Columbia University（哥伦比亚大学）

ConforNets: Latents-Based Conformational Control in OpenFold3

ConforNets: 基于潜在空间的开放Fold3构象控制

Minji Lee, Colin Kalicki, Minkyu Jeon, Aymen Qabel, Alisia Fadini, Mohammed AlQuraishi

机构 * Department of Systems Biology, Columbia University, NY, USA（系统生物学系，哥伦比亚大学，纽约，美国） ； Department of Computer Science, Columbia University, NY, USA（计算机科学系，哥伦比亚大学，纽约，美国） ； Department of Computer Science, Princeton University, Princeton, NJ, USA（计算机科学系，普林斯顿大学，普林斯顿，新泽西州，美国） 纠错

AI总结 ConforNets通过在AF3架构中对潜在表示进行通道级仿射变换，实现了对构象变化的全局调控，提升了多态本征的生成能力和跨蛋白质家族的构象转移能力。

Multi-Scale Reversible Chaos Game Representation: A Unified Framework for Sequence Classification

多尺度可逆混沌游戏表示：序列分类的统一框架

Sarwan Ali, Taslim Murad

机构 * Columbia University（哥伦比亚大学） ； Department of Computer Science, Institute of Business Administration（计算机科学系，商学院） 纠错

AI总结 本文提出多尺度可逆混沌游戏表示（MS-RCGR）框架，通过理性算术和分层k-mer分解生成尺度不变特征，提升生物序列分类性能，结合传统机器学习、计算机视觉和混合方法实现多范式分析。

XOXO: Stealthy Cross-Origin Context Poisoning Attacks against AI Coding Assistants

XOXO：针对AI编码助手的隐蔽跨域上下文污染攻击

Adam Štorek, Mukur Gupta, Noopur Bhatt, Aditya Gupta, Janie Kim, Prashast Srivastava, Suman Jana

机构 * Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出XOXO攻击，通过隐蔽的跨域上下文污染使AI编码助手生成漏洞代码。引入GCGS算法，利用Cayley图系统搜索变换空间，实现75.72%的攻击成功率，传统防御方法无效。

Comments Accepted to ACL 2026 (main)

Budget-Aware Anytime Reasoning with LLM-Synthesized Preference Data

具有预算意识的任意时间推理与LLM合成的偏好数据

Xuanming Zhang, Shwan Ashrafi, Aziza Mirsaidova, Amir H. Rezaeian, Miguel Ballesteros, Lydia B. Chilton, Zhou Yu, Dan Roth

机构 * Columbia University（哥伦比亚大学） ； Oracle AI 纠错

AI总结 研究在有限计算预算下LLM的推理行为，提出任意时间推理框架和Anytime Index指标，通过LLM合成的偏好数据提升推理效率与质量。

Comments ACL 2026 Findings, 13 pages, 3 figures, 1 table

Digital Twins as Funhouse Mirrors: Five Key Distortions

数字双胞胎作为游乐场镜子：五大关键扭曲

Tianyi Peng, George Gui, Melanie Brucks, Daniel J. Merlau, Grace Jiarui Fan, Malek Ben Sliman, Eric J. Johnson, Abdullah Althenayyan, Silvia Bellezza, Dante Donati, Hortense Fong, Elizabeth Friedman, Ariana Guevara, Mohamed Hussein, Kinshuk Jerath, Bruce Kogut, Akshit Kumar, Kristen Lane, Hannah Li, Vicki Morwitz, Oded Netzer, Patryk Perkowski, Olivier Toubia

机构 * Columbia University（哥伦比亚大学） ； Yale University（耶鲁大学） ； Yeshiva University（耶鲁神学院） 纠错

AI总结 研究通过19项预注册研究，比较人类与数字双胞胎对164种不同结果的反应，发现数字双胞胎预测准确度较低且与人类反应相关性弱，识别出五大系统性扭曲问题，并释放数据集和代码以促进方法改进。

A Real-Time Bike-Pedestrian Safety System with Wide-Angle Perception and Evaluation Testbed for Urban Intersections

实时自行车与行人安全系统：具备宽视角感知与评估测试平台的城市交叉口

Mehmet Kerem Turkcan

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出一个基于边缘设备的实时碰撞预警系统，利用宽视角鱼眼镜头实现30fps的音频和视觉警报，通过校准流程、鱼眼感知检测、符合性仿真和可审计决策层设计，实现了93.3%的灵敏度和92.3%的特异性。

Decoding AI Tutor Effects for Educational Measurement: Temporal, Multi-Outcome, and Behavior-Cognitive Analysis

解码AI导师效果用于教育测量：时间、多结果和行为-认知分析

Yiyao Yang, Yasemin Gulbahar

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 本研究提出一个AI导师原型框架，通过时间交互模式、多结果分析和行为-认知学习者画像，探讨早期交互模式对后续表现和信任的预测作用，以及不同AI导师反馈条件下的多结果权衡和学习者画像识别。

Comments 25 Pages, 9 Figures

Same Claim, Different Judgment: Benchmarking Scenario-Induced Bias in Multilingual Financial Misinformation Detection

同一条主张，不同判断：多语言金融虚假信息检测中情境诱导偏见的基准测试

Zhiwei Liu, Yupen Cao, Yuechen Jiang, Mohsinul Kabir, Polydoros Giannouris, Chen Xu, Ziyang Xu, Tianlei Zhu, Md. Tariquzzaman, Triantafillos Papadopoulos, Yan Wang, Lingfei Qian, Xueqing Peng, Zhuohan Xie, Ye Yuan, Saeed Almheiri, Abdulrazzaq Alnajjar, Mingbin Chen, Harry Stuart, Paul Thompson, Prayag Tiwari, Alejandro Lopez-Lira, Xue Liu, Jimin Huang, Sophia Ananiadou

机构 * The University of Manchester（曼彻斯特大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； The Fin AI（Fin AI） ； Columbia University（哥伦比亚大学） ； Islamic University of Technology（伊斯兰科技大学） ； Athens University of Economics and Business（雅典经济与商业大学） ； Archimedes, Athena Research Center（阿基米德，亚特兰蒂斯研究中心） ； MBZUAI ； McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Dubai Police（迪拜警察） ； University of Melbourne（墨尔本大学） ； Halmstad University（哈姆斯塔德大学） ； University of Florida（佛罗里达大学） ； ELLIS Manchester（曼彻斯特ELLIS） 纠错

AI总结 本文提出MFMDScen基准，用于评估LLM在多语言金融虚假信息检测中的情境诱导偏见，通过构建三种复杂金融场景并整合虚假信息主张，系统评估22种主流LLM的性能。

A Sensitivity Approach to Causal Inference Under Limited Overlap

因果推断中有限重叠下的敏感性方法

Yuanzhe Ma, Yian Huang, Hongseok Namkoong

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出一种敏感性框架，用于在有限重叠情况下评估因果推断结果的稳健性，通过分析结果函数的不规则性来量化偏差，并通过实验证明该方法能防止虚假发现。