New York University（纽约大学）

A Survey of AI Methods for Geometry Preparation and Mesh Generation in Engineering Simulation

工程仿真中几何准备和网格生成的AI方法综述

Steven Owen, Nathan Brown, Nikos Chrisochoides, Rao Garimella, Xianfeng Gu, Franck Ledoux, Na Lei, Roshan Quadros, Navamita Ray, Nicolas Winovich, Yongjie Jessica Zhang

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） 纠错

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

Warm Up Before You Train: Unlocking General Reasoning in Resource-Constrained Settings

在训练前热身：在资源受限环境下解锁通用推理

Safal Shrestha, Minwu Kim, Aadim Nepal, Anubhav Shrestha, Keith Ross

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） 纠错

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: Tree-Structured Language Modeling for Divergent Thinking

TSLM：用于发散思维的树状语言建模

Doyoung Kim, Jaehyeok Doo, Minjoon Seo

机构 * NYU（纽约大学） ； KAIST（韩国科学技术院） 纠错

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。

Establishing dermatopathology encyclopedia DermpathNet with Artificial Intelligence-Based Workflow

建立基于人工智能的工作流的皮肤病病理学百科全书DermpathNet

Ziyang Xu, Mingquan Lin, Yiliang Zhou, Zihan Xu, Seth J. Orlow, Shane A. Meehan, Alexandra Flamm, Ata S. Moshiri, Yifan Peng

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） 纠错

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

Clustering in Deep Stochastic Transformers

深度随机变换器中的聚类

Lev Fedorov, Michaël E. Sander, Romuald Elie, Pierre Marion, Mathieu Laurière

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） 纠错

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

Low-Rank Plus Sparse Matrix Transfer Learning under Growing Representations and Ambient Dimensions

低秩加稀疏矩阵迁移学习：在增长的表示和环境维度下

Jinhang Chai, Xuyuan Liu, Elynn Chen, Yujun Yan

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） 纠错

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。

Knowledge Vector Weakening: Efficient Training-free Unlearning for Large Vision-Language Models

知识向量削弱：高效无训练卸载方法用于大视觉-语言模型

Yejin Kim, Dongjun Hwang, Sungmin Cha, Junsuk Choe

机构 * Sogang University（ソガン大学） ； New York University（纽约大学） 纠错

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。

Probing Neural Topology of Large Language Models

探测大型语言模型的神经拓扑

Yu Zheng, Yuan Yuan, Yue Zhuo, Yong Li, Gabriel Kreiman, Tomaso Poggio, Paolo Santi

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） 纠错

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。

Are We Truly Forgetting? A Critical Re-examination of Machine Unlearning Evaluation Protocols

我们真的在遗忘吗？对机器遗忘评估协议的批判性重新审视

Yongwoo Kim, Sungmin Cha, Donghyun Kim

机构 * Department of Artificial Intelligence, Korea University, South Korea（韩国大学人工智能系） ； Computer Science Dept. at Courant Institute of Mathemtical Sciences, New York University, United States（纽约大学Courant数学科学研究所计算机科学系） 纠错

AI总结 本文批判性地重新审视了机器遗忘评估协议，提出了一种大规模场景下的表示基于评估方法，揭示现有方法在表示质量上的不足，并引入新的评估场景以更全面地评估遗忘算法。

Comments Accepted to Engineering Applications of Artificial Intelligence

Journal ref Volume 167, Part 2, 1 March 2026, 113785

Monte Carlo Tree Diffusion for System 2 Planning

蒙特卡洛树扩散用于系统2规划

Jaesik Yoon, Hyeonseo Cho, Doojin Baek, Yoshua Bengio, Sungjin Ahn

机构 * New York University（纽约大学） 纠错

AI总结 蒙特卡洛树扩散结合扩散模型和MCTS的优势，通过树结构的去噪过程提升规划性能，实验证明其在长时间任务中优于现有方法。

Comments 23 pages, 7 figures, ICML 2025 Spotlight

Quantum statistics from classical simulations via generative Gibbs sampling

通过生成性Gibbs采样从经典模拟中获得量子统计

Weizhou Wang, Xuanxi Zhang, Jonathan Weare, Aaron R. Dinner

机构 * Department of Chemistry, University of Chicago（芝加哥大学化学系） ； James Franck Institute, University of Chicago（芝加哥大学詹姆斯·弗兰克研究所） ； Courant Institute of Mathematical Sciences, New York University（纽约大学Courant数学科学研究所） 纠错

AI总结 通过生成性Gibbs采样从经典模拟中恢复量子统计，GG-PI在减少计算成本的同时保持了量子效应的准确性。

Comments 12 pages, 9 figures

Atomic Depth Estimation From Noisy Electron Microscopy Data Via Deep Learning

通过深度学习从噪声电子显微镜数据中估计原子深度

Matan Leibovich, Mai Tan, Ramon Manzorro, Adria Marcos-Morales, Sreyas Mohan, Peter A. Crozier, Carlos Fernandez-Granda

机构 * Courant Institute of Mathematical Sciences, New York University（纽约大学数学科学学院） ； School for Engineering of Matter, Transport, and Energy, Arizona State University（亚利桑那州立大学工程科学学院） ； Center for Data Science, New York University（纽约大学数据科学中心） 纠错

AI总结 本文提出通过深度学习从噪声电子显微镜数据中准确估计原子深度，提升三维原子级信息提取的精度和鲁棒性。

RxnBench: A Multimodal Benchmark for Evaluating Large Language Models on Chemical Reaction Understanding from Scientific Literature

RxnBench: 一个用于评估大语言模型在科学文献中理解化学反应的多模态基准

Hanzheng Li, Xi Fang, Yixuan Li, Chaozheng Huang, Junjie Wang, Xi Wang, Hongzhe Bai, Bojun Hao, Shenyu Lin, Huiqi Liang, Linfeng Zhang, Guolin Ke

机构 * DP Technology（DP技术公司） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； New York University（纽约大学） ； Fudan University（复旦大学） ； Xiamen University（厦门大学） ； ShanghaiTech University（上海科技大学） 纠错

AI总结 RxnBench通过两个任务评估大语言模型在化学反应理解上的能力，揭示模型在深度化学逻辑和结构识别上的不足，强调需改进视觉编码和推理能力以推动AI化学发展。

Compositional Reasoning with Transformers, RNNs, and Chain of Thought

基于变换器、RNN和思维链的组合推理

Gilad Yehudai, Noah Amsel, Joan Bruna

机构 * Courant Institute of Mathematical Sciences（Courant数学科学研究所） ； New York University（纽约大学） ； Center for Data Science（数据科学中心） ； Center for Computational Mathematics（计算数学中心） ； Flatiron Institute（Flatiron研究所） 纠错

AI总结 本文研究了变换器、RNN和思维链架构在解决组合推理问题上的表现，证明了不同架构在处理此类问题时各有优劣，无一严格优于其他。

Comments NeurIPS CR version

CHEHAB RL: Learning to Optimize Fully Homomorphic Encryption Computations

CHEHAB RL: 学习优化完全同态加密计算

Bilel Sefsaf, Abderraouf Dandani, Abdessamed Seddiki, Arab Mohammed, Eduardo Chielle, Michail Maniatakos, Riyadh Baghdadi

机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） 纠错

AI总结 CHEHAB RL通过深度强化学习自动优化FHE代码，提升执行速度和减少噪声，编译过程更高效。

LightSBB-M: Bridging Schrödinger and Bass for Generative Diffusion Modeling

LightSBB-M：连接施图德林桥梁与巴斯以生成扩散建模

Alexandre Alouadi, Pierre Henry-Labordère, Grégoire Loeper, Othmane Mazhar, Huyên Pham, Nizar Touzi

机构 * New York University（纽约大学） 纠错

AI总结 LightSBB-M通过结合施图德林桥梁与巴斯方法，实现了高效的生成扩散建模，提升了合成和现实任务中的生成质量。

Do Images Speak Louder than Words? Investigating the Effect of Textual Misinformation in VLMs

图像胜过言语吗？探讨文本误导在VLMs中的影响

Chi Zhang, Wenxuan Ding, Jiale Liu, Mingrui Wu, Qingyun Wu, Ray Mooney

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Pennsylvania State University（宾夕法尼亚州立大学） ； New York University（纽约大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； AG2ai, Inc.（AG2ai公司） 纠错

AI总结 研究探讨了文本误导对视觉-语言模型（VLMs）的影响，发现模型易受误导性文本提示影响，导致性能显著下降。

Comments 24 pages, 10 figures. Accepted at EACL 2026 (main conference)

QA-ReID: Quality-Aware Query-Adaptive Convolution Leveraging Fused Global and Structural Cues for Clothes-Changing ReID

QA-ReID: 基于融合全局和结构线索的高质量查询自适应卷积用于衣物变换ReID

Yuxiang Wang, Kunming Jiang, Tianxiang Zhang, Ke Tian, Gaozhe Jiang

机构 * School of Business, Stevens Institute of Technology（斯蒂文斯理工学院商学院） ； Electrical and Computer Engineering, University of California, San Diego（加州大学圣地亚哥分校电子与计算机工程系） ； Tandon School of Engineering, New York University（纽约大学塔恩工学院） ； Institute of Operations Research and Analytics, National University of Singapore（新加坡国立大学运筹与分析研究所） 纠错

AI总结 QA-ReID通过融合全局和结构线索的高质量查询自适应卷积，提升衣物变换ReID的鲁棒性和性能

Prompt-Counterfactual Explanations for Generative AI System Behavior

提示-反事实解释用于生成式AI系统行为

Sofie Goethals, Foster Provost, João Sedoc

机构 * University of Antwerp（安特卫普大学） ； NYU Stern School of Business（纽约大学斯特恩商学院） 纠错

AI总结 本文提出了一种生成式AI系统的提示-反事实解释方法，用于分析和解释提示对输出特征的影响，以提升模型的可解释性和可控性。

Unsupervised Elicitation of Language Models

无监督的语言模型引导

Jiaxin Wen, Zachary Ankner, Arushi Somani, Peter Hase, Samuel Marks, Jacob Goldman-Wetzler, Linda Petrini, Henry Sleight, Collin Burns, He He, Shi Feng, Ethan Perez, Jan Leike

机构 * Anthropic ； Schmidt Sciences ； New York University（纽约大学） ； George Washington University（乔治华盛顿大学） 纠错

AI总结 本研究提出无监督算法ICM，通过模型自动生成标签来微调语言模型，无需外部监督，在多个任务中表现出色，尤其在超人类能力任务中表现更优。

A Switching Nonlinear Model Predictive Control Strategy for Safe Collision Handling by an Underwater Vehicle-Manipulator System

一种用于水下车辆-机械臂系统安全碰撞处理的切换非线性模型预测控制策略

Ioannis G. Polyzos, Konstantinos J. Kyriakopoulos

机构 * D. Guggenheim School of Aerospace Engineering, Georgia Institute of Technology（德·古根海姆航空航天工程学院，佐治亚理工学院） ； faculty of Electrical Engineering, Engineering Division, New York University Abu Dhabi（电气工程系，工程分校，纽约大学阿布扎克分校） 纠错

AI总结 本文提出了一种切换非线性模型预测控制策略，用于水下车辆-机械臂系统安全处理碰撞，通过机械臂推离障碍物以避免损坏。

Comments This work has been submitted to the 2026 Mediterranean Conference on Control and Automation (MED) to be considered for publication. Figures and animations are available at https://zenodo.org/records/18357280

Quasi Monte Carlo methods enable extremely low-dimensional deep generative models

准蒙特卡洛方法使深度生成模型实现极低维

Miles Martinez, Alex H. Williams

机构 * Department of Electrical and Computer Engineering, Duke University（杜克大学电气与计算机工程系） ； Center for Cognitive Neuroscience, Duke University（杜克大学认知神经科学中心） ； 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） 纠错

AI总结 准蒙特卡洛方法用于构建极低维深度生成模型，通过直接近似边际似然实现高可解释性嵌入，优于传统变分自编码器。

Understanding Users' Privacy Reasoning and Behaviors During Chatbot Use to Support Meaningful Agency in Privacy

理解用户在使用聊天机器人时的隐私认知与行为以支持隐私保护中的有意义自主性

Mohammad Hadi Nezhad, Francisco Enrique Vicente Castro, Ivon Arroyo

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； New York University（纽约大学） 纠错

AI总结 研究探讨用户在使用聊天机器人时的隐私认知与行为，旨在通过隐私通知面板提升用户对隐私保护的自主性。

Comments Preprint of a paper under review

Exploration vs Exploitation: Rethinking RLVR through Clipping, Entropy, and Spurious Reward

探索与利用：通过截断、熵和虚假奖励重新思考RLVR

Peter Chen, Xiaopeng Li, Ziniu Li, Wotao Yin, Xi Chen, Tianyi Lin

机构 * Columbia（哥伦比亚大学） ； CUHK SZ（香港大学） ； DAMO, Alibaba US（阿里云实验室） ； NYU Stern（纽约大学 Stern 学院） 纠错

AI总结 本文通过截断、熵和虚假奖励机制，重新审视RLVR框架，揭示了探索与利用权衡对大语言模型推理能力提升的影响。

Comments Accepted by ICLR 2026

MorphXAI: An Explainable Framework for Morphological Analysis of Parasites in Blood Smear Images

MorphXAI: 一种用于血涂片图像中寄生虫形态分析的可解释框架

Aqsa Yousaf, Sint Sint Win, Megan Coffee, Habeeb Olufowobi

机构 * Department of Computer Science and Engineering, University of Texas at Arlington（德克萨斯大学阿灵顿分校计算机科学与工程系） ； Department of Medicine, Division of Infectious Diseases, NYU Grossman School of Medicine（纽约大学格罗斯曼医学院医学系感染病科） 纠错

AI总结 MorphXAI通过整合形态学监督，实现了血涂片中寄生虫的检测与细粒度形态分析，提供结构化生物意义的解释。

Comments Accepted at WACV 2026

Journal ref Winter Conference on Applications of Computer Vision 2026

Dynamic Role Assignment for Multi-Agent Debate

多智能体辩论中的动态角色分配

Miao Zhang, Junsik Kim, Siyuan Xiang, Jian Gao, Cheng Cao

机构 * New York University（纽约大学） ； Amazon AGI（亚马逊人工智慧） 纠错

AI总结 本文提出动态角色分配框架，通过元辩论选择适合的智能体，提升多代理辩论系统的性能。

Explanation Multiplicity in SHAP: Characterization and Assessment

SHAP中的解释多样性：特征属性方法中的解释多样性和评估

Hyunseung Hwang, Seungeun Lee, Lucas Rosenblatt, Steven Euijong Whang, Julia Stoyanovich

机构 * New York University（纽约大学） 纠错

AI总结 SHAP解释多样性现象揭示了在高置信度预测中，即使模型固定，解释结果仍存在显著差异，需通过改进的度量和基线评估其社会影响。

A Markovian Framing of WaveFunctionCollapse for Procedurally Generating Aesthetically Complex Environments

马尔可夫框架下的波函数坍缩用于程序化生成具有美学复杂性的环境

Franklin Yiu, Mohan Lu, Nina Li, Kevin Joseph, Tianxu Zhang, Julian Togelius, Timothy Merino, Sam Earle

机构 * New York University, United States（纽约大学，美国） 纠错

AI总结 本文提出将波函数坍缩转化为马尔可夫决策过程，以更有效地处理程序化生成中目标与约束的优化问题。

Journal ref CEUR Workshop Proceedings 4090 (2025)

Probing forced responses and causality in data-driven climate emulators: conceptual limitations and the role of reduced-order models

探测数据驱动气候模拟器中的强迫响应和因果性：概念限制与降阶模型的作用

Fabrizio Falasca

机构 * Courant Institute of Mathematical Sciences New York University, New York, NY, USA（数学科学学院纽约大学，纽约，NY，USA） 纠错

AI总结 本文探讨了数据驱动气候模拟器在捕捉强迫响应和因果性方面的挑战，提出降阶模型作为替代方案，并展示了其在多尺度系统建模中的应用与价值。

Tunable Passivity Control for Centralized Multiport Networked Systems

可调被动控制用于集中多端网络化系统

Xingyuan Zhou, Peter Paik, S. Farokh Atashzar

机构 * Dept. of Electrical and Computer Engineering, New York University (NYU)（电气与计算机工程系，纽约大学） 纠错

AI总结 本文提出了一种可调集中最优被动控制方法，用于提升集中多端网络化系统的稳定性与性能，通过优化能量耗散分布实现L2稳定性，增强系统可扩展性与通用性。