高校专区
OSVI-WM：通过世界模型引导轨迹生成实现单次视觉模仿
机构 * New York University Tandon School of Engineering（纽约大学Tandon工程学院） ； New York University Courant Institute of Mathematical Sciences（纽约大学Courant数学科学研究所） ； Meta-FAIR
AI总结 OSVI-WM通过世界模型引导轨迹生成，实现对未见任务的单次视觉模仿学习，提升机器人执行复杂任务的能力。
深度学习用于多最优停止问题
机构 * Shanghai Center for Data Science（上海数据科学研究中心） ； NYU-ECNU Institute of Mathematical Sciences at NYU Shanghai（纽约大学上海数学科学研究所） ； NYU Shanghai（纽约大学上海校区） ； Laboratoire de Probabilités, Statistiques et Modélisation, Université Paris-Cité（概率、统计与建模实验室，巴黎城市大学）
AI总结 本文提出一种基于深度学习的多最优停止问题求解方法，结合动态规划原理和神经网络近似，有效处理高维复杂问题。
面向网络韧性的代理AI：一种新的安全范式及其系统理论基础
机构 * Department of Systems Engineering, City University of Hong Kong（香港城市大学系统工程系） ； Department of Electrical and Computer Engineering, New York University（纽约大学电气与计算机工程系）
AI总结 本文提出基于代理AI的网络韧性新范式，通过系统理论框架设计自主工作流，利用博弈论实现网络防御与攻击的动态平衡，提升系统在攻击下的持续适应能力。
动态环境中可扩展3D场景重建的自适应关键帧选择
机构 * Department of Electrical and Computer Engineering, New York University, Brooklyn, NY 11201, USA（电气与计算机工程系，纽约大学，布鲁克林，NY 11201, USA） ； Department of Electrical Engineering and Computer Sciences, University of California, Berkeley, CA 94720, USA（电气工程与计算机科学系，加州大学伯克利分校，CA 94720, USA）
AI总结 本文提出自适应关键帧选择方法，通过动态调整阈值提升动态环境中3D场景重建质量，实验验证其在Spann3r和CUT3R网络中的有效性。
Comments Accepted at ROBOVIS 2026
基于提示引导的潜在扩散模型的图像和视频质量评估用于跨数据集泛化
机构 * Samsung Research Institute（三星研究机构） ； Qualcomm（高通） ； New York University（纽约大学） ； Indian Institute of Science（印度科学研究院）
AI总结 本文提出基于提示引导的潜在扩散模型，通过学习跨注意力图和时间质量调节器，实现图像和视频质量评估的跨数据集泛化。
Comments Accepted to Transactions on Machine Learning Research
BootOOD: 通过神经崩溃下合成样本暴露实现自监督的分布外检测
机构 * NYU Shanghai Center for Data Science（纽约市立大学上海中心数据科学研究所） ； Intercom ； Leonard N. Stern School of Business, New York University（纽约大学莱曼·N·斯特恩商学院）
AI总结 BootOOD通过自监督学习和神经崩溃特性，实现高效分布外检测，在保持ID准确性的同时超越现有方法。
Comments 10 pages
代理自调度：LLM引导循环优化的实验研究
机构 * New York University Abu Dhabi（纽约大学阿布扎比分校）
AI总结 本文提出ComPilot框架，利用LLM与编译器闭环交互实现代码优化，实验表明其在循环优化中效果优于现有方法。
Comments Accepted at the 34th International Conference on Parallel Architectures and Compilation Techniques (PACT 2025). 12 pages, plus appendix
Journal ref 2025 34th International Conference on Parallel Architectures and Compilation Techniques (PACT)
LOOPerSet: 一个大规模数据集用于数据驱动的多面体编译器优化
机构 * New York University Abu Dhabi（纽约大学阿布扎赫分校）
AI总结 LOOPerSet是一个大规模数据集，用于数据驱动的多面体编译器优化，通过提供2800万个标记数据点，促进学习成本模型和自动调度的研究。
自动化机器学习流水线：基于大语言模型的自动化数据集生成用于训练机器学习互作用势
机构 * NYU, Department of Chemistry（纽约大学化学系） ； Initiative for Computational Catalysis, Flatiron Institute（计算催化计划，Flatiron研究所） ； NYU, Department of Physics（纽约大学物理系） ； Courant Institute of Mathematical Sciences, NYU（数学科学学院，纽约大学） ； NYU-ECNU Center for Computational Chemistry（纽约大学-复旦大学计算化学中心） ； Simons Center for Computational Physical Chemistry, NYU（Simons计算物理化学中心，纽约大学）
AI总结 本文提出基于大语言模型的自动化机器学习流水线，用于生成训练数据集以提升机器学习互作用势的精度和稳定性。
基于文本驱动的弱监督OCT病变分割与结构引导
机构 * CUNY Graduate Center（CUNY研究生中心） ； New York University Department of Ophthalmology（纽约大学眼科系） ； NYU Langone Health（NYU兰格one健康） ； Massachusetts General Hospital and Harvard Medical School（麻省总医院和哈佛医学院） ； Stony Brook University（石溪大学）
AI总结 本文提出一种基于文本驱动和结构引导的弱监督OCT病变分割方法，通过融合视觉和文本信息提升分割性能。
Comments 21 pages, 10 figures, 11 tables
Journal ref IEEE Journal of Biomedical and Health Informatics, Early Access, 2025
LOOPer：一种基于学习的自动代码优化器用于多面体编译器
机构 * New York University Abu Dhabi（纽约大学阿布扎赫分校） ； Meta AI
AI总结 LOOPer是首个基于深度学习的多面体自动调度器，能高效优化广泛程序并实现复杂转换序列，其在基准测试中表现优异。
Journal ref 2025 34th International Conference on Parallel Architectures and Compilation Techniques (PACT)
语义代码本作为神经语音压缩的有效先验
机构 * Department of Computer Science and Data Science, NYU Shanghai（纽约大学上海校区计算机科学与数据科学系） ； Department of Computer Science（计算机科学系）
AI总结 SemDAC通过语义代码本提升神经语音压缩效率，实现更高效且适合识别的音频表示。
通过神经架构搜索发现稀疏恢复算法
机构 * Computer Engineering New York University New York, USA（计算机工程 新 York 大学 新 York 美国） ； Computer Engineering University of California, Riverside Riverside, USA（计算机工程 加州大学河滨分校 河滨 美国） ； Tandon School of Engineering New York University New York, USA（Tandon 工程学院 新 York 大学 新 York 美国）
AI总结 本文通过神经架构搜索方法发现稀疏恢复算法，重新发现ISTA和FISTA，并展示其在不同数据分布中的应用。
Comments Presented at the 59th Asilomar Conference on Signals, Systems, and Computers
人机交互对齐：为互惠人机未来设计、评估和演化以价值为中心的AI
机构 * NYU Shanghai, New York University（纽约大学上海校区） ； Google（谷歌） ； Massachusetts Institute of Technologyy（麻省理工学院） ； Google, Paradigms of Intelligence（谷歌、智能范式） ； Carnegie Mellon University, New York University（卡内基梅隆大学、纽约大学） ； Carnegie Mellon University（卡内基梅隆大学） ； OpenAI ； University of Washington（华盛顿大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本研讨会探讨如何通过设计、评估和演化以价值为中心的AI，实现人机之间的互惠协作与动态对齐。
Comments CHI 2026 BiAlign Workshop
多智能体大语言模型委员会用于自主软件Beta测试
机构 * New York University（纽约大学）
AI总结 多智能体大语言模型委员会通过三轮投票协议实现自主软件Beta测试，显著提高任务成功率和漏洞检测效率。
准概率密度比估计与逆向工程分类损失函数
机构 * Physics Department, New York University（纽约大学物理系） ； Physics Department, University of Wisconsin--Madison（威斯康星大学麦迪逊分校物理系） ； Data Science Institute, University of Wisconsin--Madison（威斯康星大学麦迪逊分校数据科学研究院）
AI总结 本文提出了一种适用于准概率密度比估计的凸损失函数，并通过粒子物理中的双希格斯生产实验实现了最先进的结果。
Comments 25 pages, 7 figures
下一步嵌入预测使视觉学习更强
机构 * University of Michigan（密歇根大学） ； New York University（纽约大学） ； Princeton University（普林斯顿大学） ； University of Virginia（弗吉尼亚大学）
AI总结 本文提出NEPA方法，通过生成嵌入进行预测任务，实现强大的视觉自监督学习效果。
Comments Project Page: https://sihanxu.me/nepa
从捷径到归纳头：数据多样性如何影响Transformer中的算法选择
机构 * The University of Tokyo（东京大学） ； RIKEN AIP（理化学研究所AIP） ； Flatiron Institute（Flatiron研究所） ； CNRS（法国国家科学研究中心） ； Université Côte d’Azur（蔚蓝海岸大学） ； New York University（纽约大学）
AI总结 本研究探讨了数据多样性如何影响Transformer算法选择，证明输入多样性可使模型实现归纳头并泛化，而低多样性则导致位置捷径失效，同时揭示了预训练上下文长度与泛化能力的权衡。
Comments NeurIPS 2025
通过基于分数的变分自编码器实现解耦表示
机构 * 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） ； Center for Data Science, New York University（纽约大学数据科学中心）
AI总结 SAMI通过结合扩散模型和VAEs的理论框架，实现无监督表示学习，能够从数据中提取有意义的结构信息，并在无需监督标签的情况下识别语义轴。
Comments 34 pages, 7 figures
MoE-TransMov：一种基于Transformer的模型，用于熟悉与不熟悉移动中的下一个POI预测
机构 * Lyles School of Civil and Construction Engineering, Purdue University, West Lafayette, IN, USA（普渡大学土木与建设工程学院） ； LY Corporation, Tokyo, Japan（东京LY公司） ； Tandon School of Engineering, New York University, New York, NY, USA（纽约大学塔能工程学院）
AI总结 MoE-TransMov通过混合专家架构和自适应门控网络，提升不同移动情境下的POI预测准确率，优化推荐系统个性化
Comments 30 pages, 4 figures, 5 tables
LLM-as-a-Prophet: 通过Prophet Arena理解预测智能
机构 * University of Southern California（南加州大学） ； Meta ； The University of Chicago（芝加哥大学） ； New York University（纽约大学）
AI总结 本文通过Prophet Arena评估了LLMs在预测任务中的表现，揭示了其预测能力及存在的瓶颈。
Comments https://www.prophetarena.co/
为MLIR编译器自动代码优化设计的一种强化学习环境
机构 * New York University Abu Dhabi（纽约大学阿布扎赫尔分校） ； ESI（埃斯国际研究所） ； USTHB（阿尔及利亚国家技术与高等理工学院）
AI总结 本文提出MLIR RL，一种为MLIR编译器设计的强化学习环境，用于自动代码优化，通过多离散动作空间和level pointers方法提升策略学习效率。
当推理遇见其定律
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； New York University（纽约大学）
AI总结 本文提出推理定律（LoRe）框架，通过单调性和组合性属性评估推理模型，开发微调方法提升推理性能。
FrontierCS: 蒸馏智能面临的挑战
机构 * UC Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学） ； UCSD（加州大学圣迭戈分校） ； X-camp Academy（X-camp学院） ； Georgia Tech（佐治亚理工学院） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Nanyang Technological University（南洋理工大学） ； University of Toronto（多伦多大学） ； UIUC（伊利诺伊大学香槟分校） ； University of Michigan（密歇根大学） ； New York University（纽约大学） ； MIT（麻省理工学院）
AI总结 FrontierCS是一个针对未知最优解的计算机科学开放性问题基准测试，旨在评估模型在算法和研究任务中的推理能力，发现现有模型在复杂问题上仍需提升。
Comments Code with instruction: https://github.com/FrontierCS/Frontier-CS
如何在生成下一个标记后使用强化学习促进学习
机构 * New York University（纽约大学） ； Harvard University（哈佛大学） ； FAIR, Meta
AI总结 通过在生成下一个标记后使用强化学习，研究了如何在推理任务中提升模型的学习能力，证明其在预测比特奇偶性等任务中的有效性。
医院患者恶化的早期预警指数
机构 * Sloan School of Management, Massachusetts Institute of Technology（麻省理工学院斯隆管理学院） ； Operations and Information Management, University of Wisconsin Madison（威斯康星大学麦迪逊分校运营与信息管理系） ； Technology Management and Innovation, New York University（纽约大学技术管理与创新系） ； Hartford HealthCare（哈特福德医疗集团） ； Holistic Hospital Optimization（综合医院优化）
AI总结 本文提出Early Warning Index模型，通过多模态机器学习预测患者恶化风险，结合SHAP解释提升可解释性，用于医院分诊和资源调度优化。
小批量训练语言模型：当普通SGD有效，以及为何梯度累积是浪费
机构 * New York University（纽约大学） ； Columbia University（哥伦比亚大学）
AI总结 本研究发现小批量训练可稳定训练语言模型，优于大批次，且能使用普通SGD实现稳定训练，无需动量和优化器状态。
Comments NeurIPS 2025. Code available at: https://github.com/martin-marek/batch-size
基于视网膜成像和临床数据的多模态深度学习用于中风预测与检测
机构 * Division of Engineering, New York University Abu Dhabi（纽约大学阿布扎赫尔分校工程系） ； Institute for Healthier Living Abu Dhabi（阿布扎赫尔健康生活研究所） ； Eye Institute at Cleveland Clinic Abu Dhabi（阿布扎赫尔克利夫兰医学中心眼科研究所） ； Canberra Hospital（堪培拉医院）
AI总结 本研究提出一种多模态深度学习方法，利用视网膜成像和临床数据预测中风风险，实验结果显示在中风检测和风险预测方面优于传统方法。
WakeupUrban: 利用卫星图像对20世纪中叶城市景观进行无监督语义分割
机构 * Tsinghua University, SIGS（清华大学 SIGS） ； National Supercomputing Center in Shenzhen（深圳国家超算中心） ； New York University Shanghai（纽约大学上海分校） ； Tsinghua University, DESS（清华大学 DESS） ； Sun Yat-sen University（中山大学）
AI总结 WakeupUrban通过无监督语义分割框架WakeupUSM，利用历史卫星图像分析20世纪中叶城市景观，提升长期城市变化的定量研究能力。
Comments 11 pages, 4 figures, 3 tables
令牌上的状态：阐明推理令牌的作用
机构 * Bar-Ilan University（巴伊兰大学） ； University of Haifa（海法大学） ； New York University（纽约大学） ； Allen Institute for AI（人工智能研究院）
AI总结 本文提出SoT框架，将LLM的推理令牌视为外部化计算状态，而非文本叙述，以揭示其实际推理机制及未被关注的研究问题。
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