高校专区
AI透明度地图：框架、评分与实时模型卡片评估流程
机构 * Department of Computer Science, The College of Wooster, Wooster, OH, USA（计算机科学系，沃斯特学院，沃斯特，OH，USA） ； Robert F. Wagner Graduate School of Public Service, New York University, New York, NY, USA（罗伯特·F·瓦格纳公共事务研究生学院，纽约大学，纽约，NY，USA）
AI总结 本文提出AI透明度框架和实时评估流程，评估50个模型发现前沿实验室合规率约80%，而多数供应商低于60%，安全关键领域存在显著缺口。
MolGuidance: 面向条件分子生成的先进引导策略与流匹配
机构 * University of Florida（佛罗里达大学） ； University of Minnesota（明尼苏达大学） ； New York University（纽约大学）
AI总结 MolGuidance通过整合先进引导策略与流匹配技术，提升条件分子生成的性质对齐和结构合理性，实现新的性能突破。
Comments 19 pages, 5 figures, code: https://github.com/Liu-Group-UF/MolGuidance
高维张量判别分析：低秩判别结构、表示协同与理论保证
机构 * New York University（纽约大学） ； University of Notre Dame（诺特大学）
AI总结 本文提出CP-TDA方法，通过低秩结构和深度生成模型处理高维张量数据，实现理论保证和高维小样本下的性能提升。
因果强度与渗漏信念：通过噪声-或因果贝叶斯网络解读LLM推理
机构 * New York University（纽约大学）
AI总结 本文通过噪声-或因果贝叶斯网络评估LLM和人类在因果推理任务中的表现，探讨其因果强度和信念差异。
Journal ref WiML Workshop at NeurIPS 2025
基于神经网络的偏线性单指数模型用于环境混合物分析
机构 * Division of Biostatistics Department of Population Health NYU Grossman School of Medicine（生物统计学系人口健康部纽约大学 Grossman 医学院）
AI总结 本文提出基于神经网络的偏线性单指数模型，用于分析环境混合物，兼顾可解释性和表达能力，支持多种结局类型，并提供开源工具实现。
探索MLLM-扩散信息传输与MetaCanvas
机构 * Meta Superintelligence Labs（Meta 超智能实验室） ； New York University（纽约大学） ； Nanyang Technological University（南洋理工大学）
AI总结 MetaCanvas通过使MLLMs在潜在空间中推理和规划，提升多模态生成的精确度和结构化控制。
Comments Project page: https://metacanvas.github.io
几何引导的神经算子变换器
机构 * National Center for Supercomputing Applications, University of Illinois Urbana-Champaign（国家超级计算中心，伊利诺伊大学厄巴纳-香槟分校） ； Beckman Institute for Advanced Science and Technology, University of Illinois Urbana-Champaign（贝克曼先进科学与技术研究所，伊利诺伊大学厄巴纳-香槟分校） ； The Grainger College of Engineering, Department of Aerospace Engineering, University of Illinois Urbana-Champaign（格拉inger工程学院，航空航天工程系，伊利诺伊大学厄巴纳-香槟分校） ； The Grainger College of Engineering, Department of Mechanical Science and Engineering, University of Illinois Urbana-Champaign（格拉inger工程学院，机械科学与工程系，伊利诺伊大学厄巴纳-香槟分校） ； The Grainger College of Engineering, Department of Civil and Environmental Engineering, University of Illinois Urbana-Champaign（格拉inger工程学院，土木与环境工程系，伊利诺伊大学厄巴纳-香槟分校） ； Civil and Urban Engineering Department, New York University Abu Dhabi（纽约大学阿布扎比分校土木与城市工程系） ； Department of Industrial and Manufacturing Systems Engineering, Kansas State University（工业与制造系统工程系，堪萨斯州立大学）
AI总结 本文提出几何引导的神经算子变换器，通过结合变换器架构与神经算子框架，实现对任意几何形状的高效前向预测，验证了其在复杂几何中的高精度和强泛化能力。
元统计学习：监督学习的统计估计器
机构 * Université Grenoble Alpes, CNRS, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、国家科学研究中心、格勒诺布尔INP、实验室LIG） ； New York University, Prescient Design, Genentech（纽约大学、Prescient Design、基因泰克）
AI总结 本研究提出元统计学习方法，通过监督学习框架自动发现通用且灵活的统计估计器，应用于正常性检验和互信息估计任务，取得良好效果。
一种具有终身在线学习保证的高效单类SVM变种
机构 * New York University（纽约大学） ； Columbia University（哥伦比亚大学）
AI总结 本文提出SONAR，一种基于SGD的高效单类SVM求解器，通过强凸正则化实现非平稳数据下的终身学习保证，并在对抗性数据中展示适应性保证。
表示对齐什么更重要：全局信息还是空间结构？
机构 * Adobe Research（Adobe研究院） ； ANU（澳大利亚国立大学） ； New York University（纽约大学）
AI总结 研究发现空间结构比全局语义信息对生成效果更重要，提出iREPA方法提升生成模型训练效率。
Comments Project page: https://end2end-diffusion.github.io/irepa
防火墙配置的自然语言接口
机构 * Tandon School of Engineering（塔恩顿工程学院） ； Department of Electrical and Computer Engineering（电气与计算机工程系） ； New York University（纽约大学）
AI总结 本文提出了一种基于自然语言的防火墙配置接口，通过中间表示和验证层实现策略翻译与安全检查，旨在提升防火墙管理的可审计性和人机交互性。
Comments 7 pages, 3 figures. Preliminary version of an ongoing research project on natural language interfaces for firewall configuration
基于大语言模型的多源强化学习状态编码复合神经架构搜索
机构 * Shanghai Jiao Tong University（上海交通大学） ； Cornell University（康奈尔大学） ； New York University（纽约大学）
AI总结 本文提出基于大语言模型的复合神经架构搜索方法，用于多源强化学习状态编码，通过高效搜索发现更高性能的编码器架构。
Comments NeurIPS 2025 Workshop on Bridging Language, Agent, and World Models for Reasoning and Planning
从生成的人类视频到物理上合理的机器人轨迹
机构 * University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； Johannes Kepler University（约翰·凯撒大学）
AI总结 本文提出GenMimic方法，通过物理感知强化学习策略，从生成的视频中实现零样本的人形机器人动作模仿，并建立了评估零样本泛化能力的基准。
Comments For project website, see https://genmimic.github.io
缩小世界模型在基于梯度规划中的训练-测试差距
机构 * Columbia University（哥伦比亚大学） ； New York University（纽约大学）
AI总结 本文提出改进世界模型训练方法，以提高基于梯度的规划效率，缩小训练与测试之间的性能差距。
LLMscape：探索人类与AI在不确定性条件下构建意义的相似性
机构 * NYU Shanghai（纽约大学上海校区） ； NYU Shanghai Center for Data Science（纽约大学上海数据科学中心） ； Design Innovation Insitute（设计创新研究所） ； Shanghai Tongji University College of Design and Innovation（上海同济大学设计创新学院）
AI总结 LLMscape通过互动装置探讨人类与AI在不确定性条件下构建意义的相似性，展示AI作为共同见证者的角色
Comments Accepted to NeurIPS 2025, Creative AI Track (updated to include poster, video)
注视点增强隐写术的载荷能力
机构 * University College London（伦敦大学学院） ； New York University（纽约大学）
AI总结 通过高效潜在表示和注视点渲染，提升隐写术的载荷能力至500位，并在高准确率和视觉质量上取得显著成果。
Comments SIGGRAPH Asia 2025 Posters Proceedings
完全去中心化的认证反学习
机构 * NYU Abu Dhabi（纽约大学阿布扎比分校）
AI总结 该研究提出了一种去中心化认证反学习方法 RR-DU，在保证隐私安全的同时提升模型性能。
仅长期持有加密货币投资组合的管理方法：通过排名资产的神经网络方法
机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； New York University（纽约大学） ； New York City, United States（美国纽约市）
AI总结 本文提出一种基于神经网络的加密货币投资组合管理方法，通过排名资产预测收益并分配权重，实现了较高的夏普比率和年化收益率。
Journal ref 2025 International Joint Conference on Neural Networks (IJCNN), Rome, Italy, 2025, pp. 1-8
JEPA作为一种神经令牌化器：利用密度自适应注意力学习鲁棒的语音表示
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon GenAI（亚马逊生成人工智能） ； James Silberrad Brown Center for Artificial Intelligence（詹姆斯·西伯拉德·布朗人工智能中心） ； University of Bristol（布里斯托大学） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； New York University（纽约大学）
AI总结 本文提出了一种结合JEPA和密度自适应注意力机制的两阶段自监督框架，用于高效学习鲁棒的语音表示，通过令牌化和高保真重建实现高效压缩。
Comments UniReps: Unifying Representations in Neural Models (NeurIPS 2025 Workshop)
大型语言模型在模拟调查用户响应中的分析
机构 * Center for Data Science, NYU Shanghai（纽约大学上海分校数据科学中心） ； New York University（纽约大学）
AI总结 本文分析了大型语言模型在模拟调查用户响应中的表现，提出CLAIMSIM方法以提高响应多样性，但发现模型在处理不同人口特征时存在固有偏见和推理限制。
Comments Accepted to IJCNLP-AACL 2025 (Main Conference)
观点：学习直观物理可能需要比视觉数据更多的内容
机构 * New York University（纽约大学）
AI总结 本文探讨了学习直观物理是否需要比视觉数据更多的内容，发现仅训练在发育性真实数据集上不足以提升模型性能。
音频调色盘：一种多信号条件的扩散变压器用于可控的 Foley 合成
机构 * New York University（纽约大学）
AI总结 Audio Palette通过多信号条件和LoRA技术实现可控Foley合成，提供高效、可解释的音频生成与控制方法。
Comments Accepted for publication in the Artificial Intelligence Technology Research (AITR)
通过CASAL减少幻觉：对比激活引导用于近似学习
机构 * Meta Superintelligence Labs（Meta超级智能实验室） ； New York University（纽约大学）
AI总结 CASAL通过对比激活引导减少LLM幻觉，提升模型可解释性和实用性，适用于多种模型架构。
精确的多时间步变分公式用于-committor和过渡率
机构 * Department of Chemistry（化学系） ； James Franck Institute, University of Chicago, Chicago, Illinois 60637, United States（芝加哥大学詹姆斯·弗兰克研究所） ； Courant Institute of Mathematical Sciences, New York University, New York, New York 10012, United States（纽约大学应用数学科学研究所）
AI总结 本文提出了一种精确的多时间步变分方法，用于更准确地估计committor和过渡率，通过使用停止时间替代滞后时间以减少对滞后时间选择的依赖。
Comments 46 pages, 9 figures
协作情境游戏中的语言使用特征分析
机构 * UC Berkeley（伯克利大学） ； NYU（纽约大学） ； Saarland University（萨尔兰大学）
AI总结 本研究通过收集Portal 2协作模式中的对话数据，分析了复杂情境下玩家语言使用的特征，揭示了空间指称、澄清修复及临时约定等现象，并公开了包含多模态数据的语料库以支持进一步研究。
SAT：多模态语言模型的动态空间能力训练
机构 * Boston University（波士顿大学） ； University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院） ； Microsoft Research（微软研究院） ； New York University（纽约大学）
AI总结 SAT通过模拟数据提升多模态语言模型在动态空间推理中的能力，实验表明其在多个基准测试中优于现有方法。
Comments Accepted to COLM 2025. Project webpage: https://arijitray.com/SAT/
算法思维理论
机构 * Google（谷歌） ； NYU（纽约大学） ； ETH Zurich（苏黎世联邦理工学院） ； Stanford（斯坦福大学）
AI总结 本文提出了一种算法思维理论框架，用于分析和设计更强大的推理方法，通过概率 oracle 实现迭代改进和答案聚合。
视觉几何基础变换器中涌现的异常视图拒绝
机构 * KAIST AI（韩国科学技术院人工智能研究所） ； New York University（纽约大学） ； ETH AI Center, ETH Zurich（苏黎世联邦理工学院人工智能中心） ； UC Berkeley（伯克利加州大学）
AI总结 本文提出通过视觉几何基础变换器中涌现的异常视图拒绝机制，无需额外训练即可提升前馈3D重建在野外条件下的鲁棒性。
Comments Project page: https://cvlab-kaist.github.io/RobustVGGT/
所有结构匹配都不发光
机构 * Center for Soft Matter Research, Department of Physics, New York University（纽约大学软物质研究中心） ； Simons Center for Computational Physical Chemistry, Department of Chemistry, New York University（纽约大学计算物理化学simons中心） ； Department of Computer Science & Engineering, University of Minnesota（明尼苏达大学计算机科学与工程系） ； Department of Physics & Astronomy, Brigham Young University（BYU物理与天文学系） ； Department of Chemistry, University of Florida（佛罗里达大学化学系） ； Quantum Theory Project, University of Florida（佛罗里达大学量子理论项目） ； Department of Materials Science & Engineering, University of Florida（佛罗里达大学材料科学与工程系） ； Department of Aerospace Engineering & Mechanics, University of Minnesota（明尼苏达大学航空航天工程与力学系） ； Center for Neural Science, New York University（纽约大学神经科学中心） ； Courant Institute of Mathematical Sciences, New York University（纽约大学数学科学学院）
AI总结 本文针对晶体结构预测任务中数据集和评估指标的问题，提出改进数据集的修复方法和新的评估指标，以提高模型评估的准确性。
Comments Accepted at Thirty-Ninth Annual Conference on Neural Information Processing Systems (NeurIPS)
一种具有混合量子增强学习的隐私保护联邦框架用于金融欺诈检测
机构 * University of Melbourne（墨尔本大学） ； Trinity College Dublin（都柏林三一学院） ； Indian Institute of Technology（印度理工学院） ； Birla Institute of Technology and Science Pilani（比拉理工学院和科学学院） ； South Asian University（南亚大学） ； New York University Abu Dhabi (NYUAD)（纽约大学阿布扎克分校） ； NYUAD Research Institute（NYUAD研究机构）
AI总结 本文提出一种结合量子增强LSTM与隐私保护技术的联邦学习框架，用于提升金融欺诈检测的准确性和数据安全性。
Comments To be published in proceedings of IEEE International Conference on Quantum Computing and Engineering (QCE) 2025
Journal ref 2025 IEEE International Conference on Quantum Computing and Engineering (QCE), Albuquerque, NM, USA
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