New York University（纽约大学）

Evidence Slopes and Effective Dimension in Singular Linear Models

证据斜率与奇异线性模型中的有效维度

Kalyaan Rao

机构 * New York University, Center for Data Science（纽约大学数据科学中心） 纠错

AI总结 本文研究了奇异线性模型中有效维度与证据斜率的关系，提出基于RLCT的修正方法以提高贝叶斯模型选择的准确性。

Comments Preprint. 10 pages, 6 figures. Under review

Zero-shot Forecasting by Simulation Alone

仅通过模拟进行零样本预测

Boris N. Oreshkin, Mayank Jauhari, Ravi Kiran Selvam, Malcolm Wolff, Wenhao Pan, Shankar Ramasubramanian, Kin G. Olivares, Tatiana Konstantinova, Andres Potapczynski, Mengfei Cao, Dmitry Efimov, Michael W. Mahoney, Andrew G. Wilson

机构 * Amazon（亚马逊公司） ； UC Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； University of Washington（华盛顿大学） 纠错

AI总结 SarSim0通过SARIMA模型生成模拟数据，实现高效的零样本时间序列预测，超越现有统计模型和基线方法。

Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting

通过回顾轨迹重写实现LM代理的样本高效在线学习

Michael Y. Hu, Benjamin Van Durme, Jacob Andreas, Harsh Jhamtani

机构 * New York University（纽约大学） ； Microsoft（微软） 纠错

AI总结 ECHO通过回顾轨迹重写提升LM代理的样本效率，有效利用过去经验以更快适应新环境。

Contrastive Self-Supervised Learning As Neural Manifold Packing

对比自监督学习作为神经流形打包

Guanming Zhang, David J. Heeger, Stefano Martiniani

机构 * Center for Soft Matter Research, Department of Physics, New York University（纽约大学软物质研究中心） ； Center for Neural Science, New York University（纽约大学神经科学中心） ； Department of Psychology, New York University（纽约大学心理学系） ； Simons Center for Computational Physical Chemistry, New York University（纽约大学西蒙计算物理化学中心） ； Courant Institute of Mathematical Sciences, New York University（纽约大学柯朗数学科学研究所） 纠错

AI总结 CLAMP通过将表示学习转化为流形打包问题，利用物理中的势能概念，实现了对神经流形的有效分离和可解释的嵌入空间动力学。

Enabling Efficient Processing of Spiking Neural Networks with On-Chip Learning on Commodity Neuromorphic Processors for Edge AI Systems

通过在商用神经形态处理器上进行芯片级学习，实现脉冲神经网络的高效处理以用于边缘AI系统

Rachmad Vidya Wicaksana Putra, Pasindu Wickramasinghe, Muhammad Shafique

机构 * eBrain Lab, New York University (NYU) Abu Dhabi（eBrain实验室，纽约大学（NYU）阿布扎赫德） 纠错

AI总结 本文提出了一种在商用神经形态处理器上实现高效SNN处理的方法，通过芯片级学习降低能耗与延迟，适用于边缘AI系统。

Comments Accepted at the International Joint Conference on Neural Networks (IJCNN) 2025 in Rome, Italy

QSViT: A Methodology for Quantizing Spiking Vision Transformers

QSViT：一种用于量化脉冲视觉变换器的方法

Rachmad Vidya Wicaksana Putra, Saad Iftikhar, Muhammad Shafique

机构 * eBrain Lab, New York University (NYU) Abu Dhabi（eBrain实验室，纽约大学（NYU）阿布扎赫德） 纠错

AI总结 QSViT通过系统性量化策略压缩SViT模型，实现22.75%内存和21.33%能耗节省，同时保持高准确性。

Comments Accepted at the International Joint Conference on Neural Networks (IJCNN) 2025 in Rome, Italy

RaffeSDG: Random Frequency Filtering enabled Single-source Domain Generalization for Medical Image Segmentation

RaffeSDG：随机频率过滤赋能的单源领域泛化用于医学图像分割

Heng Li, Haojin Li, Jianyu Chen, Mingyang Ou, Hai Shu, Heng Miao

机构 * Faculty of Biomedical Engineering, Shenzhen University of Advanced Technology（深圳先进技术大学生物医学工程学院） ； The Department of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程系） ； The Department of Biostatistics, School of Global Public Health, New York University（纽约大学全球公共卫生学院生物统计学系） ； Department of Ophthalmology, Peking University People's Hospital（北京大学人民医院眼科部门） ； Beijing Key Laboratory of Ocular Disease and Optometry Science, Peking University People’s Hospital（北京大学人民医院眼病与视光学科学重点实验室） 纠错

AI总结 RaffeSDG通过随机频率过滤和结构显著性学习，实现单源域医学图像分割的领域泛化与跨域推理。

Value-guided action planning with JEPA world models

基于JEPA世界模型的价值引导动作规划

Matthieu Destrade, Oumayma Bounou, Quentin Le Lidec, Jean Ponce, Yann LeCun

机构 * École Polytechnique（巴黎高等理工学院） ； ENS Paris（巴黎高等师范学院） ； New York University（纽约大学） 纠错

AI总结 本文提出了一种基于JEPA世界模型的价值引导动作规划方法，通过塑造表示空间提升规划性能。

Comments Presented as a poster at the World Modeling Workshop 2026, Mila