高校专区
批量$Q^*$学习中的数据驱动知识转移
机构 * Stern School of Business, New York University（纽约大学斯特恩商学院） ； College of Business, City University of Hong Kong（香港城市大学商学院）
AI总结 本文提出一种批量静态环境下利用源数据提升目标任务$Q^*$函数学习效果的算法框架，通过分析任务差异与样本量的关系，改进了知识转移的性能。
跨境数据安全与隐私风险在大语言模型和物联网系统中
机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； NYU Tandon School of Engineering（纽约大学坦顿工程学院）
AI总结 本文提出一种主权意识的隐私由设计架构，通过动态整合本地加密、自适应差分隐私和实时合规性证明，有效降低跨境数据暴露风险并确保合规性。
Comments Final project for CS-GY 6813 at NYU Tandon School of Engineering
元学习增强的自适应机器人控制策略用于自动化PCB组装
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Engineer School（工程师学院） ； New York University（纽约大学） ； Department of Electronic Engineering（电子工程系） ； Tsinghua University（清华大学）
AI总结 本文提出一种基于元学习的自适应机器人控制策略，用于提高自动化PCB组装中对异形组件的定位精度和效率。
Comments Pattern: CN 118960772 A
Journal ref Journal of Manufacturing Systems 78 (2025) 46-57
提升生成AI流中矩阵指数的性能：一种超越Paterson-Stockmeyer的泰勒方法
机构 * Music and Audio Research Lab, New York University, New York, USA（纽约大学音乐与音频研究实验室） ； Audio Research Lab, New York University, New York, USA（纽约大学音频研究实验室）
AI总结 本文提出了一种基于泰勒的优化算法，用于提升生成AI流中矩阵指数的计算效率和精度，通过动态选择阶数和缩放因子实现高效且稳定的计算。
Comments 42 pages, 35 figures
基于分层图神经网络的多智能体学习用于动态排队车道和应急车辆走廊形成
机构 * New York University（纽约大学）
AI总结 本文提出基于分层图神经网络的多智能体学习框架，用于动态排队车道和应急车辆走廊形成，通过MAPPO训练在模拟中显著提升应急车辆通行效率并降低碰撞率。
Comments 16 Pages, 5 Figures, 9 Tables, submitted to IEEE TITS
利用大语言模型检测协作学习中的社会共享调节
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Vanderbilt University（范德堡大学） ； University of Detroit Mercy（底特律默克大学） ； New York University（纽约大学）
AI总结 本文利用大语言模型检测协作学习中的社会共享调节行为，通过嵌入方法提升学习分析的预测能力。
Comments Short research paper accepted at Learning Analytics and Knowledge (LAK '26)
用于可解释性商业决策的大型语言模型：一种强化学习微调方法
机构 * Robert H. Smith School of Business, University of Maryland（大学管理学院） ； Leonard N. Stern School of Business, New York University（纽约大学商学院）
AI总结 本文提出LEXMA方法，通过强化学习微调生成多受众适用的自然语言解释，提升商业决策的可解释性与实用性。
基于儿童自体输入的建模 grounded 词学习的鲁棒性研究
机构 * Center for Data Science, New York University（纽约大学数据科学中心） ； Department of Psychology, New York University（纽约大学心理学系）
AI总结 本文通过分析儿童自体输入数据，验证了多模态神经网络在 grounded 词学习中的鲁棒性，并揭示了不同儿童经验对学习模式的影响。
QUIET-SR：用于单图像超分辨率的量子图像增强变换器
机构 * College of Computing \& Data Science, Nanyang Technological University (NTU), Singapore, 639798, Singapore ； SVKM's Dwarkadas J. Sanghvi College of Engineering, Mumbai, India ； eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD), Abu Dhabi, UAE ； Center for Quantum ； Topological Systems (CQTS), NYUAD Research Institute, NYUAD, Abu Dhabi, UAE ； IBM Quantum, IBM T.J. Watson Research Center, Yorktown Heights, 10598, USA ； MIT-IBM Watson AI Lab, Cambridge MA, 02142, USA ； The Maersk Mc-Kinney Moller Institute, University of Southern Denmark, Sønderborg, Denmark ； Department of Software Science, Tallinn University of Technology, Tallinn, Estonia
AI总结 QUIET-SR通过结合量子注意力机制和Swin变换器，实现高效图像超分辨率，兼顾性能与量子计算的可行性。
Comments 13 Pages, 7 Figures (5 Main figures, 2 Sub-figures), 2 Tables, Under Review
评估小型解码器-only语言模型在语法纠正和文本简化中的表现
机构 * New York University（纽约大学）
AI总结 本文评估了小型解码器-only语言模型在语法纠正和文本简化任务中的性能，发现其在效率上有优势，但性能仍低于现有大型语言模型，需进一步改进以缩小差距。
Comments 9 pages, 12 figures
量子与经典机器学习：金融预测的基准研究
机构 * Department of Physics, Lahore University of Management Sciences (LUMS)（物理系，拉合尔管理科学大学） ； eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD)（eBRAIN实验室，工程学院，纽约大学阿布扎克分校） ； 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 本文通过对比量子与经典机器学习模型在金融预测中的表现，发现量子方法在特定数据结构和电路设计下能提升性能，尤其在股票分类和波动率预测中表现突出。
PhysVideoGenerator: 通过潜在物理引导实现物理感知的视频生成
机构 * Center for Data Science New York University（数据科学中心 新 York 大学） ； Department of Computer Science New York University（计算机科学系 新 York 大学）
AI总结 PhysVideoGenerator通过在视频生成过程中引入可学习的物理先验，实现物理感知的视频生成，展示了联合训练范式的可行性。
Comments 9 pages, 2 figures, project page: https://github.com/CVFall2025-Project/PhysVideoGenerator
ReEfBench: 量化大语言模型的推理效率
机构 * Westlake University（西湖大学） ； Imperial College London（帝国理工学院） ； New York University（纽约大学） ； Hainan University（海南大学）
AI总结 ReEfBench通过神经符号框架量化LLM推理效率，揭示推理性能提升源于真实推理而非冗长性，并指出训练中混合长短CoT数据的风险及蒸馏模型的局限性。
VULCAN：工具增强的多智能体用于迭代3D物体排列
机构 * Stanford University（斯坦福大学） ； Google（谷歌） ； New York University（纽约大学）
AI总结 VULCAN通过引入MCP API、视觉工具和多智能体框架，提升了3D物体排列任务中MLLMs的视觉接地能力与迭代处理效率。
RAL2M：检索增强的学习-匹配以对抗幻觉在合规保障服务系统中
机构 * Hong Kong Polytechnic University（香港理工大学） ； New York University Shanghai（纽约大学上海分校） ； Hong Kong University of Science and Technology（香港科技大学） ； Beijing University of Posts and Telecommunications（北京邮电大学）
AI总结 RAL2M通过检索增强的学习-匹配框架，利用众智消除生成幻觉，提升合规保障服务系统的响应可靠性。
缺失非随机时间序列数据中的信息黑区建模
机构 * New York University（纽约大学）
AI总结 本文提出了一种基于潜在状态空间框架的建模方法，用于处理缺失非随机时间序列数据中的信息黑区问题，通过联合建模交通动态和传感器停机，提高了交通预测的准确性。
Comments 8 pages, 7 figures, 3 tables
TTrace: 轻量级的分布式训练错误检查与诊断
机构 * New York University（纽约大学） ； Amazon Web Services（亚马逊网络服务）
AI总结 TTrace通过系统性的差分测试方法，有效检测和定位分布式训练中的无声bug，提升调试效率。
组合蒙特卡洛树扩散用于可扩展规划
机构 * KAIST（韩国科学技术院） ； SAP（SAP公司） ； NYU（纽约大学）
AI总结 C-MCTD通过引入三个互补组件，将规划从单轨迹优化提升到完整计划组合推理，实现更高效和可扩展的规划方法。
Comments 24 pages, 4 figures, NeurIPS 25 Spotlight
证据斜率与奇异线性模型中的有效维度
机构 * New York University, Center for Data Science（纽约大学数据科学中心）
AI总结 本文研究了奇异线性模型中有效维度与证据斜率的关系，提出基于RLCT的修正方法以提高贝叶斯模型选择的准确性。
Comments Preprint. 10 pages, 6 figures. Under review
仅通过模拟进行零样本预测
机构 * Amazon（亚马逊公司） ； UC Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； University of Washington（华盛顿大学）
AI总结 SarSim0通过SARIMA模型生成模拟数据，实现高效的零样本时间序列预测，超越现有统计模型和基线方法。
通过回顾轨迹重写实现LM代理的样本高效在线学习
机构 * New York University（纽约大学） ； Microsoft（微软）
AI总结 ECHO通过回顾轨迹重写提升LM代理的样本效率，有效利用过去经验以更快适应新环境。
对比自监督学习作为神经流形打包
机构 * Center for Soft Matter Research, Department of Physics, New York University（纽约大学软物质研究中心） ； Center for Neural Science, New York University（纽约大学神经科学中心） ； Department of Psychology, New York University（纽约大学心理学系） ； Simons Center for Computational Physical Chemistry, New York University（纽约大学西蒙计算物理化学中心） ； Courant Institute of Mathematical Sciences, New York University（纽约大学柯朗数学科学研究所）
AI总结 CLAMP通过将表示学习转化为流形打包问题，利用物理中的势能概念，实现了对神经流形的有效分离和可解释的嵌入空间动力学。
通过在商用神经形态处理器上进行芯片级学习，实现脉冲神经网络的高效处理以用于边缘AI系统
机构 * eBrain Lab, New York University (NYU) Abu Dhabi（eBrain实验室，纽约大学（NYU）阿布扎赫德）
AI总结 本文提出了一种在商用神经形态处理器上实现高效SNN处理的方法，通过芯片级学习降低能耗与延迟，适用于边缘AI系统。
Comments Accepted at the International Joint Conference on Neural Networks (IJCNN) 2025 in Rome, Italy
QSViT：一种用于量化脉冲视觉变换器的方法
机构 * eBrain Lab, New York University (NYU) Abu Dhabi（eBrain实验室，纽约大学（NYU）阿布扎赫德）
AI总结 QSViT通过系统性量化策略压缩SViT模型，实现22.75%内存和21.33%能耗节省，同时保持高准确性。
Comments Accepted at the International Joint Conference on Neural Networks (IJCNN) 2025 in Rome, Italy
RaffeSDG：随机频率过滤赋能的单源领域泛化用于医学图像分割
机构 * Faculty of Biomedical Engineering, Shenzhen University of Advanced Technology（深圳先进技术大学生物医学工程学院） ； The Department of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程系） ； The Department of Biostatistics, School of Global Public Health, New York University（纽约大学全球公共卫生学院生物统计学系） ； Department of Ophthalmology, Peking University People's Hospital（北京大学人民医院眼科部门） ； Beijing Key Laboratory of Ocular Disease and Optometry Science, Peking University People’s Hospital（北京大学人民医院眼病与视光学科学重点实验室）
AI总结 RaffeSDG通过随机频率过滤和结构显著性学习，实现单源域医学图像分割的领域泛化与跨域推理。
基于JEPA世界模型的价值引导动作规划
机构 * École Polytechnique（巴黎高等理工学院） ； ENS Paris（巴黎高等师范学院） ； New York University（纽约大学）
AI总结 本文提出了一种基于JEPA世界模型的价值引导动作规划方法，通过塑造表示空间提升规划性能。
Comments Presented as a poster at the World Modeling Workshop 2026, Mila
通过多阶段神经网络求解非线性亚声速可压缩流场
机构 * Washington University in St. Louis（华盛顿大学圣路易斯分校） ； University of Notre Dame（诺特大学） ； Central South University（中南大学） ； Stanford University（斯坦福大学） ； New York University（纽约大学）
AI总结 本研究提出一种基于多阶段神经网络的框架，用于在无限领域内高精度求解非线性亚声速可压缩流场问题，通过引入坐标变换和物理渐近约束，提升计算流体力学的求解精度与鲁棒性。
Comments 24 pages, 9 figures
Mortar：自动游戏设计中的机制演化
机构 * University of the Witwatersrand（沃尔特·冯·斯特拉特大学） ； New York University（纽约大学）
AI总结 Mortar通过结合质量-多样性算法和大语言模型，自主演化游戏机制，以生成多样且可玩的游戏，并提升玩家技能排序的得分。
MorphoCopter：一种新型可变形四旋翼的设计、建模与控制
机构 * Lab of Biomechatronics and Intelligent Robotics, Department of Biomedical Engineering, Tandon School of Engineering, New York University（生物机械与智能机器人实验室，生物医学工程系，塔能工程学院，纽约大学）
AI总结 MorphoCopter通过可变形硬件配置提升四旋翼在狭窄环境中的适应性与控制性能。
UKAN-EP: 通过高效的注意力和金字塔聚合增强U-KAN以实现3D多模态MRI脑肿瘤分割
机构 * Department of Biostatistics, School of Global Public Health, New York University（生物统计学系，全球公共卫生学院，纽约大学）
AI总结 UKAN-EP通过引入高效的通道注意力和金字塔特征聚合模块，提升3D多模态MRI脑肿瘤分割的准确性和效率。
Journal ref BMC Medical Imaging, Volume 25, article number 517, (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