Clustering in Deep Stochastic Transformers
深度随机变换器中的聚类
机构 * New York University（纽约大学） ； Google DeepMind（谷歌DeepMind） ； INRIA（法国国家信息与自动化研究所）
AI总结 深度随机变换器中，初始化噪声导致标记在球面上形成相互作用粒子系统，而非单点聚类，且存在由相互作用强度和维度决定的相变现象。
Comments 24 pages
高校专区
New York University（纽约大学）
Low-Rank Plus Sparse Matrix Transfer Learning under Growing Representations and Ambient Dimensions
低秩加稀疏矩阵迁移学习：在增长的表示和环境维度下
机构 * Department of Operations Research & Financial Engineering, Princeton University（普林斯顿大学运筹学与金融工程系） ； Department of Technology, Operations, & Statistics, New York University（纽约大学技术、运营与统计系） ； Department of Computer Science, Dartmouth College（达特茅斯学院计算机科学系）
AI总结 本文提出了一种在环境维度和表示同时增长下的迁移学习框架，通过低秩和稀疏分解实现高效的目标参数估计，并在理论和实验上验证了其有效性。
Knowledge Vector Weakening: Efficient Training-free Unlearning for Large Vision-Language Models
知识向量削弱：高效无训练卸载方法用于大视觉-语言模型
机构 * Sogang University（ソガン大学） ； New York University（纽约大学）
AI总结 KVW提出了一种无需训练的高效卸载方法，通过削弱模型中被激活的知识向量，有效防止模型利用有害知识，提升计算效率。
Probing Neural Topology of Large Language Models
探测大型语言模型的神经拓扑
机构 * Massachusetts Institute of Technology（麻省理工学院） ； New York University（纽约大学） ； Tsinghua University（清华大学） ； Harvard Medical School（哈佛医学院）
AI总结 本研究提出图探测方法，通过分析LLM神经拓扑揭示其语言生成性能，发现拓扑信息比激活信息更丰富，可提升模型效率和可靠性。
Are We Truly Forgetting? A Critical Re-examination of Machine Unlearning Evaluation Protocols
我们真的在遗忘吗？对机器遗忘评估协议的批判性重新审视
机构 * Department of Artificial Intelligence, Korea University, South Korea（韩国大学人工智能系） ； Computer Science Dept. at Courant Institute of Mathemtical Sciences, New York University, United States（纽约大学Courant数学科学研究所计算机科学系）
AI总结 本文批判性地重新审视了机器遗忘评估协议，提出了一种大规模场景下的表示基于评估方法，揭示现有方法在表示质量上的不足，并引入新的评估场景以更全面地评估遗忘算法。
Comments Accepted to Engineering Applications of Artificial Intelligence
Journal ref Volume 167, Part 2, 1 March 2026, 113785
Monte Carlo Tree Diffusion for System 2 Planning
蒙特卡洛树扩散用于系统2规划
机构 * New York University（纽约大学）
AI总结 蒙特卡洛树扩散结合扩散模型和MCTS的优势，通过树结构的去噪过程提升规划性能，实验证明其在长时间任务中优于现有方法。
Comments 23 pages, 7 figures, ICML 2025 Spotlight
