New York University（纽约大学）

Deep Learning for the Multiple Optimal Stopping Problem

深度学习用于多最优停止问题

Mathieu Laurière, Mehdi Talbi

机构 * Shanghai Center for Data Science（上海数据科学研究中心） ； NYU-ECNU Institute of Mathematical Sciences at NYU Shanghai（纽约大学上海数学科学研究所） ； NYU Shanghai（纽约大学上海校区） ； Laboratoire de Probabilités, Statistiques et Modélisation, Université Paris-Cité（概率、统计与建模实验室，巴黎城市大学） 纠错

AI总结 本文提出一种基于深度学习的多最优停止问题求解方法，结合动态规划原理和神经网络近似，有效处理高维复杂问题。

Agentic AI for Cyber Resilience: A New Security Paradigm and Its System-Theoretic Foundations

面向网络韧性的代理AI：一种新的安全范式及其系统理论基础

Tao Li, Quanyan Zhu

机构 * Department of Systems Engineering, City University of Hong Kong（香港城市大学系统工程系） ； Department of Electrical and Computer Engineering, New York University（纽约大学电气与计算机工程系） 纠错

AI总结 本文提出基于代理AI的网络韧性新范式，通过系统理论框架设计自主工作流，利用博弈论实现网络防御与攻击的动态平衡，提升系统在攻击下的持续适应能力。

Adaptive Keyframe Selection for Scalable 3D Scene Reconstruction in Dynamic Environments

动态环境中可扩展3D场景重建的自适应关键帧选择

Raman Jha, Yang Zhou, Giuseppe Loianno

机构 * Department of Electrical and Computer Engineering, New York University, Brooklyn, NY 11201, USA（电气与计算机工程系，纽约大学，布鲁克林，NY 11201, USA） ； Department of Electrical Engineering and Computer Sciences, University of California, Berkeley, CA 94720, USA（电气工程与计算机科学系，加州大学伯克利分校，CA 94720, USA） 纠错

AI总结 本文提出自适应关键帧选择方法，通过动态调整阈值提升动态环境中3D场景重建质量，实验验证其在Spann3r和CUT3R网络中的有效性。

Comments Accepted at ROBOVIS 2026

Image and Video Quality Assessment using Prompt-Guided Latent Diffusion Models for Cross-Dataset Generalization

基于提示引导的潜在扩散模型的图像和视频质量评估用于跨数据集泛化

Shankhanil Mitra, Diptanu De, Shika Rao, Rajiv Soundararajan

机构 * Samsung Research Institute（三星研究机构） ； Qualcomm（高通） ； New York University（纽约大学） ； Indian Institute of Science（印度科学研究院） 纠错

AI总结 本文提出基于提示引导的潜在扩散模型，通过学习跨注意力图和时间质量调节器，实现图像和视频质量评估的跨数据集泛化。

Comments Accepted to Transactions on Machine Learning Research

BootOOD: Self-Supervised Out-of-Distribution Detection via Synthetic Sample Exposure under Neural Collapse

BootOOD: 通过神经崩溃下合成样本暴露实现自监督的分布外检测

Yuanchao Wang, Tian Qin, Eduardo Valle, Bruno Abrahao

机构 * NYU Shanghai Center for Data Science（纽约市立大学上海中心数据科学研究所） ； Intercom ； Leonard N. Stern School of Business, New York University（纽约大学莱曼·N·斯特恩商学院） 纠错

AI总结 BootOOD通过自监督学习和神经崩溃特性，实现高效分布外检测，在保持ID准确性的同时超越现有方法。

Comments 10 pages

Agentic Auto-Scheduling: An Experimental Study of LLM-Guided Loop Optimization

代理自调度：LLM引导循环优化的实验研究

Massinissa Merouani, Islem Kara Bernou, Riyadh Baghdadi

机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） 纠错

AI总结 本文提出ComPilot框架，利用LLM与编译器闭环交互实现代码优化，实验表明其在循环优化中效果优于现有方法。

Comments Accepted at the 34th International Conference on Parallel Architectures and Compilation Techniques (PACT 2025). 12 pages, plus appendix

Journal ref 2025 34th International Conference on Parallel Architectures and Compilation Techniques (PACT)

LOOPerSet: A Large-Scale Dataset for Data-Driven Polyhedral Compiler Optimization

LOOPerSet: 一个大规模数据集用于数据驱动的多面体编译器优化

Massinissa Merouani, Afif Boudaoud, Riyadh Baghdadi

机构 * New York University Abu Dhabi（纽约大学阿布扎赫分校） 纠错

AI总结 LOOPerSet是一个大规模数据集，用于数据驱动的多面体编译器优化，通过提供2800万个标记数据点，促进学习成本模型和自动调度的研究。

Automated Machine Learning Pipeline: Large Language Models-Assisted Automated Dataset Generation for Training Machine-Learned Interatomic Potentials

自动化机器学习流水线：基于大语言模型的自动化数据集生成用于训练机器学习互作用势

Adam Lahouari, Jutta Rogal, Mark E. Tuckerman

机构 * NYU, Department of Chemistry（纽约大学化学系） ； Initiative for Computational Catalysis, Flatiron Institute（计算催化计划，Flatiron研究所） ； NYU, Department of Physics（纽约大学物理系） ； Courant Institute of Mathematical Sciences, NYU（数学科学学院，纽约大学） ； NYU-ECNU Center for Computational Chemistry（纽约大学-复旦大学计算化学中心） ； Simons Center for Computational Physical Chemistry, NYU（Simons计算物理化学中心，纽约大学） 纠错

AI总结 本文提出基于大语言模型的自动化机器学习流水线，用于生成训练数据集以提升机器学习互作用势的精度和稳定性。

Text-Driven Weakly Supervised OCT Lesion Segmentation with Structural Guidance

基于文本驱动的弱监督OCT病变分割与结构引导

Jiaqi Yang, Nitish Mehta, Xiaoling Hu, Chao Chen, Chia-Ling Tsai

机构 * CUNY Graduate Center（CUNY研究生中心） ； New York University Department of Ophthalmology（纽约大学眼科系） ； NYU Langone Health（NYU兰格one健康） ； Massachusetts General Hospital and Harvard Medical School（麻省总医院和哈佛医学院） ； Stony Brook University（石溪大学） 纠错

AI总结 本文提出一种基于文本驱动和结构引导的弱监督OCT病变分割方法，通过融合视觉和文本信息提升分割性能。

Comments 21 pages, 10 figures, 11 tables

Journal ref IEEE Journal of Biomedical and Health Informatics, Early Access, 2025

LOOPer: A Learned Automatic Code Optimizer For Polyhedral Compilers

LOOPer：一种基于学习的自动代码优化器用于多面体编译器

Massinissa Merouani, Afif Boudaoud, Iheb Nassim Aouadj, Nassim Tchoulak, Islem Kara Bernou, Hamza Benyamina, Fatima Benbouzid-Si Tayeb, Karima Benatchba, Hugh Leather, Riyadh Baghdadi

机构 * New York University Abu Dhabi（纽约大学阿布扎赫分校） ； Meta AI 纠错

AI总结 LOOPer是首个基于深度学习的多面体自动调度器，能高效优化广泛程序并实现复杂转换序列，其在基准测试中表现优异。

Journal ref 2025 34th International Conference on Parallel Architectures and Compilation Techniques (PACT)