Columbia University（哥伦比亚大学）

Elastic Attention Cores for Scalable Vision Transformers

弹性注意力核心用于可扩展的视觉变换器

Alan Z. Song, Yinjie Chen, Mu Nan, Rui Zhang, Jiahang Cao, Weijian Mai, Muquan Yu, Hossein Adeli, Deva Ramanan, Michael J. Tarr, Andrew F. Luo

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

AI总结 本文提出VECA架构，通过弹性核心-外围注意力机制实现线性复杂度，避免二次缩放，提升高分辨率视觉任务性能。

Comments Project repository here: https://github.com/alansong1322/VECA

In-context learning to predict critical transitions in dynamical systems

在情境学习中预测动态系统中的临界转变

Yunus Sevinchan, Juan Nathaniel, Kai Ueltzhöffer, Carla Roesch, Tobias Weber, Vaios Laschos, Hang Fan, Gregor Ramien, Johannes Haux, Pierre Gentine, Benjamin Herdeanu

机构 * Columbia University（哥伦比亚大学） ； University of Edinburgh（爱丁堡大学） ； kausable Heidelberg（海德堡kausable） 纠错

AI总结 本文提出TipPFN框架，通过拟合先验数据的网络预测动态系统接近临界转变，展示在未见临界转变、模拟到现实和真实世界中的鲁棒检测性能。

Comments 14+38 pages, 5+23 figures

Behavioral Determinants of Deployed AI Agents in Social Networks: A Multi-Factor Study of Personality, Model, and Guardrail Specification

部署在社交网络中的AI代理行为决定因素：人格、模型和防护机制规范的多因素研究

Sarah Wilson, Diem Linh Dang, Usman Ali Moazzam, Shan Ye, Gail Kaiser

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 本文通过多因素实验研究，探讨AI代理在社交网络中的行为决定因素，发现人格设定对行为影响最大，模型和规则对语言风格和话题广度有显著影响。

Patterns behind Chaos: Forecasting Data Movement for Efficient Large-Scale MoE LLM Inference

混沌背后的模式：为高效大规模MoE LLM推理预测数据移动

Zhongkai Yu, Yue Guan, Zihao Yu, Chenyang Zhou, Zhengding Hu, Shuyi Pei, Yangwook Kang, Yufei Ding, Po-An Tsai

机构 * Indiana University Bloomington（印第安纳大学布卢明顿分校） ； Columbia University（哥伦比亚大学） ； NVIDIA 纠错

AI总结 研究通过分析大规模MoE模型的数据移动模式，提出优化方法，提升大规模LLM推理效率，实现6.6倍平均加速和1.25倍速度提升。

AcuityBench: Evaluating Clinical Acuity Identification and Uncertainty Alignment

AcuityBench：评估语言模型对医疗紧急情况识别和不确定性对齐

Robin Linzmayer, Georgianna Lin, Di Coneybeare, Jason Chu, Trudi Cloyd, Manish Garg, Miles Gordon, Elizabeth Hartofilis, Benjamin Hong, Ashraf Hussain, Eugene Y. Kim, Oluchi Iheagwara King, Ross McCormack, Erica Olsen, John K. Riggins, Mustafa N. Rasheed, Dana L. Sacco, Vinay Saggar, Osman R. Sayan, Amit Shembekar, Janice Shin-Kim, Wendy W. Sun, Bernard P. Chang, David Kessler, Noémie Elhadad

机构 * Department of Computer Science, Columbia University, New York, NY, USA（计算机科学系，哥伦比亚大学，纽约，纽约州，美国） ； Department of Biomedical Informatics, Columbia University, New York, NY, USA（生物医学信息学系，哥伦比亚大学，纽约，纽约州，美国） ； Department of Emergency Medicine, Columbia University Irving Medical Center, New York, NY, USA（急诊医学系，哥伦比亚大学伊文思医疗中心，纽约，纽约州，美国） 纠错

AI总结 AcuityBench通过统一框架评估语言模型对医疗紧急程度的识别能力，包含914个案例，涵盖明确和模糊情况，揭示模型在不同任务格式下的表现差异及不确定性处理问题。

Comments 41 pages, 5 figures. Preprint under review for the Track on Evaluations and Datasets at NeurIPS 2026

Causal Algorithmic Recourse: Foundations and Methods

因果算法补救：基础与方法

Drago Plecko, Collin Wang, Elias Bareinboim

机构 * Department of Statistics & Data Science（统计与数据科学系） ； UCLA（加州大学洛杉矶分校） ； Department of Computer Science（计算机科学系） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出因果框架，通过预后干预结果建模算法补救过程，引入后补救稳定性条件，开发基于copula的算法推断补救效果，并提供分布自由方法学习补救效果。

Neural Statistical Functions

神经统计函数

Daniel Xu, Yuxin Xie, Minghao Guo, Haixu Wu, Wojciech Matusik

机构 * Columbia University（哥伦比亚大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） 纠错

AI总结 本文提出神经统计函数，通过预训练单样本预测器和散落数据样本学习，实现连续操作条件范围内的统计推断，显著降低模型评估次数。

On Training in Imagination

在想象中训练

Nadav Timor, Ravid Shwartz-Ziv, Micah Goldblum, Yann LeCun, David Harel

机构 * Weizmann Institute of Science（魏茨曼研究所） ； New York University（纽约大学） ； Columbia University（哥伦比亚大学） ； New York University AMI Labs（纽约大学AMI实验室） 纠错

AI总结 研究在想象中训练方法中，动态和奖励模型误差对回报和策略优化的影响，提出最优样本分配和表示需求。

Learning density ratios in causal inference using Bregman-Riesz regression

利用Bregman-Riesz回归学习因果推断中的密度比

Oliver J. Hines, Caleb H. Miles

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出Bregman-Riesz回归框架，统一了密度比估计的三种方法，并展示如何通过数据增强技术应用于因果问题，同时提供Python工具实现。

Comments Replication code is available from https://github.com/CI-NYC/densityratios