New York University（纽约大学）

Probing the Geometry of Diffusion Models with the String Method

用字符串方法探究扩散模型的几何结构

Elio Moreau, Florentin Coeurdoux, Grégoire Ferre, Eric Vanden-Eijnden

机构 * Capital Fund Management（资本基金管理公司） ； ML Lab, Capital Fund Management（机器学习实验室，资本基金管理公司） ； 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 本文提出基于字符串方法的框架，用于探究扩散模型的几何结构，通过不同模式插值揭示模式、障碍物和连接性。

Multitask Learning with Stochastic Interpolants

具有随机插值的多任务学习

Hugo Negrel, Florentin Coeurdoux, Michael S. Albergo, Eric Vanden-Eijnden

机构 * Capital Fund Management（资本基金管理公司） ； Society of Fellows, Harvard University（哈佛大学 fellows 会） ； Machine Learning Lab（机器学习实验室） ； Courant Institute of Mathematical Sciences, New York University（纽约大学应用数学科学研究所） 纠错

AI总结 本文提出了一种基于算子的随机插值框架，用于构建能够完成多种任务的多功能生成模型，展示了其在多任务学习中的有效性。

Defensive Generation

防御性生成

Gabriele Farina, Juan Carlos Perdomo

机构 * MIT（麻省理工学院） ； NYU（纽约大学） 纠错

AI总结 防御性生成方法首次高效生成不可区分的非伯努利结果生成模型，能够抵抗无限类别的测试，且具有近线性时间复杂度和最优生成误差率。

Counterdiabatic Hamiltonian Monte Carlo

反 diagonal 霍尔顿采样

Reuben Cohn-Gordon, Uroš Seljak, Dries Sels

机构 * University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） 纠错

AI总结 反 diagonal 霍尔顿采样通过引入学习的反 diagonal 项，提高多模问题的采样效率，适用于复杂分布的高效采样。

SPACeR: Self-Play Anchoring with Centralized Reference Models

SPACeR：基于集中参考模型的自我对战锚定

Wei-Jer Chang, Akshay Rangesh, Kevin Joseph, Matthew Strong, Masayoshi Tomizuka, Yihan Hu, Wei Zhan

机构 * Applied Intuition ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； Stanford University（斯坦福大学） 纠错

AI总结 SPACeR通过集中参考模型指导自我对战，实现高效、可扩展的自动驾驶策略生成。

Comments Accepted at ICLR 2026. Project page: https://spacer-ai.github.io/

When Can Transformers Count to n?

Transformer何时能数到n？

Gilad Yehudai, Haim Kaplan, Guy Dar, Royi Rassin, Asma Ghandeharioun, Mor Geva, Amir Globerson

机构 * NYU Center for Data Science（纽约大学数据科学中心） ； School of Computer Science, Tel Aviv University（特拉维夫大学计算机科学学院） ； Google Research（谷歌研究） ； Bar-Ilan University（巴伊兰大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 研究揭示了Transformer在计数任务中受词汇量限制的理论瓶颈，证明词汇量决定计数难度。