New York University（纽约大学）

WakeupUrban: Unsupervised Semantic Segmentation of Mid-20$^{th}$ century Urban Landscapes with Satellite Imagery

WakeupUrban: 利用卫星图像对20世纪中叶城市景观进行无监督语义分割

Tianxiang Hao, Lixian Zhang, Yingjia Zhang, Mengxuan Chen, Jinxiao Zhang, Runmin Dong, Haohuan Fu

机构 * Tsinghua University, SIGS（清华大学 SIGS） ； National Supercomputing Center in Shenzhen（深圳国家超算中心） ； New York University Shanghai（纽约大学上海分校） ； Tsinghua University, DESS（清华大学 DESS） ； Sun Yat-sen University（中山大学） 纠错

AI总结 WakeupUrban通过无监督语义分割框架WakeupUSM，利用历史卫星图像分析20世纪中叶城市景观，提升长期城市变化的定量研究能力。

Comments 11 pages, 4 figures, 3 tables

State over Tokens: Characterizing the Role of Reasoning Tokens

令牌上的状态：阐明推理令牌的作用

Mosh Levy, Zohar Elyoseph, Shauli Ravfogel, Yoav Goldberg

机构 * Bar-Ilan University（巴伊兰大学） ； University of Haifa（海法大学） ； New York University（纽约大学） ； Allen Institute for AI（人工智能研究院） 纠错

AI总结 本文提出SoT框架，将LLM的推理令牌视为外部化计算状态，而非文本叙述，以揭示其实际推理机制及未被关注的研究问题。

AI Transparency Atlas: Framework, Scoring, and Real-Time Model Card Evaluation Pipeline

AI透明度地图：框架、评分与实时模型卡片评估流程

Akhmadillo Mamirov, Faiaz Azmain, Hanyu Wang

机构 * Department of Computer Science, The College of Wooster, Wooster, OH, USA（计算机科学系，沃斯特学院，沃斯特，OH，USA） ； Robert F. Wagner Graduate School of Public Service, New York University, New York, NY, USA（罗伯特·F·瓦格纳公共事务研究生学院，纽约大学，纽约，NY，USA） 纠错

AI总结 本文提出AI透明度框架和实时评估流程，评估50个模型发现前沿实验室合规率约80%，而多数供应商低于60%，安全关键领域存在显著缺口。

MolGuidance: Advanced Guidance Strategies for Conditional Molecular Generation with Flow Matching

MolGuidance: 面向条件分子生成的先进引导策略与流匹配

Jirui Jin, Cheng Zeng, Pawan Prakash, Ellad B. Tadmor, Adrian Roitberg, Richard G. Hennig, Stefano Martiniani, Mingjie Liu

机构 * University of Florida（佛罗里达大学） ； University of Minnesota（明尼苏达大学） ； New York University（纽约大学） 纠错

AI总结 MolGuidance通过整合先进引导策略与流匹配技术，提升条件分子生成的性质对齐和结构合理性，实现新的性能突破。

Comments 19 pages, 5 figures, code: https://github.com/Liu-Group-UF/MolGuidance

High-Dimensional Tensor Discriminant Analysis: Low-Rank Discriminant Structure, Representation Synergy, and Theoretical Guarantees

高维张量判别分析：低秩判别结构、表示协同与理论保证

Elynn Chen, Yuefeng Han, Jiayu Li

机构 * New York University（纽约大学） ； University of Notre Dame（诺特大学） 纠错

AI总结 本文提出CP-TDA方法，通过低秩结构和深度生成模型处理高维张量数据，实现理论保证和高维小样本下的性能提升。

Causal Strengths and Leaky Beliefs: Interpreting LLM Reasoning via Noisy-OR Causal Bayes Nets

因果强度与渗漏信念：通过噪声-或因果贝叶斯网络解读LLM推理

Hanna Dettki

机构 * New York University（纽约大学） 纠错

AI总结 本文通过噪声-或因果贝叶斯网络评估LLM和人类在因果推理任务中的表现，探讨其因果强度和信念差异。

Journal ref WiML Workshop at NeurIPS 2025