Carnegie Mellon University（卡内基梅隆大学）

MulTTiPop: A Multitrack Transcription Dataset for Pop Music

MulTTiPop：一个用于流行音乐的多轨转录数据集

Nathan Pruyne, Benjamin Stoler, William Chen, Chien-yu Huang, Shinji Watanabe, Chris Donahue

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 介绍用于评估自动音乐转录模型的MulTTiPop数据集，通过对Lakh MIDI和TheoryTab数据集歌曲片段基于元数据匹配等方式收集，评估模型发现有改进空间，最佳模型起始F1得分为38%。

Comments 8 pages, 4 figures. Associated web preview available at https://gclef-cmu.org/multtipop

GitLake: Git-for-data for the agentic lakehouse

GitLake：面向智能数据湖的数据版Git

Weiming Sheng, Jinlang Wang, Manuel Barros, Aldrin Montana, Jacopo Tagliabue, Luca Bigon

机构 * Columbia University（哥伦比亚大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Bauplan Labs（Bauplan实验室） 纠错

AI总结 研究面向智能体的数据湖的Git设计，核心方法是将单表快照提升为全湖操作，贡献是实现智能体与人类协作，管道原子性输出，还分享了生产经验和正确性见解。

Comments Pre-print of the paper accepted at DASHSys, VLDB 2026, Boston, USA

3100 Opinions on Code Review in an AI World: Building Causal Theory from Practitioner Discourse

人工智能时代关于代码审查的3100种观点：从从业者话语中构建因果理论

Shyam Agarwal, Courtney Miller, Christian Kästner, Bogdan Vasilescu

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 研究人工智能对代码审查的影响，通过收集从业者话语构建因果模型，明确审查是控制点，团队决定编码代理对软件影响，转化相关命题，还提供LLM辅助灰色文献理论构建方法。

Evaluating the Effect of Frame Rate in Sequence-Based Classification of Autism-Related Self-Stimulatory Hand Idiosyncrasies

评估帧率在基于序列的自闭症相关自我刺激手部特质分类中的作用

Raunak Mondal, Peter Washington

机构 * School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院） ； Department of Information and Computer Sciences, University of Hawai‘i at Mānoa（夏威夷大学马诺亚分校信息与计算机科学系） 纠错

AI总结 研究针对自闭症相关自我刺激行为检测，通过在不同帧率下训练LSTM和GRU模型确定最佳架构与采样率，应用十种数据增强策略并做消融研究，采用个性化机器学习方法，为视频行为分类提供架构、采样率及增强策略指导。

Comments 15 pages, 5 figures, 3 tables. Preliminary version presented as a poster at the AMIA 2024 Informatics Summit

Journal ref 2024 AMIA Informatics Summit. https://knowledge.amia.org/Info2024/content?act=Info2024a249

GradInf: Gradient Estimation as Probabilistic Inference

GradInf：作为概率推理的梯度估计

Gaurav Arya, Mathieu Huot, Moritz Schauer, Alexander K. Lew, Feras A. Saad

机构 * Carnegie Mellon University Pittsburgh USA ； Massachusetts Institute of Technology Cambridge USA ； Chalmers University of Technology \& University of Gothenburg Gothenburg Sweden ； Yale University New Haven USA ； Carnegie Mellon University ； Massachusetts Institute of Technology ； Chalmers University of Technology \& University of Gothenburg ； Yale University 纠错

AI总结 研究针对概率程序梯度估计难题，提出梯度推理新方法，通过形式规约将其转化为概率推理问题，借助耦合和因式分解操作设计梯度估计器，介绍GradInf系统，经案例研究验证其能表达并构建高性能梯度估计器。

Journal ref Proc. ACM Program. Lang. 10, PLDI, Article 243 (June 2026)

Who Gets Missed in the Tail? Thresholded Subgroup Underdiagnosis in Long-Tailed Chest X-ray Classification

长尾胸部X光分类中谁在尾部被遗漏？阈值化子组诊断不足

Ha-Hieu Pham, Hai-Dang Nguyen, Dang P. M. Cao, Thanh-Huy Nguyen, Min Xu, Trung-Nghia Le, Ulas Bagci, Huy-Hieu Pham

机构 * University of Science, Ho Chi Minh City（胡志明市科学大学） ； Vietnam National University, Ho Chi Minh City（胡志明市越南国立大学） ； VinUni-Illinois Smart Health Center, VinUniversity（VinUni-伊利诺伊智能健康中心，Vin大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Northwestern University（西北大学） ； College of Engineering & Computer Science, VinUniversity（Vin大学工程与计算机科学学院） 纠错

AI总结 研究胸部X光分类中长尾数据下子组诊断不足问题，通过诊断阶梯分离相关因素，在VinDr-CXR和MIMIC-CXR/CXR-LT数据集上实验，表明CXR罕见标签公平性取决于发现、子组和阈值，非仅标签频率或排序指标。

Threshold Differential Attention for Sink-Free, Ultra-Sparse, and Non-Dispersive Language Modeling

阈值差分注意力：用于无汇、超稀疏和非分散语言建模

Xingyue Huang, Xueying Ding, Mingxuan Ju, Yozen Liu, Neil Shah, Tong Zhao

机构 * University of Oxford（牛津大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Snap Inc 纠错

AI总结 本文提出阈值差分注意力机制，解决长上下文下的注意力汇问题，实现超稀疏和鲁棒性提升，无需投影方法或标准注意力的噪声积累。

Journal ref ACL 2026

ParamMute: Suppressing Knowledge-Critical FFNs for Faithful Retrieval-Augmented Generation

ParamMute：抑制知识关键的前馈神经网络以实现忠实的检索增强生成

Pengcheng Huang, Zhenghao Liu, Yukun Yan, Haiyan Zhao, Xiaoyuan Yi, Hao Chen, Zhiyuan Liu, Maosong Sun, Tong Xiao, Ge Yu, Chenyan Xiong

机构 * School of Computer Science and Engineering, Northeastern University, China（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Institute for AI, Tsinghua University, China（清华大学人工智能研究院计算机科学与技术系） ； Microsoft Research Asia, Beijing, China（微软亚洲研究院） ； Language Technologies Institute, Carnegie Mellon University, United States（卡内基梅隆大学语言技术研究所） 纠错

AI总结 研究RAG中LLMs不忠实生成问题，提出ParamMute框架抑制相关FFNs激活并校准模型，通过CoFaithfulQA基准评估，显著提升忠实性，减少对参数记忆依赖，为提高LLM在RAG中的可信度提供新方向。

Comments 26 pages, 7 figures, 7 tables