New York University（纽约大学）

Collaborative Multi-Agent Test-Time Reinforcement Learning for Reasoning

协同多智能体测试时间强化学习用于推理

Zhiyuan Hu, Yunhai Hu, Juncheng Liu, Shuyue Stella Li, Yucheng Wang, Zhen Xu, See-Kiong Ng, Anh Tuan Luu, Xinxing Xu, Bryan Hooi, Cynthia Breazeal, Hae Won Park

机构 * MIT（麻省理工学院） ； NUS（新加坡国立大学） ； NYU（纽约大学） ； Microsoft（微软） ； Columbia（哥伦比亚大学） ； NTU（国立科技大学） 纠错

AI总结 MATTRL通过在推理阶段注入结构化文本经验，提升多智能体在医学、数学和教育等领域的推理准确性，比多智能体基线提升3.67%，比单智能体基线提升8.67%。

Comments Work in Progress

RGC-Bent: A Novel Dataset for Bent Radio Galaxy Classification

RGC-Bent: 一种用于弯曲无线电星系分类的新数据集

Mir Sazzat Hossain, Khan Muhammad Bin Asad, Payaswini Saikia, Adrita Khan, Md Akil Raihan Iftee, Rakibul Hasan Rajib, Arshad Momen, Md Ashraful Amin, Amin Ahsan Ali, AKM Mahbubur Rahman

机构 * 1 Center for Computational \& Data Sciences, Independent University, Bangladesh 2 Center for Astronomy, Space Science ； Astrophysics, Independent University, Bangladesh 3 Center for Astrophysics ； Space Science, New York University Abu Dhabi 纠错

AI总结 RGC-Bent数据集通过引入先进的深度学习模型，有效提升了弯曲无线电活动星系的分类性能。

Comments 6 pages, 3 figures, 2 tables, Accepted In ICIP 2025

Journal ref Proceedings of the 2025 IEEE International Conference on Image Processing (ICIP), Anchorage, AK, USA, 2025, pp. 2868-2873

Bayesian Teaching Enables Probabilistic Reasoning in Large Language Models

贝叶斯教学使大语言模型具备概率推理能力

Linlu Qiu, Fei Sha, Kelsey Allen, Yoon Kim, Tal Linzen, Sjoerd van Steenkiste

机构 * MIT（麻省理工学院） ； Meta ； Google（谷歌公司） ； DeepMind University of British Columbia（不列颠哥伦比亚大学深度思维学院） ； Vector Institute（向量研究所） ； New York University（纽约大学） ； Google Research（谷歌研究） 纠错

AI总结 通过教学使大语言模型模仿贝叶斯模型预测，提升其概率推理能力并推广至新任务。

Comments Nature Communications

Geometric and Dynamic Scaling in Deep Transformers

深度变换器的几何与动态缩放

Haoran Su, Chenyu You

机构 * New York University（纽约大学） ； Stony Brook University（石溪大学） 纠错

AI总结 本文提出流形几何变换器（MGT），通过几何约束和动态擦除机制解决深度变换器的秩崩溃问题，强调几何有效性在超深网络中的重要性。

Comments Research Proposal Only

Geometric Algorithms for Neural Combinatorial Optimization with Constraints

带有约束条件的神经组合优化的几何算法

Nikolaos Karalias, Akbar Rafiey, Yifei Xu, Zhishang Luo, Behrooz Tahmasebi, Connie Jiang, Stefanie Jegelka

机构 * MIT（麻省理工学院） ； NYU（纽约大学） ； UCSD（加州大学圣迭戈分校） ； TUM（慕尼黑技术大学） 纠错

AI总结 本文提出了一种基于几何算法的神经组合优化方法，通过分解神经网络输出为凸组合，解决具有离散约束的优化问题，并在多种组合优化任务中取得优于基线的表现。

Learning normalized image densities via dual score matching

通过双分数匹配学习归一化图像密度

Florentin Guth, Zahra Kadkhodaie, Eero P Simoncelli

机构 * Center for Data Science, New York University（纽约大学数据科学中心） ； Flatiron Institute, Simons Foundation（Flatiron研究所，Simons基金会） ； New York University（纽约大学） 纠错

AI总结 本文提出通过双分数匹配学习归一化图像密度模型，实现能量的一致性和归一化，并在ImageNet64上取得与当前最佳相当的性能。

Journal ref The Thirty-Ninth Annual Conference on Neural Information Processing Systems, 2025

Why Knowledge Distillation Works in Generative Models: A Minimal Working Explanation

为何知识蒸馏在生成模型中有效：一个最小可行解释

Sungmin Cha, Kyunghyun Cho

机构 * New York University（纽约大学） ； Genentech（基因泰克） 纠错

AI总结 本文通过模拟和实验揭示了知识蒸馏在生成模型中通过精度与召回权衡提升生成质量的机制。

Comments NeurIPS 2025 camera ready version