New York University（纽约大学）

JEPA as a Neural Tokenizer: Learning Robust Speech Representations with Density Adaptive Attention

JEPA作为一种神经令牌化器：利用密度自适应注意力学习鲁棒的语音表示

Georgios Ioannides, Christos Constantinou, Aman Chadha, Aaron Elkins, Linsey Pang, Ravid Shwartz-Ziv, Yann LeCun

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon GenAI（亚马逊生成人工智能） ； James Silberrad Brown Center for Artificial Intelligence（詹姆斯·西伯拉德·布朗人工智能中心） ； University of Bristol（布里斯托大学） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； New York University（纽约大学） 纠错

AI总结 本文提出了一种结合JEPA和密度自适应注意力机制的两阶段自监督框架，用于高效学习鲁棒的语音表示，通过令牌化和高保真重建实现高效压缩。

Comments UniReps: Unifying Representations in Neural Models (NeurIPS 2025 Workshop)

An Analysis of Large Language Models for Simulating User Responses in Surveys

大型语言模型在模拟调查用户响应中的分析

Ziyun Yu, Yiru Zhou, Chen Zhao, Hongyi Wen

机构 * Center for Data Science, NYU Shanghai（纽约大学上海分校数据科学中心） ； New York University（纽约大学） 纠错

AI总结 本文分析了大型语言模型在模拟调查用户响应中的表现，提出CLAIMSIM方法以提高响应多样性，但发现模型在处理不同人口特征时存在固有偏见和推理限制。

Comments Accepted to IJCNLP-AACL 2025 (Main Conference)

Opinion: Learning Intuitive Physics May Require More than Visual Data

观点：学习直观物理可能需要比视觉数据更多的内容

Ellen Su, Solim Legris, Todd M. Gureckis, Mengye Ren

机构 * New York University（纽约大学） 纠错

AI总结 本文探讨了学习直观物理是否需要比视觉数据更多的内容，发现仅训练在发育性真实数据集上不足以提升模型性能。

Audio Palette: A Diffusion Transformer with Multi-Signal Conditioning for Controllable Foley Synthesis

音频调色盘：一种多信号条件的扩散变压器用于可控的 Foley 合成

Junnuo Wang

机构 * New York University（纽约大学） 纠错

AI总结 Audio Palette通过多信号条件和LoRA技术实现可控Foley合成，提供高效、可解释的音频生成与控制方法。

Comments Accepted for publication in the Artificial Intelligence Technology Research (AITR)

Hallucination reduction with CASAL: Contrastive Activation Steering For Amortized Learning

通过CASAL减少幻觉：对比激活引导用于近似学习

Wannan, Yang, Xinchi Qiu, Lei Yu, Yuchen Zhang, Aobo Yang, Narine Kokhlikyan, Nicola Cancedda, Diego Garcia-Olano

机构 * Meta Superintelligence Labs（Meta超级智能实验室） ； New York University（纽约大学） 纠错

AI总结 CASAL通过对比激活引导减少LLM幻觉，提升模型可解释性和实用性，适用于多种模型架构。

An exact multiple-time-step variational formulation for the committor and the transition rate

精确的多时间步变分公式用于-committor和过渡率

Chatipat Lorpaiboon, Jonathan Weare, Aaron R. Dinner

机构 * Department of Chemistry（化学系） ； James Franck Institute, University of Chicago, Chicago, Illinois 60637, United States（芝加哥大学詹姆斯·弗兰克研究所） ； Courant Institute of Mathematical Sciences, New York University, New York, New York 10012, United States（纽约大学应用数学科学研究所） 纠错

AI总结 本文提出了一种精确的多时间步变分方法，用于更准确地估计committor和过渡率，通过使用停止时间替代滞后时间以减少对滞后时间选择的依赖。

Comments 46 pages, 9 figures