Columbia University（哥伦比亚大学）

Pseudo-Labeling for Unsupervised Domain Adaptation with Kernel GLMs

基于核广义线性模型的无监督域适应伪标签方法

Nathan Weill, Kaizheng Wang

机构 * Department of IEOR, Columbia University（哥伦比亚大学工业工程与运营研究系） ； Department of IEOR and Data Science Institute, Columbia University（哥伦比亚大学工业工程与运营研究系及数据科学研究所） 纠错

AI总结 本文提出一种基于核广义线性模型的无监督域适应框架，通过伪标签技术提升目标域预测性能，建立非渐近风险界并验证在合成和真实数据集上的有效性。

Comments 55 pages, 4 figures. Python solvers and experiment scripts are available at: https://github.com/nathanweill/KRGLM

LOCO Feature Importance Inference without Data Splitting via Minipatch Ensembles

无需数据分割的minipatch集成特征重要性推断

Luqin Gan, Lili Zheng, Genevera I. Allen

机构 * Department of Statistics, Rice University（理查德·伊尔·米勒大学统计系） ； Department of Statistics, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校统计系） ； Department of Statistics, Columbia University（哥伦比亚大学统计系） 纠错

AI总结 本文提出一种无需数据分割的特征重要性推断框架，通过minipatch集成实现高效且分布无关的模型解释，解决了传统方法的分布假设和数据分割问题。

Task-Specific Efficiency Analysis: When Small Language Models Outperform Large Language Models

任务特定效率分析：当小型语言模型超越大型语言模型

Jinghan Cao, Yu Ma, Xinjin Li, Qingyang Ren, Xiangyun Chen

机构 * San Francisco State University - Department of Computer Science（旧金山州立大学-计算机科学系） ； Carnegie Mellon University - Department of Computer Science（卡内基梅隆大学-计算机科学系） ； Columbia University - Department of Computer Science（哥伦比亚大学-计算机科学系） ； Cornell University - Department of Computer Science（康奈尔大学-计算机科学系） ； Pennsylvania State University - Department of Biochemistry and Molecular Biology（宾夕法尼亚州立大学-生物化学与分子生物学系） 纠错

AI总结 本文通过对比16个模型在五个NLP任务上的效率，提出PER指标，发现小型模型在效率上表现更优，为高效推理场景提供依据。

Comments Accepted for publication at ESANN 2025. This is a task-specific efficiency analysis comparing small language models

Profit is the Red Team: Stress-Testing Agents in Strategic Economic Interactions

利润是红队：在战略经济互动中压力测试代理

Shouqiao Wang, Marcello Politi, Samuele Marro, Davide Crapis

机构 * Columbia University（哥伦比亚大学） ； dAI Team, Ethereum Foundation（dAI团队，以太坊基金会） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出基于利润的红队测试方法，通过学习对手最大化利润来压力测试代理，发现传统静态基线在利润优化压力下易受攻击，且学习对手能自主发现 probing、anchoring 和 deceptive commitments 策略。

Multi-Domain Empirical Bayes for Linearly-Mixed Causal Representations

多领域经验贝叶斯方法用于线性混合因果表示

Bohan Wu, Julius von Kügelgen, David M. Blei

机构 * Department of Statistics, Columbia University（哥伦比亚大学统计系） 纠错

AI总结 本文提出多领域经验贝叶斯方法，通过利用领域内和跨领域的不变结构提高因果变量的学习质量，改进了因果表示学习的估计效果。