New York University（纽约大学）

Quasi Monte Carlo methods enable extremely low-dimensional deep generative models

准蒙特卡洛方法使深度生成模型实现极低维

Miles Martinez, Alex H. Williams

机构 * Department of Electrical and Computer Engineering, Duke University（杜克大学电气与计算机工程系） ； Center for Cognitive Neuroscience, Duke University（杜克大学认知神经科学中心） ； Center for Neural Science, New York University（纽约大学神经科学中心） ； Center for Computational Neuroscience, Flatiron Institute（Flatiron研究所计算神经科学中心） 纠错

AI总结 准蒙特卡洛方法用于构建极低维深度生成模型，通过直接近似边际似然实现高可解释性嵌入，优于传统变分自编码器。

Understanding Users' Privacy Reasoning and Behaviors During Chatbot Use to Support Meaningful Agency in Privacy

理解用户在使用聊天机器人时的隐私认知与行为以支持隐私保护中的有意义自主性

Mohammad Hadi Nezhad, Francisco Enrique Vicente Castro, Ivon Arroyo

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； New York University（纽约大学） 纠错

AI总结 研究探讨用户在使用聊天机器人时的隐私认知与行为，旨在通过隐私通知面板提升用户对隐私保护的自主性。

Comments Preprint of a paper under review

Exploration vs Exploitation: Rethinking RLVR through Clipping, Entropy, and Spurious Reward

探索与利用：通过截断、熵和虚假奖励重新思考RLVR

Peter Chen, Xiaopeng Li, Ziniu Li, Wotao Yin, Xi Chen, Tianyi Lin

机构 * Columbia（哥伦比亚大学） ； CUHK SZ（香港大学） ； DAMO, Alibaba US（阿里云实验室） ； NYU Stern（纽约大学 Stern 学院） 纠错

AI总结 本文通过截断、熵和虚假奖励机制，重新审视RLVR框架，揭示了探索与利用权衡对大语言模型推理能力提升的影响。

Comments Accepted by ICLR 2026

MorphXAI: An Explainable Framework for Morphological Analysis of Parasites in Blood Smear Images

MorphXAI: 一种用于血涂片图像中寄生虫形态分析的可解释框架

Aqsa Yousaf, Sint Sint Win, Megan Coffee, Habeeb Olufowobi

机构 * Department of Computer Science and Engineering, University of Texas at Arlington（德克萨斯大学阿灵顿分校计算机科学与工程系） ； Department of Medicine, Division of Infectious Diseases, NYU Grossman School of Medicine（纽约大学格罗斯曼医学院医学系感染病科） 纠错

AI总结 MorphXAI通过整合形态学监督，实现了血涂片中寄生虫的检测与细粒度形态分析，提供结构化生物意义的解释。

Comments Accepted at WACV 2026

Journal ref Winter Conference on Applications of Computer Vision 2026

Dynamic Role Assignment for Multi-Agent Debate

多智能体辩论中的动态角色分配

Miao Zhang, Junsik Kim, Siyuan Xiang, Jian Gao, Cheng Cao

机构 * New York University（纽约大学） ； Amazon AGI（亚马逊人工智慧） 纠错

AI总结 本文提出动态角色分配框架，通过元辩论选择适合的智能体，提升多代理辩论系统的性能。

Explanation Multiplicity in SHAP: Characterization and Assessment

SHAP中的解释多样性：特征属性方法中的解释多样性和评估

Hyunseung Hwang, Seungeun Lee, Lucas Rosenblatt, Steven Euijong Whang, Julia Stoyanovich

机构 * New York University（纽约大学） 纠错

AI总结 SHAP解释多样性现象揭示了在高置信度预测中，即使模型固定，解释结果仍存在显著差异，需通过改进的度量和基线评估其社会影响。

A Markovian Framing of WaveFunctionCollapse for Procedurally Generating Aesthetically Complex Environments

马尔可夫框架下的波函数坍缩用于程序化生成具有美学复杂性的环境

Franklin Yiu, Mohan Lu, Nina Li, Kevin Joseph, Tianxu Zhang, Julian Togelius, Timothy Merino, Sam Earle

机构 * New York University, United States（纽约大学，美国） 纠错

AI总结 本文提出将波函数坍缩转化为马尔可夫决策过程，以更有效地处理程序化生成中目标与约束的优化问题。

Journal ref CEUR Workshop Proceedings 4090 (2025)

Probing forced responses and causality in data-driven climate emulators: conceptual limitations and the role of reduced-order models

探测数据驱动气候模拟器中的强迫响应和因果性：概念限制与降阶模型的作用

Fabrizio Falasca

机构 * Courant Institute of Mathematical Sciences New York University, New York, NY, USA（数学科学学院纽约大学，纽约，NY，USA） 纠错

AI总结 本文探讨了数据驱动气候模拟器在捕捉强迫响应和因果性方面的挑战，提出降阶模型作为替代方案，并展示了其在多尺度系统建模中的应用与价值。