New York University（纽约大学）

Neural Network-based Partial-Linear Single-Index Models for Environmental Mixtures Analysis

基于神经网络的偏线性单指数模型用于环境混合物分析

Hyungrok Do, Yuyan Wang, Mengling Liu, Myeonggyun Lee

机构 * Division of Biostatistics Department of Population Health NYU Grossman School of Medicine（生物统计学系人口健康部纽约大学 Grossman 医学院） 纠错

AI总结 本文提出基于神经网络的偏线性单指数模型，用于分析环境混合物，兼顾可解释性和表达能力，支持多种结局类型，并提供开源工具实现。

Exploring MLLM-Diffusion Information Transfer with MetaCanvas

探索MLLM-扩散信息传输与MetaCanvas

Han Lin, Xichen Pan, Ziqi Huang, Ji Hou, Jialiang Wang, Weifeng Chen, Zecheng He, Felix Juefei-Xu, Junzhe Sun, Zhipeng Fan, Ali Thabet, Mohit Bansal, Chu Wang

机构 * Meta Superintelligence Labs（Meta 超智能实验室） ； New York University（纽约大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 MetaCanvas通过使MLLMs在潜在空间中推理和规划，提升多模态生成的精确度和结构化控制。

Comments Project page: https://metacanvas.github.io

Geometry-Informed Neural Operator Transformer

几何引导的神经算子变换器

Qibang Liu, Weiheng Zhong, Hadi Meidani, Diab Abueidda, Seid Koric, Philippe Geubelle

机构 * National Center for Supercomputing Applications, University of Illinois Urbana-Champaign（国家超级计算中心，伊利诺伊大学厄巴纳-香槟分校） ； Beckman Institute for Advanced Science and Technology, University of Illinois Urbana-Champaign（贝克曼先进科学与技术研究所，伊利诺伊大学厄巴纳-香槟分校） ； The Grainger College of Engineering, Department of Aerospace Engineering, University of Illinois Urbana-Champaign（格拉inger工程学院，航空航天工程系，伊利诺伊大学厄巴纳-香槟分校） ； The Grainger College of Engineering, Department of Mechanical Science and Engineering, University of Illinois Urbana-Champaign（格拉inger工程学院，机械科学与工程系，伊利诺伊大学厄巴纳-香槟分校） ； The Grainger College of Engineering, Department of Civil and Environmental Engineering, University of Illinois Urbana-Champaign（格拉inger工程学院，土木与环境工程系，伊利诺伊大学厄巴纳-香槟分校） ； Civil and Urban Engineering Department, New York University Abu Dhabi（纽约大学阿布扎比分校土木与城市工程系） ； Department of Industrial and Manufacturing Systems Engineering, Kansas State University（工业与制造系统工程系，堪萨斯州立大学） 纠错

AI总结 本文提出几何引导的神经算子变换器，通过结合变换器架构与神经算子框架，实现对任意几何形状的高效前向预测，验证了其在复杂几何中的高精度和强泛化能力。

Meta-Statistical Learning: Supervised Learning of Statistical Estimators

元统计学习：监督学习的统计估计器

Maxime Peyrard, Kyunghyun Cho

机构 * Université Grenoble Alpes, CNRS, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、国家科学研究中心、格勒诺布尔INP、实验室LIG） ； New York University, Prescient Design, Genentech（纽约大学、Prescient Design、基因泰克） 纠错

AI总结 本研究提出元统计学习方法，通过监督学习框架自动发现通用且灵活的统计估计器，应用于正常性检验和互信息估计任务，取得良好效果。

An Efficient Variant of One-Class SVM with Lifelong Online Learning Guarantees

一种具有终身在线学习保证的高效单类SVM变种

Joe Suk, Samory Kpotufe

机构 * New York University（纽约大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出SONAR，一种基于SGD的高效单类SVM求解器，通过强凸正则化实现非平稳数据下的终身学习保证，并在对抗性数据中展示适应性保证。