Columbia University（哥伦比亚大学）

2604.10976 2026-04-14 stat.ML cs.LG stat.CO stat.ME

Neural Generalized Mixed-Effects Models

神经广义混合效应模型

Yuli Slavutsky, Sebastian Salazar, David M. Blei

机构 * Department of Statistics, Columbia University, New York, USA（哥伦比亚大学统计系，纽约，美国）； Department of Computer Science, Columbia University, New York, USA（哥伦比亚大学计算机科学系，纽约，美国）

AI总结本文提出神经广义混合效应模型（NGMM），通过将线性函数替换为神经网络，提升对非线性协变量与响应变量关系的建模能力，在合成数据和现实数据集上均优于传统GLMM。

2604.10690 2026-04-14 cs.AI

Do LLMs Build Spatial World Models? Evidence from Grid-World Maze Tasks

大型语言模型构建空间世界模型了吗？基于网格世界迷宫任务的证据

Weijiang Li, Yilin Zhu, Rajarshi Das, Parijat Dube

机构 * University of Notre Dame（圣母大学）； Columbia University（哥伦比亚大学）； MQube Cognition（MQube认知实验室）

AI总结本文通过迷宫任务评估LLM的空间理解能力，发现其空间推理依赖于表示形式而非任务类型，表明LLM缺乏稳健的空间世界模型。

2604.10672 2026-04-14 stat.ML cs.LG

One-Step Score-Based Density Ratio Estimation

一步式基于分数的密度比率估计

Wei Chen, Qibin Zhao, John Paisley, Junmei Yang, Delu Zeng

机构 * School of Mathematics, South China University of Technology（华南理工大学数学学院）； Tensor Learning Team, RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心张量学习团队）； Department of Electrical Engineering, Columbia University（哥伦比亚大学电气工程系）； School of Electronic and Information Engineering, South China University of Technology（华南理工大学电子与信息工程学院）

AI总结本文提出OS-DRE，一种结合直接和基于分数方法优势的框架，通过分解时间分数为空间和时间成分，利用解析径向基函数框架，实现高效密度比率估计。

2507.01264 2026-04-14 cs.RO cs.AI

LLM-based Realistic Safety-Critical Driving Video Generation

基于LLM的现实安全关键驾驶视频生成

Yongjie Fu, Ruijian Zha, Pei Tian, Xuan Di

机构 * Department of Civil Engineering and Engineering Mechanics, Columbia University（哥伦比亚大学土木工程与工程力学系）； Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系）

AI总结本文提出利用LLM生成少样本代码实现安全关键驾驶场景生成，结合CARLA模拟器与Cosmos-Transfer1和ControlNet生成真实驾驶视频，提升自动驾驶测试效率。