； Rutgers University（罗格斯大学） ； University of Michigan（密歇根大学） ； Northwestern University（西北大学） ； New York University（纽约大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； New Jersey Institute of Technology（新泽西理工学院）
AI总结 提出基于大语言模型的多智能体系统StockAgent，模拟真实股票交易环境，评估外部因素对交易行为的影响，并避免测试集泄露问题。
Comments 33 pages, 10 figures. Published in ACM Transactions on Intelligent Systems and Technology (TIST)
Samudra 2: 跨分辨率扩展海洋仿真器
机构 * Courant Institute School of Mathematics, Computing, and Data Science, New York University（Courant学院数学、计算与数据科学系，纽约大学） ； Open Athena AI Foundation, Inc.（开放Athena人工智能基金会） ； Program in Atmospheric and Oceanic Sciences, Princeton University（大气与海洋科学项目，普林斯顿大学）
AI总结 针对现有海洋神经仿真器在长期自回归滚动中出现的方差崩溃和印记伪影问题，提出Samudra 2，通过改进U-Net骨干网络和动态损失函数，在1°分辨率下将上层海洋全球平均温度R²从0.56提升至0.87，并将深层海洋温度误差降低约七倍，且可扩展至1/2°和1/4°分辨率。
语言模型中的伪 deliberation：当推理无法使价值观与行动一致时
机构 * New York University（纽约大学）
AI总结 本文研究了语言模型中价值观与行动不一致的问题，提出伪 deliberation 概念，并通过 VALDI 框架评估对齐程度，发现不同模型在生成对话中存在一致的偏差。
Comments 9 pages, 5 main figures
迷失于体积：CT-SpatialVQA基准用于评估3D医学视觉-语言模型的语义-空间理解
机构 * Mohamed Bin Zayed University of Artificial Intelligence（莫扎德人工智能大学） ； New York University Abu Dhabi（纽约大学阿布扎克分校）
AI总结 本文提出CT-SpatialVQA基准，评估3D医学视觉-语言模型对3DCT数据的语义-空间理解能力，发现现有模型在语义-空间推理任务中表现不佳，需更深入整合体积证据以确保临床可靠性。
CHUCKLE -- 当人类教AI学习情感的简便方式
机构 * New York Institute of Technology, Department of Computer Science（纽约理工学院计算机科学系） ； New York University, Electrical and Computer Engineering Department（纽约大学电气与计算机工程系）
AI总结 CHUCKLE提出一种基于人类感知的课程学习框架，通过众包数据集中的标注者一致性和共识定义样本难度，提升LSTM和Transformer的性能，同时减少梯度更新次数，提高训练效率和模型鲁棒性。
Journal ref Proc. Interspeech 2026, Sydney, Australia, Aug. 2026
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