New York University（纽约大学）

PluriHarms: Benchmarking the Full Spectrum of Human Judgments on AI Harm

PluriHarms：对AI危害全谱人类判断的基准测试

Jing-Jing Li, Joel Mire, Eve Fleisig, Valentina Pyatkin, Anne Collins, Maarten Sap, Sydney Levine

机构 * UC Berkeley（伯克利大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Allen Institute for AI（人工智能研究院） ； New York University（纽约大学） 纠错

AI总结 PluriHarms通过系统研究人类对AI危害的判断，旨在推动更安全的AI发展。

Internet of Agentic AI: Incentive-Compatible Distributed Teaming and Workflow

互联网中的代理AI：激励兼容的分布式团队和工作流

Ya-Ting Yang, Quanyan Zhu

机构 * Department of Electrical and Computer Engineering, Tandon School of Engineering, New York University, Brooklyn, NY, USA（电气与计算机工程系，工程学院，纽约大学，布鲁克林，纽约，美国） 纠错

AI总结 本文提出互联网中的代理AI框架，通过激励兼容的分布式联盟形成实现可扩展的代理工作流，展示其在医疗领域的应用价值。

Refining Decision Boundaries In Anomaly Detection Using Similarity Search Within the Feature Space

利用特征空间中的相似性搜索细化异常检测的决策边界

Sidahmed Benabderrahmane, Petko Valtchev, James Cheney, Talal Rahwan

机构 * New York University, NYUAD, Division of Science, Computer Science Department（纽约大学） ； University of Quebec in Montreal, Computer Science Department, Montreal（魁北克大学蒙特利尔分校） ； University of Edinburgh, School of Informatics, Edinburgh（爱丁堡大学） 纠错

AI总结 SDA2E 通过特征空间中的相似性搜索优化异常检测，结合三种新策略提升决策边界，减少标注数据用量达 80%，在多个数据集上表现优异。

Spatiotemporal Decision Transformer for Traffic Coordination

时空决策变压器用于交通协调

Haoran Su, Yandong Sun, Hanxiao Deng

机构 * New York University（纽约大学） ； UC Berkeley（伯克利大学） 纠错

AI总结 MADT通过引入图注意力机制、时间变压器编码器和返回到去的条件，实现了多智能体交通信号控制的序列建模，有效提升了交通协调性能。

Privately Fine-Tuned LLMs Preserve Temporal Dynamics in Tabular Data

私有微调的LLM在表格数据中保留时间动态

Lucas Rosenblatt, Peihan Liu, Ryan McKenna, Natalia Ponomareva

机构 * NYU（纽约大学） ； Columbia University（哥伦比亚大学） ； Google Research（谷歌研究） 纠错

AI总结 本文提出PATH框架，利用私有微调的LLM保留表格数据的时间动态，有效捕捉长距离依赖并提升合成数据质量。

When Noise Lowers The Loss: Rethinking Likelihood-Based Evaluation in Music Large Language Models

噪声降低损失：重新思考音乐大语言模型中的基于似然的评估

Xiaosha Li, Chun Liu, Ziyu Wang

机构 * Georgia Institute of Technology（佐治亚理工学院） ； ByteDance Inc.（字节跳动公司） ； Courant Institute of Mathematical Sciences, New York University（纽约大学应用数学科学研究所） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（Mohamed bin Zayed人工智能大学） 纠错

AI总结 本文提出通过损失曲线形状而非绝对值来评估音乐生成质量，揭示模型对局部破坏的敏感性，为更有效的训练目标和基准提供新思路。

Comments Accepted by IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP) 2026

Evaluating High-Resolution Piano Sustain Pedal Depth Estimation with Musically Informed Metrics

评估高分辨率钢琴踏板深度估计的音乐感知指标

Hanwen Zhang, Kun Fang, Ziyu Wang, Ichiro Fujinaga

机构 * Schulich School of Music, McGill University, Montréal, QC, Canada（麦吉尔大学音乐学院） ； Courant Institute of Mathematical Sciences, New York University, New York, USA（纽约大学Courant数学科学研究所） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), Abu Dhabi, UAE（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出一种结合音乐感知指标的评估框架，用于更准确地评估钢琴踏板深度估计模型，通过动作和手势层面分析提升模型性能。