高校专区
PluriHarms：对AI危害全谱人类判断的基准测试
机构 * UC Berkeley（伯克利大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Allen Institute for AI（人工智能研究院） ； New York University（纽约大学）
AI总结 PluriHarms通过系统研究人类对AI危害的判断，旨在推动更安全的AI发展。
互联网中的代理AI：激励兼容的分布式团队和工作流
机构 * Department of Electrical and Computer Engineering, Tandon School of Engineering, New York University, Brooklyn, NY, USA（电气与计算机工程系，工程学院，纽约大学，布鲁克林，纽约，美国）
AI总结 本文提出互联网中的代理AI框架，通过激励兼容的分布式联盟形成实现可扩展的代理工作流，展示其在医疗领域的应用价值。
利用特征空间中的相似性搜索细化异常检测的决策边界
机构 * New York University, NYUAD, Division of Science, Computer Science Department（纽约大学） ； University of Quebec in Montreal, Computer Science Department, Montreal（魁北克大学蒙特利尔分校） ； University of Edinburgh, School of Informatics, Edinburgh（爱丁堡大学）
AI总结 SDA2E 通过特征空间中的相似性搜索优化异常检测，结合三种新策略提升决策边界，减少标注数据用量达 80%，在多个数据集上表现优异。
时空决策变压器用于交通协调
机构 * New York University（纽约大学） ； UC Berkeley（伯克利大学）
AI总结 MADT通过引入图注意力机制、时间变压器编码器和返回到去的条件，实现了多智能体交通信号控制的序列建模，有效提升了交通协调性能。
私有微调的LLM在表格数据中保留时间动态
机构 * NYU（纽约大学） ； Columbia University（哥伦比亚大学） ； Google Research（谷歌研究）
AI总结 本文提出PATH框架，利用私有微调的LLM保留表格数据的时间动态，有效捕捉长距离依赖并提升合成数据质量。
噪声降低损失：重新思考音乐大语言模型中的基于似然的评估
机构 * Georgia Institute of Technology（佐治亚理工学院） ； ByteDance Inc.（字节跳动公司） ； Courant Institute of Mathematical Sciences, New York University（纽约大学应用数学科学研究所） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（Mohamed bin Zayed人工智能大学）
AI总结 本文提出通过损失曲线形状而非绝对值来评估音乐生成质量，揭示模型对局部破坏的敏感性，为更有效的训练目标和基准提供新思路。
Comments Accepted by IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP) 2026
评估高分辨率钢琴踏板深度估计的音乐感知指标
机构 * Schulich School of Music, McGill University, Montréal, QC, Canada（麦吉尔大学音乐学院） ； Courant Institute of Mathematical Sciences, New York University, New York, USA（纽约大学Courant数学科学研究所） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), Abu Dhabi, UAE（穆罕默德·本·扎耶德人工智能大学）
AI总结 本文提出一种结合音乐感知指标的评估框架，用于更准确地评估钢琴踏板深度估计模型，通过动作和手势层面分析提升模型性能。
从方向到区域：通过局部几何分解语言模型中的激活
机构 * Blavatnik School of Computer Science（Blavatnik计算机科学学院） ； AI, Tel Aviv University, Israel（人工智能，特拉维夫大学，以色列） ； New York University, New York, NY, USA（纽约大学，纽约，纽约州，美国）
AI总结 本研究提出MFA方法，通过局部几何分解语言模型中的激活，捕捉复杂非线性结构，优于无监督基线并优于稀疏自编码器的转向性能。
World-Gymnast: 在世界模型中用强化学习训练机器人
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 World-Gymnast通过在世界模型中进行强化学习微调，有效提升真实机器人性能，比监督学习和软件模拟更具优势。
Comments https://world-gymnast.github.io/
在完全老虎机反馈下学习马尔可夫决策过程
机构 * Department of Industrial and Operations Engineering, University of Michigan（工业与运作工程系，密歇根大学） ； Computer Science Department, New York University（计算机科学系，纽约大学）
AI总结 本文提出了在完全老虎机反馈下学习回合制MDP的高效算法，实现了O(√T)的后悔界，并展示了其在k-项预言不等式中的性能与有详细反馈的算法相当。
MedAraBench：大规模阿拉伯语医学问答数据集和基准测试
机构 * Engineering Division, New York University Abu Dhabi（纽约大学阿布扎克分校工程系） ； Cleveland Clinic Abu Dhabi（阿布扎克克利夫兰诊所） ； Science Division, New York University Abu Dhabi（纽约大学阿布扎克分校科学系）
AI总结 MedAraBench是一个大规模阿拉伯语医学问答数据集，旨在通过提供多样化的医学领域数据来提升大型语言模型的多语言能力。
大语言模型的战略前瞻性：来自一个前瞻性创业竞赛的证据
机构 * Ross School of Business University of Michigan（密歇根大学罗斯商学院） ； NYU Stern School of Business New York University（纽约大学 Stern 商学院） ； Kelley School of Business Indiana University（印第安纳大学凯利商学院）
AI总结 大语言模型在战略前瞻性任务中超越人类，通过前瞻性创业竞赛验证其预测能力。
Comments 60 pages, 11 figures, 4 tables
Draw2Learn: 一种用于基于绘画的科学学习的人机协作工具
机构 * New York University（纽约大学）
AI总结 Draw2Learn是一种通过AI作为支持性队友促进基于绘画的科学学习的协作工具，通过生成结构化任务、提供视觉支架和多维反馈来提升学习效果。
VL-JEPA：面向视觉-语言的联合嵌入预测架构
机构 * Meta FAIR ； HKUST（香港科技大学） ； Sorbonne Université（索邦大学） ； NYU（纽约大学）
AI总结 VL-JEPA通过联合嵌入预测架构，在减少参数的情况下实现更强的视觉-语言性能，支持多种任务且无需架构修改。
传输主导问题的非线性模型降阶
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Courant Institute of Mathematical Sciences（Courant数学科学研究所） ； New York University（纽约大学）
AI总结 本文提出了一种针对传输主导问题的非线性模型降阶方法，通过非线性参数化、降阶动力学和在线求解器三要素，提高在波状现象和移动相干结构中的计算效率。
Lotus: 通过随机低秩梯度投影与自适应子空间切换实现高效的LLM训练
机构 * Hong Kong Baptist University, School of Science, Hong Kong, China（香港 Baptist 大学，科学学院，香港，中国） ； Fudan University, School of Data Science, Shanghai, China（复旦大学，数据科学学院，上海，中国） ； New York University, Tandon School of Engineering, New York, USA（纽约大学，Tandon 工程学院，纽约，美国）
AI总结 Lotus通过随机低秩梯度投影与自适应子空间切换，实现LLM训练的高效优化，减少30%训练时间和40%内存消耗。
亚线性时间的注意力近似量子算法
机构 * Simons Institute for the Theory of Computing, UC Berkeley（Simons理论计算研究所，伯克利大学） ； New York University（纽约大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文提出了一种量子算法，以亚线性时间近似注意力矩阵的行，利用量子Nyström近似、均值估计和杠杆得分采样技术。
Comments ICLR 2026
世界模型作为智能体与现实世界之间的中介
机构 * New York University（纽约大学）
AI总结 本文提出利用世界模型作为中介，以解决高成本领域中智能体性能提升的瓶颈问题，通过动态、奖励和任务分布模型克服样本效率低和非策略学习的挑战。
并行随机梯度规划用于世界模型
机构 * University of California, Berkeley（加州大学伯克利分校） ； Meta FAIR ； New York University（纽约大学）
AI总结 GRASP是一种基于世界模型的并行随机梯度规划方法，通过引入随机性和软约束，有效解决长时间跨度的控制任务，优于现有规划算法。
Comments 23 pages, 7 figures
通过拓扑感知交替LoRA稳定去中心化联邦微调
机构 * Department of Electrical and Computer Engineering, New York University, Brooklyn, NY, USA（电气与计算机工程系，纽约大学，布鲁克林，纽约，美国）
AI总结 TAD-LoRA通过拓扑感知的交替LoRA方法，在去中心化联邦学习中稳定参数高效微调，提升不同通信拓扑下的性能。
Comments 17 Pages
基于语义的高级持续性威胁检测：使用自动编码器对LLM编码的系统日志进行分析
机构 * Faculty of Artificial Intelligence and Engineering, Multimedia University Cyberjaya, Malaysia（人工智能与工程学院，多媒体大学（Cyberjaya校区）） ； Centre for Image and Vision Computing, Centre of Excellence for Artificial Intelligence, Faculty of Artificial Intelligence and Engineering, Multimedia University, Cyberjaya, Selangor, Malaysia（图像与视觉计算中心，人工智能卓越中心，人工智能与工程学院，多媒体大学（Cyberjaya校区，Selangor州）） ； Computer Science, New York University Abu Dhabi, UAE（计算机科学，纽约大学阿布扎克校区）
AI总结 本文提出利用LLM生成的语义嵌入和自动编码器，提升对高级持续性威胁的检测能力，实验显示其在复杂威胁场景中表现更优。
SurfelSoup：基于概率Surfel树的端到端点云几何压缩框架
机构 * Department of Electrical and Computer Engineering, New York University Tandon School of Engineering, Brooklyn, NY, USA（电气工程系，纽约大学塔能工程学院，布鲁克林，纽约，美国）
AI总结 SurfelSoup通过概率Surfel树结构实现点云几何压缩，提升压缩效率与表面重建质量。
工程仿真中几何准备和网格生成的AI方法综述
机构 * Sandia National Laboratories（桑迪亚国家实验室） ； Old Dominion University（旧 Dominion 大学） ； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室） ； New York University / Stony Brook University（纽约大学 / 斯通布鲁克大学） ； CEA（法国原子能委员会） ； Dalian University of Technology（大连理工大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文综述了AI在工程仿真中用于几何准备和网格生成的方法，涵盖分类分割、质量预测、去特征化及自动化生成技术，强调AI与传统算法的互补作用。
Comments 47 pages, 0 figure, accepted by the International Meshing Roundtable conference 2026
在训练前热身：在资源受限环境下解锁通用推理
机构 * Department of Computer Science, New York University Abu Dhabi（纽约大学阿布扎克分校计算机科学系）
AI总结 本文提出一种分两阶段的训练策略，在资源受限环境下通过热身提升大语言模型的推理能力。
Comments Accepted to EMNLP 2025
Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025)
TSLM：用于发散思维的树状语言建模
机构 * NYU（纽约大学） ； KAIST（韩国科学技术院）
AI总结 TSLM通过树状结构语言建模实现发散思维，利用完整搜索树训练提升推理效率和鲁棒性。
建立基于人工智能的工作流的皮肤病病理学百科全书DermpathNet
机构 * Perelman Department of Dermatology, NYU Grossman School of Medicine（NYU Grossman医学院皮质病理科系） ； Weill Cornell Medicine（韦尔医学院） ； Mount Sinai Health（辛格医院） ； Department of Population Health Sciences（人群健康科学系）
AI总结 本文提出了一种基于人工智能的混合工作流，用于建立一个全面的开放获取皮肤病病理学图像数据集DermpathNet，通过深度学习和关键词检索相结合的方法，实现了高质量的图像分类和标注。
Comments Accepted by Scientific Data
深度随机变换器中的聚类
机构 * New York University（纽约大学） ； Google DeepMind（谷歌DeepMind） ； INRIA（法国国家信息与自动化研究所）
AI总结 深度随机变换器中，初始化噪声导致标记在球面上形成相互作用粒子系统，而非单点聚类，且存在由相互作用强度和维度决定的相变现象。
Comments 24 pages
低秩加稀疏矩阵迁移学习：在增长的表示和环境维度下
机构 * Department of Operations Research & Financial Engineering, Princeton University（普林斯顿大学运筹学与金融工程系） ； Department of Technology, Operations, & Statistics, New York University（纽约大学技术、运营与统计系） ； Department of Computer Science, Dartmouth College（达特茅斯学院计算机科学系）
AI总结 本文提出了一种在环境维度和表示同时增长下的迁移学习框架，通过低秩和稀疏分解实现高效的目标参数估计，并在理论和实验上验证了其有效性。
知识向量削弱：高效无训练卸载方法用于大视觉-语言模型
机构 * Sogang University（ソガン大学） ； New York University（纽约大学）
AI总结 KVW提出了一种无需训练的高效卸载方法，通过削弱模型中被激活的知识向量，有效防止模型利用有害知识，提升计算效率。
探测大型语言模型的神经拓扑
机构 * Massachusetts Institute of Technology（麻省理工学院） ； New York University（纽约大学） ； Tsinghua University（清华大学） ； Harvard Medical School（哈佛医学院）
AI总结 本研究提出图探测方法，通过分析LLM神经拓扑揭示其语言生成性能，发现拓扑信息比激活信息更丰富，可提升模型效率和可靠性。
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