高校专区
LionVote：针对Lion的逐层学习率自适应
机构 * New York University（纽约大学）
AI总结 研究针对Lion在不同层参数有效规模差异问题，提出LionVote逐层学习率机制，通过特定诊断更新参数张量的复合水平，投票阈值源于多种因素，节奏有界且可选择。该机制在ViT-Tiny/CIFAR-100上提升了准确率，且适应值与架构、任务相关。
Comments 34 pages, 10 figures
VTaMo：用于手语翻译的视频-文本对齐模型
机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） ； ChatSign Technology（ChatSign科技）
AI总结 研究手语翻译问题，提出VTaMo框架，通过局部、全局对齐及位置对齐对比学习实现多粒度对齐，在多个数据集实验中展现领先性能，各组件贡献互补。
Comments 18 pages, 5 figures, 8 tables. Accepted to ECCV 2026
如何让你的数据实现差分隐私：使用差分隐私生成合成数据的实用指南
机构 * Google Research USA（谷歌DeepMind） ； NYU Work done at Google as part of student researcher engagement New York NY USA ； Google Research New York NY USA ； Institute for Mathematical ； Computational Engineering, Faculty of Mathematics ； School of Engineering, Pontificia Universidad Cat\'olica de Chile Santiago Chile ； Google DeepMind Mountain View CA USA ； Google Research ； School of Engineering, Pontificia Universidad Cat\'olica de Chile ； Google DeepMind
AI总结 研究如何利用差分隐私生成合成数据，探讨相关技术、保护类型及不同模态进展，概述系统组件，旨在推动差分隐私合成数据应用，促进研究并增强信任。
Journal ref JAIR 2026, vol. 86 JAIR, Vol. 86
科学机器学习中的物理审核智能发现
机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） ； National Center for Supercomputing Applications, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校国家超级计算应用中心）
AI总结 研究针对智能科学机器学习中替代模型选择问题，提出物理审核智能SciML工作流程，先确定评分评估器，推导物理要求并检查候选者输出，搜索违规情况。通过数值示例验证，该方法能选到满足物理条件的替代模型，区别于仅靠综合分数的方法。
WildCity：用于渲染、模拟和空间智能的真实世界城市规模测试平台
机构 * May Mobility（五月出行公司） ； New York University（纽约大学） ； NVIDIA（英伟达公司） ； Stanford University（斯坦福大学）
AI总结 针对人工智能在构建城市规模空间表征方面的挑战，引入WildCity真实世界多模态数据集，建立重建基线并转化为模拟器，分析关键挑战，推动城市规模渲染及相关人工智能发展。
Comments ECCV 2026; Project Page: https://han-xiangyu.github.io/Wild-City/
DYNA-PRUNER: 面向高效可扩展时空媒体预测的输入自适应数据-模型协同剪枝
机构 * The City College of New York（纽约市立学院） ； The Graduate Center, CUNY（纽约市立大学研究生中心） ； New York University（纽约大学） ； University of Glasgow（格拉斯哥大学）
AI总结 提出Dyna-Pruner框架，通过共享重要性同步机制实现输入自适应的数据与模型结构协同剪枝，在CNN、RNN和Transformer骨干上减少70% FLOPs并实现2.5倍加速，精度损失小于1%。
Comments IEEE International Conference on Multimedia and Expo (ICME) 2026 Spotlight Paper
EPEX日前能源市场曲线的参数化和生成式预测
机构 * New York University Abu Dhabi（纽约大学阿布扎克分校） ； CREST, ENSAE, Institut Polytechnique de Paris（CREST、ENSAE、巴黎理工学院）
AI总结 研究EPEX日前能源市场曲线预测，提出参数化和生成式两种方法，参数方法用极端梯度提升，生成方法用条件去噪扩散概率模型，通过曲线重建和存储优化问题评估，生成式方法在存储应用中有更好表现。
Comments 40 pages, 30 figures
通过纳米光子波前编码实现物理基础的单目深度
机构 * New York University（纽约大学） ； Columbia University（哥伦比亚大学）
AI总结 研究旨在解决单目深度感知中度量尺度模糊问题，核心方法是用超透镜通过纳米光子学编码深度线索，结合DFMs与输入自适应策略及模拟管道，实验证明该方法有效提升单目度量深度传感精度。
Comments ECCV 2026
我的网络上有什么？使用大语言模型大规模识别现实世界中的物联网设备
机构 * New York University（纽约大学） ； Google（谷歌）
AI总结 研究共享环境中物联网设备识别难题，引入语义推理管道，用大语言模型构建高保真标签并指令微调模型，在众多供应商中取得高准确率，对多种问题保持稳健，为大规模可信设备识别提供基础。
Comments 18 pages, 3 figures
Journal ref Proc. ACM Netw. 4, CoNEXT2, Article 26 (2025)
部分训练的三层神经网络的泛函空间平均场理论
机构 * Google Research（谷歌研究） ； Courant Institute, New York University（纽约大学Courant研究所）
AI总结 研究部分训练的三层神经网络无穷宽度极限，通过扩展平均场理论，将神经元表示提升到泛函空间，建立泛函梯度流，证明训练损失线性收敛，定义新型函数空间并证明复杂度界，适用于多种缩放选择，展现特征学习。
Comments 67 pages, 12 figures
Journal ref Journal of Machine Learning Research, 27(52):1-67, 2026
教师的少量步骤作用显著：智能体训练后基于策略的数据增强的成本效益
机构 * Stanford University（斯坦福大学） ； New York University（纽约大学）
AI总结 研究针对大语言模型智能体，将基于策略的数据构建视为预算分配问题，通过特定方式形式化设计空间，在多个任务中实验表明少量教师步骤在学习者诱导情境下更具成本效益。
Comments Accepted by ICML 2026 Workshop: RLxF: Reinforcement Learning from World Feedback
因果游戏：在游戏中对大语言模型智能体的因果思维进行基准测试
机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Hong Kong Baptist University（香港浸会大学） ； University of Oxford（牛津大学） ； New York University, Abu Dhabi（纽约大学阿布扎比分校）
AI总结 研究旨在通过因果游戏基准测试大语言模型智能体的因果思维能力，让智能体设计实验、收集数据并给出解决方案。设计含多种挑战的场景，发现当前智能体因果思维能力欠佳，为评估提供了测试平台。
Comments Zhenhao, Yongqiang, and Chenxi contributed equally to the project. A short version is accepted at the Forty-Third International Conference on Machine Learning (ICML) 2026 as an Oral presentation. Project website https://causalgame.github.io/
将表示与重建分离可实现可扩展的文本编码器
机构 * FAIR Meta ； New York University（纽约大学）
AI总结 研究发现自BERT以来编码器变化小，通过冻结主干评估揭示问题源于其扁平设计。提出CrossBERT架构分离高质量编码表示学习与令牌重建，能提高掩码率和梯度收集效率，在相关基准测试中表现优异。
过渡信息密度：神经训练中的形态轨迹、联觉感知和结构化插值（或：联觉人工智能）
机构 * New York University（纽约大学） ； Interactive Media Arts（互动媒体艺术）
AI总结 介绍过渡信息密度及位置标识，基于联觉等实证背景研究。通过结构化插值训练的探针在语音/语言和语义描述媒介中维度更低，贡献相关定义、框架及实验设计，区分轨迹结构等因素。
Comments 38 pages, 9 figures, 4 tables. Empirical results from structured interpolation training across four representational mediums. Pipeline scripts, experimental data, and the Synesthesia Grid algorithm available upon reasonable request
通过错误设定减少实现非平稳线性带型问题的动态遗憾
机构 * Department of Mathematics, The Hong Kong University of Science and Technology（香港科技大学数学系） ； Stern School of Business, New York University（纽约大学斯特恩商学院） ； Department of IEDA, The Hong Kong University of Science and Technology（香港科技大学工业工程与决策分析系）
AI总结 研究含特定轮次可行决策集的非平稳线性带型问题，针对现有方法局限，从统一错误设定减少视角，分块关联动态遗憾与固定参数线性带型基准，得出最优动态遗憾依赖。
强化学习中的奖励粒度：比较用于小语言模型数学推理的过程奖励和结果奖励结构
机构 * New York University（纽约大学）
AI总结 研究在小语言模型中通过强化学习提升数学推理能力，系统比较五种奖励条件，发现过程奖励能显著提高准确率和推理痕迹保真度，奖励粒度是重要设计决策。
Comments 8 pages, 4 figures
通过验证器与生成器对齐改进大语言模型
机构 * Department of Computer Science, The University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系） ； Departments of Linguistics and Computer Science, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校语言学与计算机科学系） ； Department of Computer Science & Center for Data Science, New York University（纽约大学计算机科学系及数据科学中心）
AI总结 研究大语言模型不一致问题，提出基于话语频率的生成器-验证器一致性新公式，介绍\FCPA方法，实验表明该方法能提升生成器性能及两者一致性，且保持验证器质量。
扩散学习揭示生物动力系统中可行参数流形和补偿几何
机构 * Peking University–Tsinghua University–National Institute of Biological Sciences Joint Graduate Program（北京大学-清华大学-中国生物科学研究院联合研究生项目） ； Academy for Advanced Interdisciplinary Studies（先进跨学科研究院） ； Center for Bioinformatics（生物信息中心） ； School of Life Sciences（生命科学学院） ； National Laboratory of Protein Engineering and Plant Genetic Engineering（蛋白质工程与植物基因工程国家实验室） ； Center for Quantitative Biology（定量生物学中心） ； NYU-ECNU Institute of Mathematical Sciences（纽约大学-复旦大学数学科学研究院） ； New York University Shanghai（纽约大学上海分校） ； NYU-ECNU Institute of Brain and Cognitive Science（纽约大学-复旦大学脑与认知科学研究院）
AI总结 研究复杂系统参数与可观测量关系，将兼容参数集形式化为可行参数流形，用条件分数扩散模型训练并采样，以Lorenz等模型为例揭示系统补偿几何等，为研究提供工具。
Comments 25 pages, 7 figures
连续随机消耗的在线资源分配：退化下的遗憾
机构 * Stern School of Business（斯特恩商学院） ； New York University（纽约大学）
AI总结 研究奖励和消耗量连续分布的在线资源分配问题，提出基于样本路径的边际策略，在退化情况下实现次线性遗憾。
分离性身份：语言模型代理缺乏声誉机制的基础
机构 * University of Oxford（牛津大学） ； New York University Shanghai（纽约大学上海分校）
AI总结 本文指出语言模型代理因本体上的分离性（模块可替换、身份流动）而无法满足声誉机制所需的身份持续性、行为可预测性和制裁敏感性，从而提出转向基于可观察性、事前、构成性、协议的行为约束。
Comments Accepted by FaccT 2026
聚焦会议：加速多模态基础模型的硬件和软件技术
机构 * eBRAIN Lab, New York University (NYU) Abu Dhabi（eBRAIN实验室，纽约大学（NYU）阿布扎比）
AI总结 本文提出了一种多层方法，通过硬件和软件协同设计和优化流程，提升多模态基础模型的效率。方法包括混合精度量化、结构剪枝、推测解码等技术，结合硬件加速器优化计算和内存需求，验证了在医疗和代码生成任务中的有效性。
Comments Accepted at the Design, Automation and Test in Europe Conference (DATE), April 20-22, 2026 in Verona, Italy
QSLM：一种性能和内存感知的量化框架，具有分层搜索策略用于脉冲驱动语言模型
机构 * eBRAIN Lab, New York University (NYU) Abu Dhabi（eBRAIN实验室，纽约大学阿布扎比分校）
AI总结 本文提出QSLM框架，通过分层搜索策略和多目标性能-内存权衡函数，实现对预训练脉冲驱动语言模型的自动量化压缩，减少内存占用并降低能耗，同时保持高性能。
Comments Accepted at the Design, Automation and Test in Europe Conference (DATE) 2025 on April 20th-22nd, 2026 in Verona, Italy
Industrial3D: 一个用于工业基础设施的地面激光雷达点云数据集和跨范式基准
机构 * Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology（香港科技大学土木与环境工程系） ； Guangzhou Institute of Geography, Guangdong Academy of Sciences（广东省科学院广州地理研究所） ； School of Civil Engineering, Southeast University（东南大学土木工程学院） ； College of Geography and Tourism, Hengyang Normal University（衡阳师范学院地理与旅游学院） ； Department of Architecture and Civil Engineering, City University of Hong Kong（香港城市大学建筑与土木工程系） ； S.M.A.R.T. Construction Research Group, New York University Abu Dhabi（纽约大学阿布扎比分校S.M.A.R.T.建筑研究组） ； Department of the Built Environment, National University of Singapore（新加坡国立大学建筑环境系） ； Spatial Intelligence and Urban Computing, Institute of Urban Environment, Chinese Academy of Sciences（中国科学院城市环境研究所空间智能与城市计算） ； State Key Lab of Ecological Security of Regions and Cities, Institute of Urban Environment, Chinese Academy of Sciences（中国科学院城市环境研究所区域与城市生态安全国家重点实验室）
AI总结 本文提出Industrial3D数据集，包含6.12亿个高精度标注点云，用于解决工业设施中密集点云的语义理解难题，并建立首个跨范式基准，揭示了工业TLS数据中统计稀有性和几何模糊性带来的领域迁移挑战。
Comments 52 pages, 8 figure, 14 tables
Journal ref 2026, under review
知道何时不回答：用于安全检索增强生成的轻量级知识库对齐的域外检测
机构 * New York University（纽约大学） ； National Institute on Drug Abuse（国家成瘾医学研究所） ； University of Pennsylvania（宾夕法尼亚大学） ； Microsoft（微软公司）
AI总结 研究用于检索增强生成（RAG）系统的轻量级、知识库对齐的域外检测，通过PCA处理知识库嵌入，用方差保留或t检验排序选择子空间评分查询，评估规则和分类器，发现低维检测器性能好且更优。
多臂老虎机中可重复性渐近无代价
机构 * New York University（纽约大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； RIKEN AIP（理化学研究所人工智能研究中心） ； The University of Tokyo（东京大学） ； National Institute of Informatics（信息处理研究所）
AI总结 研究可重复随机多臂老虎机算法，通过特定方法，在时间范围足够大时，使算法行动序列不受数据集中随机性影响，且探索代价更小，还给出限制不可重复性概率的方法及双臂问题下界。
Comments Updated based on the TMLR camera-ready version. https://openreview.net/forum?id=E8rmbq8BYP
DrawTalking：通过绘图和说话构建交互世界
机构 * New York University（纽约大学） ； Adobe Research（Adobe研究院） ； University of California, San Diego（加州大学圣迭戈分校）
AI总结 DrawTalking通过绘图和说话构建交互世界，提供无代码编程能力，适用于创意探索场景，展示其灵活性和应用潜力。
Comments 25 pages, 27 figures; Matching version accepted at UIST 2024
基于强化学习的视觉语言模型视觉接地自反思
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； New York University（纽约大学）
AI总结 提出VRRL框架，通过随机掩码轨迹前缀和缓冲回滚机制，增强视觉语言模型在分布外场景下的视觉接地自反思能力，显著提升准确率。
通过贝尔曼证书的多秘书问题紧下界
机构 * Stern School of Business, New York University（纽约大学斯特恩商学院）
AI总结 针对多秘书问题中带间隙支撑的有界密度分布，证明最优遗憾至少为(\log T)^2，与现有上界匹配，并引入贝尔曼证书框架用于下界构造。
平均场强化学习
机构 * Department of Operations Research and Financial Engineering & Program in Applied and Computational Mathematics, Princeton NJ 08544, USA（普林斯顿大学运筹学与金融工程系及应用与计算数学项目） ； Shanghai Frontiers Science Center of Artificial Intelligence and Deep Learning（上海人工智能与深度学习前沿科学中心；纽约大学上海数学科学研究院（NYU-ECNU）；纽约大学上海） ； NYU-ECNU Institute of Mathematical Sciences at NYU Shanghai ； NYU Shanghai, 567 West Yangsi Road, Shanghai, 200126, People’s Republic of China
AI总结 通过平均场交互和共同噪声的大群体随机控制视角，介绍平均场强化学习，建立代表性智能体学习问题的概率、数学和控制理论框架，并分析表格Q学习和策略梯度方法。
具有学习相互作用的非局部平均场薛定谔桥
机构 * Department of Mathematics, Imperial College London（伦敦帝国学院数学系） ； Shanghai Frontiers Science Center of Artificial Intelligence and Deep Learning（上海前沿人工智能与深度学习科学中心） ； NYU-ECNU Institute of Mathematical Sciences, NYU Shanghai（纽约大学上海数学科学研究所）
AI总结 本文提出一种使用神经网络代理近似非局部相互作用的平均场薛定谔桥方法，将推理时的每步计算成本从二次降低到线性，并推导了代理误差传播的稳定性界限。
Comments 32 pages, 15 figures
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