New York University（纽约大学）

Resolving Sharp Gradients of Unstable Singularities to Machine Precision via Neural Networks

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

Yongji Wang, Tristan Léger, Ching-Yao Lai, Tristan Buckmaster

机构 * New York University（纽约大学） ； Yale University（耶鲁大学） ； Stanford University（斯坦福大学） 纠错

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

From Pixels to Feelings: Aligning MLLMs with Human Cognitive Perception of Images

从像素到感受：将MLLMs对齐于人类对图像的认知感知

Yiming Chen, Junlin Han, Tianyi Bai, Shengbang Tong, Filippos Kokkinos, Philip Torr

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） 纠错

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: Multi-Model Dispatching through Pre-Inference Difficulty Prediction for RTL Generation Optimization

VeriDispatcher: 通过预推理难度预测实现多模型调度以优化RTL生成

Zeng Wang, Weihua Xiao, Minghao Shao, Raghu Vamshi Hemadri, Ozgur Sinanoglu, Muhammad Shafique, Ramesh Karri

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） 纠错

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。

Physics Steering: Causal Control of Cross-Domain Concepts in a Physics Foundation Model

物理引导：在物理基础模型中实现跨领域概念的因果控制

Rio Alexa Fear, Payel Mukhopadhyay, Michael McCabe, Alberto Bietti, Miles Cranmer

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） 纠错

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

Asymmetric REINFORCE for off-Policy Reinforcement Learning: Balancing positive and negative rewards

非对称REINFORCE用于离线策略强化学习：平衡正负奖励

Charles Arnal, Gaëtan Narozniak, Vivien Cabannes, Yunhao Tang, Julia Kempe, Remi Munos

机构 * FAIR at Meta（Meta 的 FAIR） ； Work done at Meta（Meta） ； NYU Courant Institute（纽约大学Courant研究所） 纠错

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: A Neural Weather Model for Precipitation Nowcasting

Axial-UNet：一种用于降水nowcasting的神经天气模型

Sumit Mamtani, Maitreya Sonawane

机构 * New York University（纽约大学） 纠错

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: Multimodal Quantum Federated Learning Framework with Fully Homomorphic Encryption

MQFL-FHE: 多模态量子联邦学习框架与全同态加密

Siddhant Dutta, Nouhaila Innan, Sadok Ben Yahia, Muhammad Shafique, David Esteban Bernal Neira

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） 纠错

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

Configurable Fairness: Direct Optimization of Parity Metrics via Vision-Language Models

可配置公平性：通过视觉-语言模型直接优化平衡度指标

Miao Zhang, Rumi Chunara

机构 * New York University（纽约大学） 纠错

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。

New-Onset Diabetes Assessment Using Artificial Intelligence-Enhanced Electrocardiography

利用人工智能增强的心电图评估新发糖尿病

Hao Zhang, Neil Jethani, Aahlad Puli, Leonid Garber, Lior Jankelson, Yindalon Aphinyanaphongs, Rajesh Ranganath

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） 纠错

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

Test-time scaling of diffusions with flow maps

扩散模型测试时间缩放与流映射

Amirmojtaba Sabour, Michael S. Albergo, Carles Domingo-Enrich, Nicholas M. Boffi, Sanja Fidler, Karsten Kreis, Eric Vanden-Eijnden

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） 纠错

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。

A Longitudinal Measurement of Privacy Policy Evolution for Large Language Models

大型语言模型隐私政策演变的纵向测量

Zhen Tao, Shidong Pan, Zhenchang Xing, Emily Black, Talia Gillis, Chunyang Chen

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） 纠错

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。

Arithmetic-Mean $μ$P for Modern Architectures: A Unified Learning-Rate Scale for CNNs and ResNets

算术平均μP用于现代架构：CNN和ResNets的统一学习率缩放

Haosong Zhang, Shenxi Wu, Yichi Zhang, Xi Chen, Wei Lin

机构 * Fudan University（复旦大学） ； New York University（纽约大学） 纠错

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。

Safe Multi-Robotic Arm Interaction via 3D Convex Shapes

通过3D凸形实现安全的多机械臂交互

Ali Umut Kaypak, Shiqing Wei, Prashanth Krishnamurthy, Farshad Khorrami

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） 纠错

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