New York University（纽约大学）

PFF-Net: Patch Feature Fitting for Point Cloud Normal Estimation

PFF-Net：点云法向量估计的补丁特征拟合

Qing Li, Huifang Feng, Kanle Shi, Yue Gao, Yi Fang, Yu-Shen Liu, Zhizhong Han

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） 纠错

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

OpenApps: Simulating Environment Variations to Measure UI-Agent Reliability

OpenApps: 通过模拟环境变化来衡量UI代理的可靠性

Karen Ullrich, Jingtong Su, Claudia Shi, Arjun Subramonian, Amir Bar, Ivan Evtimov, Nikolaos Tsilivis, Randall Balestriero, Julia Kempe, Mark Ibrahim

机构 * FAIR at Meta（Meta 的 FAIR 研究组） ； New York University（纽约大学） ； Brown University（布朗大学） 纠错

AI总结 OpenApps通过模拟不同应用程序变化来衡量UI代理的可靠性，发现任务成功率在不同环境中有显著波动。

Active Slice Discovery in Large Language Models

大语言模型中的主动切片发现

Minhui Zhang, Prahar Ijner, Yoav Wald, Elliot Creager

机构 * University of Waterloo（多伦多大学） ； New York University（纽约大学） 纠错

AI总结 本文提出主动切片发现方法，通过主动学习算法有效识别大语言模型中的错误切片，提升毒性分类的准确性。

Comments Accepted for presentation at NeurIPS 2025 - Reliable ML Workshop

Thinking in 360°: Humanoid Visual Search in the Wild

全方位思考：野外人形视觉搜索

Heyang Yu, Yinan Han, Xiangyu Zhang, Baiqiao Yin, Bowen Chang, Xiangyu Han, Xinhao Liu, Jing Zhang, Marco Pavone, Chen Feng, Saining Xie, Yiming Li

机构 * NYU（纽约大学） ； NVIDIA（英伟达） ； TU Darmstadt（图鲁姆大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出人形视觉搜索方法，通过人形代理在360°全景图像中搜索物体和路径，实验表明现有模型在复杂场景中表现不佳，但通过后训练技术显著提升了性能。

Comments Website: https://humanoid-vstar.github.io/ ; Code: https://github.com/humanoid-vstar/hstar

Group Averaging for Physics Applications: Accuracy Improvements at Zero Training Cost

群平均用于物理应用：零训练成本下的精度提升

Valentino F. Foit, David W. Hogg, Soledad Villar

机构 * Center for Cosmology and Particle Physics（宇宙与粒子物理中心） ； Department of Physics（物理系） ； New York University（纽约大学） ； Department of Applied Mathematics & Statistics and Mathematical Institute for Data Science（应用数学与统计系及数据科学数学研究所） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出通过群平均技术在零训练成本下提升物理应用中模型的预测精度，实验表明该方法能有效降低评估损失并改善连续动态预测效果。

Comments 10 pages, 2 figures, 1 table, Machine Learning and the Physical Sciences Workshop, NeurIPS 2025

Journal ref Machine Learning and the Physical Sciences Workshop, NeurIPS 2025