Columbia University（哥伦比亚大学）

How AI Aggregation Affects Knowledge

人工智能聚合如何影响知识

Daron Acemoglu, Tianyi Lin, Asuman Ozdaglar, James Siderius

机构 * Massachusetts Institute of Technology（麻省理工学院） ； NBER（美国国家经济研究局） ； CEPR（经济政策研究中心） ； Columbia University（哥伦比亚大学） ； Tuck School of Business at Dartmouth College（达特茅斯学院塔克商学院） 纠错

AI总结 本文研究人工智能聚合对学习的影响，通过扩展DeGroot模型引入AI聚合器，分析聚合速度对学习效果的影响，发现局部聚合器优于全局聚合器。

Comments 45 pages

A Robust SINDy Autoencoder for Noisy Dynamical System Identification

一种鲁棒的SINDy自编码器用于噪声动力系统识别

Kairui Ding

机构 * Department of Mathematics, Columbia University（哥伦比亚大学数学系） 纠错

AI总结 本文提出一种鲁棒的SINDy自编码器，通过引入噪声分离模块提高对噪声动力系统识别的鲁棒性，并在洛伦兹系统上验证了其有效性。

Comments 27 pages

From Curiosity to Caution: Mitigating Reward Hacking for Best-of-N with Pessimism

从好奇心到谨慎：通过悲观主义缓解最佳-N中的奖励黑客

Zhuohao Yu, Zhiwei Steven Wu, Adam Block

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出一种基于悲观主义的缓解方法，通过降低不典型响应的奖励估计来避免奖励黑客，证明其在最佳-N采样中有效。

Comments 29 pages, 8 figures

Uncertainty-Aware Foundation Models for Clinical Data

具有不确定性的临床数据基础模型

Qian Zhou, Yuanyun Zhang, Shi Li

机构 * University of the Chinese Academy of Sciences（中国科学院大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出一种考虑不确定性的临床数据基础模型框架，通过学习集合值表示并强制一致性，提升预测性能和数据缺失下的鲁棒性。

Rewriting Video: Text-Driven Reauthoring of Video Footage

重写视频：基于文本的视频重写

Sitong Wang, Anh Truong, Lydia B. Chilton, Dingzeyu Li

机构 * Columbia University（哥伦比亚大学） ； Adobe Research（Adobe研究院） 纠错

AI总结 本文提出基于文本的视频重写方法，通过生成重建算法将视频转为可编辑文本提示，并通过交互式工具Rewrite Kit实现视频内容的重写，探讨了文本驱动视频重写的新范式。

DoubleAgents: Human-Agent Alignment in a Socially Embedded Workflow

DoubleAgents：社会嵌入式工作流中的人机对齐

Tao Long, Xuanming Zhang, Sitong Wang, Zhou Yu, Lydia B Chilton

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 DoubleAgents通过分布式认知框架实现人机对齐，整合协调代理、可视化仪表板和策略模块，提升复杂社会嵌入式任务的执行效率与用户信任。

Comments 21 pages, 10 figures

Federated Transfer Learning with Differential Privacy

联邦迁移学习与差分隐私

Mengchu Li, Ye Tian, Yang Feng, Yi Yu

机构 * School of Mathematics, University of Birmingham（伯明翰大学数学学院） ； Department of Statistics, Columbia University（哥伦比亚大学统计系） ； Department of Biostatistics, School of Global Public Health, New York University（纽约大学全球公共卫生学院生物统计系） ； Department of Statistics, University of Warwick（华威大学统计系） 纠错

AI总结 本文提出联邦差分隐私框架，解决分布式数据异质性和隐私保护问题，通过多源数据信息提升目标数据集学习效果，分析隐私模型的统计问题及最小最大率。

Comments 101 pages, 7 figures

Quantifying Trust: Financial Risk Management for Trustworthy AI Agents

量化信任：为可信AI代理的金融风险管理

Wenyue Hua, Tianyi Peng, Chi Wang, Ian Kaufman, Bryan Lim, Chandler Fang

机构 * Microsoft Research（微软研究院） ； Columbia University（哥伦比亚大学） ； Google DeepMind（谷歌DeepMind） ； Stanford University（斯坦福大学） ； t54.ai ； Virtuals ACP ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校） 纠错

AI总结 本文提出基于金融风险管理的Agentic Risk Standard框架，通过整合风险评估与补偿机制，将信任从隐含期望转为可衡量的产品保证，提升AI代理在开放环境中的可靠性。

Comments 30 pages, 9 figures

Nearly Optimal Best Arm Identification for Semiparametric Bandits

近最优半参数带its中的最佳臂识别

Seok-Jin Kim

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 本文研究了半参数带its中的固定置信度最佳臂识别，通过正交化回归方法，提出高效算法并证明了近最优样本复杂度。

Comments To appear at AISTATS 2026

Representation learning to advance multi-institutional studies with electronic health record data from US and France

利用表示学习推动多机构研究的电子健康记录数据：来自美国和法国的数据

Doudou Zhou, Han Tong, Linshanshan Wang, Suqi Liu, Xin Xiong, Ziming Gan, Romain Griffier, Boris Hejblum, Yun-Chung Liu, Chuan Hong, Clara-Lea Bonzel, Tianrun Cai, Kevin Pan, Yuk-Lam Ho, Lauren Costa, Vidul A. Panickan, J. Michael Gaziano, Kenneth Mandl, Vianney Jouhet, Rodolphe Thiebaut, Zongqi Xia, Kelly Cho, Katherine Liao, Tianxi Cai

机构 * Department of Statistics and Data Science, National University of Singapore（新加坡国立大学统计与数据科学系） ； Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院） ； Department of Statistics, Columbia University（哥伦比亚大学统计系） ； Harvard Medical School（哈佛医学院） ； Department of Statistics, University of Chicago（芝加哥大学统计系） ； Univ. Bordeaux, INSERM, Bordeaux Population Health Research Center（波尔多大学，法国国家健康与医学研究院，波尔多人口健康研究中心） ； CHU de Bordeaux, Service d’Information Médicale（波尔多大学医院医学信息部） ； Inria SISTM Team（法国国家信息与自动化研究所SISTM团队） ； Duke University（杜克大学） ； VA Boston Healthcare System（VA波士顿医疗系统） ； Brigham and Women’s Hospital（布里格姆妇女医院） ； Brown University（布朗大学） ； Computational Health Informatics Program, Boston Children’s Hospital（波士顿儿童医院计算健康信息学项目） ； Department of Neurology, University of Pittsburgh（匹兹堡大学神经病学系） 纠错

AI总结 本文提出基于图的框架，通过学习共享语义空间解决多机构电子健康记录数据表示不一致问题，提升跨机构临床模型训练与部署的鲁棒性。