New York University（纽约大学）

Learning Behavioral Signals from Encrypted Smartphone Network Traffic

从加密智能手机网络流量中学习行为信号

Rameen Mahmood, Omar El Shahawy, Souptik Barua, Zachary Beattie, Jeffrey Kaye, Xuhai "Orson'' Xu, Chao-Yi Wu, Danny Yuxing Huang

机构 * New York University（纽约大学） ； NYU Langone Health（NYU Langone健康） ； NYU Grossman School of Medicine（NYU Grossman医学院） ； Oregon Health & Science University（俄勒冈健康与科学大学） ； Columbia University（哥伦比亚大学） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 本文利用基于Transformer的模型从加密网络流量中学习行为表征，结合用户特定适配器，并通过稀疏表示和广义估计方程分析，发现压力、孤独感和睡眠障碍分别与个体间差异、个体内波动及两者组合相关，且学习到的表征优于传统手工特征。

Comments 19 pages, 6 figures

VESTA: Visual Exploration with Statistical Tool Agents

VESTA: 基于统计工具代理的视觉探索

William Rudman, Abhishek Divekar, Kanishk Jain, Sebastian Joseph, Stella S. R. Offner, Matthew Lease, Kyle Mahowald, Greg Durrett, Junyi Jessy Li

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） 纠错

AI总结 提出VESTA框架，通过动态增长的工具集指导数据变换、假设驱动可视化和统计检验，提升视觉语言模型在复杂统计建模任务上的性能。

Learning What's Real: Disentangling Signal and Measurement Artifacts in Multi-Sensor Data, with Applications to Astrophysics

学习真实内容：在多传感器数据中分离信号和测量伪影，应用于天体物理学

Pablo Mercader-Perez, Carolina Cuesta-Lazaro, Daniel Muthukrishna, Jeroen Audenaert, V. Ashley Villar, David W. Hogg, Marc Huertas-Company, William T. Freeman

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Flatiron Institute, Simons Foundation（Flatiron研究所，Simons基金会） ； Institute for Advanced Studies（高级研究 institute） ； Harvard University（哈佛大学） ； New York University（纽约大学） ； Instituto de Astrofísica de Canarias（加那利大天文台） 纠错

AI总结 本文提出一种深度学习框架，通过重叠观测、双编码器架构和反事实生成目标，分离多传感器数据中的信号与伪影，提升天体物理学研究的准确性。

Comments Accepted at the 2nd Workshop on Foundation Models for Science at ICLR 2026. 10 pages, 7 figures (main text), plus appendix

Full-Batch Gradient Descent Outperforms One-Pass SGD: Sample Complexity Separation in Single-Index Learning

全批量梯度下降优于单次SGD：单索引学习中的样本复杂度分离

Filip Kovačević, Hong Chang Ji, Denny Wu, Mahdi Soltanolkotabi, Marco Mondelli

机构 * Institute of Science and Technology Austria（奥地利科学与技术研究所） ； Sung Kyun Kwan University（顺天妇女大学） ； New York University and Flatiron Institute（纽约大学和Flatiron研究所） ； University of Southern California（南加州大学） 纠错

AI总结 研究单索引学习中全批量GD与单次SGD的样本复杂度差异，发现通过截断激活函数，全批量GD在n≃d样本时实现弱恢复，优于单次SGD的n≳d log d样本需求。

Comments Accepted to ICML 2026

From "Weak" Signals to Strong Models: Preference Delta Aggregation with LoRA Merging

从“弱”信号到强模型：基于LoRA合并的偏好增量聚合

Qi Sun, Siyue Zhang, Yulin Chen, Yuxiang Xue, Ru Peng, Chen Zhao

机构 * NYU Shanghai（纽约大学上海校区） ； NTU（国立台湾大学） ； NYU（纽约大学） ； ZJU（浙江大学） 纠错

AI总结 提出偏好增量聚合（PDA）框架，通过从弱-更弱模型对中提取偏好增量并转化为LoRA适配器，再经几何对齐合并（GAM）聚合多个“弱”信号，以提升强模型性能。

COF26: A new on-top functional for multiconfiguration pair-density functional theory

COF26：多组态对密度泛函理论的一种新的on-top泛函

Yuhao Chen, Donald G. Truhlar, Xiao He

机构 * Shanghai Engineering Research Center of Molecular Therapeutics and New Drug Development（分子治疗与新药开发上海工程研究中心） ； Shanghai Frontiers Science Center of Molecule Intelligent Syntheses（分子智能合成上海前沿科学中心） ； School of Chemistry and Molecular Engineering, East China Normal University（东华大学化学与分子工程学院） ； Department of Chemistry, Chemical Theory Center, and Minnesota Supercomputing Institute, University of Minnesota（明尼苏达大学化学系、化学理论中心和明尼苏达超级计算研究所） ； Chongqing Key Laboratory of Precision Optics, Chongqing Institute of East China Normal University（重庆精密光学重点实验室，东华大学重庆研究所） ； New York University–East China Normal University Center for Computational Chemistry, New York University Shanghai（纽约大学–东华大学计算化学中心，纽约大学上海） 纠错

AI总结 提出COF26泛函，通过大语言模型辅助优化工作流，在强和弱关联体系中均表现优越，推荐用于未来MC-PDFT计算。

LLM-Augmented Digital Twin for Policy Evaluation in Short-Video Platforms

LLM增强的数字孪生用于短视频平台策略评估

Haoting Zhang, Yunduan Lin, Jinghai He, Denglin Jiang, Zuo-Jun Shen, Zeyu Zheng

机构 * University of California, Berkeley（加州大学伯克利分校） ； The Chinese University of Hong Kong（香港中文大学） ； New York University（纽约大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 提出一种LLM增强的四模块数字孪生架构（用户、内容、交互、平台），通过事件驱动执行层和可插拔策略组件，支持在闭环动态下对平台策略（含AI策略）进行可复现的仿真评估。