New York University（纽约大学）

Contact-Anchored Policies: Contact Conditioning Creates Strong Robot Utility Models

接触锚定策略：接触条件创造强大的机器人效用模型

Zichen Jeff Cui, Omar Rayyan, Haritheja Etukuru, Bowen Tan, Zavier Andrianarivo, Zicheng Teng, Yihang Zhou, Krish Mehta, Nicholas Wojno, Kevin Yuanbo Wu, Manan H Anjaria, Ziyuan Wu, Manrong Mao, Guangxun Zhang, Binit Shah, Yejin Kim, Soumith Chintala, Lerrel Pinto, Nur Muhammad Mahi Shafiullah

机构 * New York University（纽约大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Hello Robot Inc.（Hello Robot公司） ； Ai2 ； University of Waterloo（滑铁卢大学） 纠错

AI总结 接触锚定策略通过接触条件实现强大的机器人效用模型，仅用23小时演示数据即在三种基本操作技能上实现跨环境泛化，并在零样本评估中超越现有最先进方法56%。

Paradox of De-identification: A Critique of HIPAA Safe Harbour in the Age of LLMs

去标识的悖论：在大型语言模型时代对HIPAA安全港的批判

Lavender Y. Jiang, Xujin Chris Liu, Kyunghyun Cho, Eric K. Oermann

机构 * New York University（纽约大学） 纠错

AI总结 本文批判HIPAA安全港在大型语言模型时代存在的不足，指出去标识的不完美性可能影响患者与提供者之间的信任，并提出通过因果图和实证研究揭示去标识悖论，呼吁社区采取行动。

Data Reconstruction: Identifiability and Optimization with Sample Splitting

数据重建：基于样本分割的可识别性与优化

Yujie Shen, Zihan Wang, Jian Qian, Qi Lei

机构 * Zhili College at Tsinghua University（清华大学紫荆学院） ； Courant Institute for Mathematical Sciences at New York University（纽约大学Courant数学科学研究所） ； School of Computing and Data Science at University of Hong Kong（香港大学计算与数据科学学院） ； Courant Institute for Mathematical Sciences, and Center for Data Science at New York University（纽约大学Courant数学科学研究所和数据科学中心） 纠错

AI总结 本文研究了数据重建的可识别性与优化问题，提出样本分割方法以提升重建性能。

On convexity and efficiency in semantic systems

关于语义系统中的凸性与效率

Nathaniel Imel, Noga Zaslavasky

机构 * Department of Psychology, New York University（纽约大学心理学系） 纠错

AI总结 本文通过信息瓶颈框架分析了语义系统中凸性与效率的区别，发现效率在区分颜色命名系统方面更具预测性，而凸性在某些情况下效果有限。

A Survey on Class-Agnostic Counting: Advancements from Reference-Based to Open-World Text-Guided Approaches

对类无关计数的综述：从基于参考到开放世界文本引导方法的进展

Luca Ciampi, Ali Azmoudeh, Elif Ecem Akbaba, Erdi Sarıtaş, Ziya Ata Yazıcı, Hazım Kemal Ekenel, Giuseppe Amato, Fabrizio Falchi

机构 * CNR-ISTI ； Istanbul Technical University（伊斯坦布尔技术大学） ； Division of Engineering, NYU Abu Dhabi（NYU阿布扎比分校工程系） 纠错

AI总结 本文综述了类无关计数方法，提出三种范式并评估了30种架构，探讨了其性能、挑战及未来方向。

Comments Preprint version of an article accepted ad Elsevier's CVIU

NLP Sampling: Combining MCMC and NLP Methods for Diverse Constrained Sampling

NLP采样：结合MCMC和NLP方法进行多样化的受限采样

Marc Toussaint, Cornelius V. Braun, Joaquim Ortiz-Haro

机构 * Learning & Intelligent Systems Lab, TU Berlin（柏林技术大学学习与智能系统实验室） ； Machines in Motion Lab, New York University（纽约大学运动机器实验室） 纠错

AI总结 本文提出NLP采样框架，结合MCMC和NLP方法，解决多样化的受限采样问题，并通过实验验证其有效性。

Do Multi-Agents Dream of Electric Screens? Achieving Perfect Accuracy on AndroidWorld Through Task Decomposition

多智能体是否梦想着电子屏幕？通过任务分解在AndroidWorld上实现完美准确率

Pierre-Louis Favreau, Jean-Pierre Lo, Clement Guiguet, Charles Simon-Meunier, Nicolas Dehandschoewercker, Allen G. Roush, Judah Goldfeder, Ravid Shwartz-Ziv

机构 * Columbia University（哥伦比亚大学） ； New York University（纽约大学） 纠错

AI总结 Minitap通过任务分解和多智能体架构在AndroidWorld上实现100%准确率，超越人类表现，解决单智能体架构的多个失败原因。

Cross-View World Models

跨视角世界模型

Rishabh Sharma, Gijs Hogervorst, Wayne E. Mackey, David J. Heeger, Stefano Martiniani

机构 * Simons Center for Computational Physical Chemistry（Simon计算物理化学中心） ； Center for Soft Matter Research, Department of Physics（软物质研究中心，物理系） ； Statespace Labs, Inc.（Statespace公司） ； Center for Neural Science, New York University（神经科学中心，纽约大学） ； Department of Psychology, New York University（心理学系，纽约大学） ； Courant Institute of Mathematical Sciences, New York University（Courant数学科学研究所，纽约大学） 纠错

AI总结 本文提出跨视角世界模型，通过多视角预测训练智能体在不同视角下进行规划，提升空间感知与多智能体协作能力。

Comments 12 pages, 7 figures

Exactly Computing do-Shapley Values

精确计算do-肖普利值

R. Teal Witter, Álvaro Parafita, Tomas Garriga, Maximilian Muschalik, Fabian Fumagalli, Axel Brando, Lucas Rosenblatt

机构 * Mathematical Sciences Department, Claremont McKenna College（克莱门特麦肯纳学院数学科学系） ； Barcelona Supercomputing Center, Barcelona, Spain（巴塞罗那超级计算中心） ； Department of Computer Science and Engineering, New York University（纽约大学计算机科学与工程系） 纠错

AI总结 本文提出了一种精确计算do-肖普利值的方法，通过不可约集的线性时间算法，显著提高了计算效率并降低了识别负担。

These Are Not All the Features You Are Looking For: A Fundamental Bottleneck in Supervised Pretraining

这些并非你所寻找的所有特征：监督预训练中的一个根本瓶颈

Xingyu Alice Yang, Jianyu Zhang, Léon Bottou

机构 * Fundamental AI Research (FAIR) at Meta（Meta 的基础人工智能研究（FAIR）） ； New York University（纽约大学） 纠错

AI总结 本文提出通过模型集成策略提升迁移学习性能，发现预训练模型存在特征不一致导致的迁移偏差问题，并在ResNet上验证了该方法的有效性。

Comments 10 pages, 6 figures, Preprint. Under review