高校专区
基于量子神经网络的贷款资格预测：LEP-QNN
机构 * New York University Abu Dhabi (NYUAD)（纽约大学阿布扎赫国立大学） ； NYUAD Research Institute（NYUAD研究机构） ； Hassan II University of Casablanca（卡萨布兰卡哈桑二世大学）
AI总结 LEP-QNN利用量子神经网络提升贷款资格预测精度至98%，通过量子机器学习方法优化模型鲁棒性与预测可靠性。
Comments 9 pages, 7 figures, 3 tables. Accepted at QCE 2025
Journal ref 2025 IEEE International Conference on Quantum Computing and Engineering (QCE), Albuquerque, NM, USA
全栈对齐：通过厚价值模型对齐人工智能与机构
机构 * Meaning Alignment Institute（意义对齐研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； University College London（伦敦大学学院） ； University of Oxford（牛津大学） ； Western University（西方大学） ； University of Toronto（多伦多大学） ； McGill University（麦吉尔大学） ； Stanford University（斯坦福大学） ； Potsdam Institute for Climate Impact Research（波茨坦气候影响研究所） ； Yale University（耶鲁大学） ； Carnegie Mellon University（卡内基梅隆大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； New York University（纽约大学） ； Harvard University（哈佛大学） ； Midjourney Core contributor（Midjourney核心贡献者）
AI总结 本文提出通过厚价值模型实现全栈对齐，以解决AI与机构目标不一致导致的不良后果，涵盖价值表示、规范推理和集体利益建模。
AGI 的定义
机构 * Center for AI Safety（AI安全中心） ； University of California, Berkeley（加州大学伯克利分校） ； Virtue AI ； Morph Labs（Morph实验室） ； University of Michigan（密歇根大学） ； LG AI Research（LG人工智能研究） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Gray Swan AI ； Carnegie Mellon University（卡内基梅隆大学） ； Cornell University（康奈尔大学） ； Hong Kong Baptist University（香港 Baptist大学） ； HKUST（香港科技大学） ； Nanyang Technological University（南洋理工大学） ； KAIST（韩国科学技术院） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Tübingen（图宾根大学） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Beneficial AI Research（有益AI研究） ； Conjecture ； Institute for Applied Psychometrics（应用心理测量研究所） ； New York University（纽约大学） ； CSER ； Université de Montréal（蒙特利尔大学） ； LawZero
AI总结 本文提出了一种基于卡特尔-霍恩-卡罗尔理论的可量化框架，定义AGI为与受过良好教育的成年人认知能力相匹配，并通过心理测量电池评估AI系统，揭示当前AI在基础认知机制上的不足。
用于微分方程的蒙特卡罗型神经算子
机构 * NYUAD Research Institute New York University Abu Dhabi Abu Dhabi, UAE ； Engineering Division New York University Abu Dhabi Abu Dhabi, UAE ； Laboratoire de Probabilités, Statistique et Modélisation Sorbonne University \& Université Paris Cité Paris, France ； Engineering Division \ New York University Abu Dhabi Abu Dhabi, UAE \
AI总结 MCNO通过蒙特卡罗方法学习一维PDE的解算子，无需假设翻译不变核，实现高效计算和跨网格泛化。
AskNearby: 一种基于LLM的邻里信息检索与个性化认知地图推荐应用
机构 * Peking University（北京大学） ； Qianmo Smart Link（千摩智能链接） ； New York University（纽约大学） ； Imperial College London（伦敦帝国学院） ； Tencent（腾讯） ； Tongji University（同济大学）
AI总结 AskNearby通过整合检索增强生成和认知地图模型，提升邻里信息检索与个性化推荐效果，解决局部生活信息可及性问题。
三维基础模型中的涌现极端视角几何
机构 * Cornell University（康奈尔大学） ； New York University（纽约大学） ； Kempner Institute, Harvard University（哈佛大学凯普勒研究所）
AI总结 本文研究了三维基础模型在极端视角下的几何理解能力，并提出轻量级对齐方案提升其相对姿态估计性能，同时引入新的未见过的互联网场景基准。
Comments Project page is at https://ext-3dfms.github.io/
从标记到思考：LLMs和人类如何在压缩与意义之间进行权衡
机构 * Stanford University（斯坦福大学） ； Tel Aviv University（特拉维夫大学） ； New York University（纽约大学） ； Meta - FAIR
AI总结 本文通过信息瓶颈框架比较人类与LLMs的概念结构，发现LLMs在压缩效率上优于人类，但牺牲了语义丰富性，揭示了人工与自然智能的本质差异。
具有伦理意识的大学生生产力社交机器人参与式设计
机构 * SMART Lab, 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SMART实验室）
AI总结 本研究通过参与式设计方法，开发了一款面向大学生的生产力社交机器人，结合伦理考量，旨在解决学生生产力问题并提供可行的解决方案。
通过社交机器人辅导支持大学生职业技能发展：一种概念验证
机构 * SMART Lab, 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SMART实验室）
AI总结 本研究提出一种社交辅助机器人作为教育辅导员，通过六种课程提升大学生生产力，实现个性化、可扩展的解决方案。
FOM-Nav：用于目标导航的前沿-对象地图
机构 * Inria（法国国家信息与自动化技术研究院） ； Department of Computer Science, École normale supérieure (ENS-PSL, CNRS, Inria)（高等师范学院计算机科学系） ； Courant Institute of Mathematical Sciences and Center for Data Science, New York University（纽约大学Courant数学科学研究所和数据科学中心）
AI总结 FOM-Nav通过前沿-对象地图和视觉-语言模型提升机器人在未知环境中的目标导航效率，实现最先进的导航性能。
Comments Project page: https://www.di.ens.fr/willow/research/fom-nav/
ToMA: 通过注意力机制的令牌合并用于扩散模型
机构 * Department of Computer Science, New York University（纽约大学计算机科学系）
AI总结 ToMA通过重新设计令牌合并方法，提升扩散模型的GPU效率，减少生成延迟并优化实际性能。
Comments In proceedings of the 42nd International Conference on Machine Learning (ICML 2025). Code available at https://github.com/wenboluu/ToMA
不同的提示方法是否会在语言模型中产生共同的任务表示？
机构 * FAIR at Meta（Meta 的 FAIR 部门） ； New York University（纽约大学） ； Princeton University（普林斯顿大学）
AI总结 研究通过函数向量分析不同提示方法对语言模型任务表示的影响，发现不同提示形式导致不同的任务机制，支持结合指令和演示的实践。
Comments 10 pages, 4 figures; presented at NeurIPS 2025
GARF：学习通用的3D重新组装以应对现实中的断裂
机构 * New York University（纽约大学） ； Yale University（耶鲁大学） ； Max Planck Institute（马克斯·普朗克研究所）
AI总结 GARF通过断裂感知预训练和流匹配技术，实现对现实断裂的通用3D重新组装，提升对未知对象和断裂类型的鲁棒性。
Comments 18 pages. Project Page https://ai4ce.github.io/GARF/
对抗性利用数据多样性提升视觉定位
机构 * New York University（纽约大学）
AI总结 本研究通过引入外观多样性与对抗性训练提升视觉定位的鲁棒性，显著降低定位误差，尤其在动态驾驶和天气变化场景中表现优异。
Comments 24 pages, 22 figures
NetDeTox: 通过RL-LLM协同实现对硬件安全GNN的对抗性高效逃避
机构 * NYU Tandon School of Engineering（纽约大学Tandon工程学院） ； NYU Abu Dhabi（纽约大学阿布扎克分校）
AI总结 NetDeTox通过RL-LLM协同实现对硬件安全GNN的高效对抗性逃避，减少重写次数和面积开销，提升安全性方案的鲁棒性。
使用检索增强型大语言模型代理进行长期形式的新冠事实核查
机构 * New York University, USA（纽约大学） ； Washington University in St. Louis, USA（华盛顿大学圣路易斯分校） ； Shanghai University of Sports, China（上海体育大学）
AI总结 本文提出SAFE系统，结合大语言模型与检索增强生成技术，有效提升长期新冠虚假信息的事实核查能力。
通过神经网络解析不稳定奇异性尖锐梯度以达到机器精度
机构 * New York University（纽约大学） ； Yale University（耶鲁大学） ； Stanford University（斯坦福大学）
AI总结 通过神经网络和多阶段架构，解决高梯度不稳定奇异性问题，实现高精度验证并发现新解。
Comments 27 pages, 12 figures
从像素到感受：将MLLMs对齐于人类对图像的认知感知
机构 * Oxford University（牛津大学） ； HKUST（香港科技大学） ； University College London（伦敦大学学院） ； New York University（纽约大学）
AI总结 本文提出CogIP-Bench基准，通过后训练提升MLLMs对图像认知属性的对齐能力，并展示其在图像生成中的应用。
Comments Project page with codes/datasets/models: https://follen-cry.github.io/MLLM-Cognition-project-page/
VeriDispatcher: 通过预推理难度预测实现多模型调度以优化RTL生成
机构 * NYU Tandon School of Engineering（纽约大学Tandon工程学院） ； NYU Abu Dhabi（纽约大学阿布扎赫尔分校）
AI总结 VeriDispatcher通过预推理难度预测调度多个LLM，提高RTL生成的准确性和降低成本。
物理引导：在物理基础模型中实现跨领域概念的因果控制
机构 * University of Cambridge（剑桥大学） ； NYU（纽约大学） ； Simons Foundation（Simons基金会） ； Flatiron Institute（Flatiron研究所）
AI总结 本研究通过物理基础模型的激活空间分析，揭示了因果控制物理行为的机制，展示了对物理概念的跨领域操控能力。
Comments 16 Pages, 9 Figures. Code available soon at https://github.com/DJ-Fear/walrus_steering
非对称REINFORCE用于离线策略强化学习：平衡正负奖励
机构 * FAIR at Meta（Meta 的 FAIR） ； Work done at Meta（Meta） ； NYU Courant Institute（纽约大学Courant研究所）
AI总结 本研究提出非对称REINFORCE算法，通过平衡正负奖励提升离线策略强化学习性能，理论分析表明基线下界可保证策略改进，并通过实验验证其有效性。
Axial-UNet：一种用于降水nowcasting的神经天气模型
机构 * New York University（纽约大学）
AI总结 Axial-UNet通过轴向注意力块和混合架构实现高效的降水nowcasting，优于现有方法并在像素保真度上取得显著成绩。
Comments 16 pages, 3 figures. Accepted at the International Conference on Distributed Computing and Intelligent Technology (ICDCIT 2026), to appear in Springer LNCS
MQFL-FHE: 多模态量子联邦学习框架与全同态加密
机构 * SVKM's Dwarkadas J. Sanghvi College of Engineering（SVKM的达沃拉德·J·桑格维工程学院） ； eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD)（eBRAIN实验室，工程系，纽约大学阿布扎比分校（NYUAD）） ； 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） ； The Maersk Mc-Kinney Moller Institute, University of Southern Denmark（马士克·麦克金尼·莫勒研究所，南丹麦大学） ； Corvinus Institute for Advanced Studies (CIAS), Budapest, Hungary（科维努斯高级研究学院（CIAS），布达佩斯，匈牙利） ； Davidson School of Chemical Engineering, Purdue University（戴维森化学工程学院，普渡大学）
AI总结 本文提出一种结合量子计算和全同态加密的多模态联邦学习框架，旨在提升隐私保护下的模型性能与泛化能力。
Comments 10 pages, 6 figures, 6 Tables. Accepted at IJCNN 2025
Journal ref 2025 International Joint Conference on Neural Networks (IJCNN), Rome, Italy, 2025
可配置公平性：通过视觉-语言模型直接优化平衡度指标
机构 * New York University（纽约大学）
AI总结 本文提出通过视觉-语言模型直接优化平衡度量指标的方法，无需群体标签，提升图像识别的公平性。
利用人工智能增强的心电图评估新发糖尿病
机构 * New York University（纽约大学） ； NYU Langone Health（NYU Langone健康中心） ； NYU Tandon School of Engineering（NYU塔能工程学院） ； Indiana University School of Medicine（印第安纳大学医学院）
AI总结 本研究利用人工智能增强的心电图技术，开发出一种深度学习模型，通过分析12导联心电图和人口统计数据，实现新发糖尿病的早期检测，提高筛查效率和准确性。
Comments 25 pages, 9 figures, published as a conference paper at ML4H 2025
扩散模型测试时间缩放与流映射
机构 * NVIDIA（NVIDIA公司） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Harvard University（哈佛大学） ； Kempner Institute（凯姆纳研究所） ； IAIFI（IAIFI机构） ； Microsoft Research（微软研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； Courant Institute, New York University（纽约大学应用数学学院） ； ML Lab at Capital Fund Management (CFM)（Capital Fund Management (CFM)机器学习实验室）
AI总结 本文提出通过流映射改进扩散模型测试时间性能，通过流映射与速度场关系构建FMTT算法，实现更优奖励上升并支持复杂图像编辑。
大型语言模型隐私政策演变的纵向测量
机构 * Technical University of Munich（慕尼黑技术大学） ； Columbia University（哥伦比亚大学） ； New York University（纽约大学） ； CSIRO’s Data61（CSIRO的数据61）
AI总结 本文首次对全球主流LLM提供者的隐私政策进行了纵向研究，揭示了隐私政策的演变趋势、内容特征及地区差异。
算术平均μP用于现代架构：CNN和ResNets的统一学习率缩放
机构 * Fudan University（复旦大学） ； New York University（纽约大学）
AI总结 本文提出算术平均μP，通过统一学习率缩放方法，为CNN和ResNets提供稳健的深度定律，实现零样本学习率转移。
通过3D凸形实现安全的多机械臂交互
机构 * Electrical and Computer Engineering Department, Tandon School of Engineering, New York University（电气与计算机工程系，工程学院，纽约大学）
AI总结 本研究提出基于高阶控制屏障函数的多机械臂碰撞避障方法，通过集中式和分布式安全过滤器实现安全交互，适用于共享空间中的多机械臂协作。
Comments The formal publication is available at DOI: https://doi.org/10.1016/j.robot.2025.105263
PFF-Net：点云法向量估计的补丁特征拟合
机构 * School of Computing and Artificial Intelligence, Southwest Jiaotong University（计算机与人工智能学院，西南交通大学） ； School of Computer and Software Engineering, Xihua University（计算机与软件工程学院，西华大学） ； School of Software, Tsinghua University（软件学院，清华大学） ； Kuaishou Technology（快手科技） ； Center for Artificial Intelligence and Robotics, New York University Abu Dhabi（人工智能与机器人中心，纽约大学阿布扎克校区） ； Department of Computer Science, Wayne State University（计算机科学系，韦恩州立大学）
AI总结 PFF-Net通过多尺度特征融合和聚合，实现点云法向量估计的高效准确预测。
Comments Accepted by TVCG
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