Columbia University（哥伦比亚大学）

Who Needs Labels? Adapting Vision Foundation Models With the Metadata You Already Have

谁需要标签？利用已有的元数据适应视觉基础模型

Elouan Gardès, Seung Eun Yi, Kartik Ahuja, Théo Moutakanni, Huy V. Vo, Piotr Bojanowski, Wolfgang M. Pernice, Loïc Landrieu, Camille Couprie

机构 * Meta FAIR, Paris（Meta FAIR，巴黎） ； LIGM, CNRS, Gustave Eiffel, ENPC, IP Paris（LIGM，CNRS，居斯塔夫·艾菲尔，ENPC，IP巴黎） ； Columbia University, New York（哥伦比亚大学，纽约） 纠错

AI总结 提出一种无标签方法FINO，利用元数据通过自监督学习将通用视觉基础模型适应到专业科学领域，无需任务标签且仅用轻量探针进行监督，在多个领域超越标准无监督和全监督适应方法。

MemoryDocDataSet: A Benchmark for Joint Conversational Memory and Long Document Reasoning

MemoryDocDataSet: 联合对话记忆与长文档推理的基准测试

Qiyang Xie, Jialun Wu, Xinjie He, Su Liu, Shuai Xiao, Zhiyuan Lin, Weikai Zhou

机构 * Northeastern University（东北大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Columbia University（哥伦比亚大学） ； Independent Researcher（独立研究者） 纠错

AI总结 提出MemoryDocDataSet合成基准，包含50个微世界和1000个QA对，评估系统同时处理多轮对话历史和长文档阅读理解的能力，其中75.1%的问题需要混合推理（先导航对话历史再提取文档答案），实验显示联合检索存在明显差距。

Comments 17 pages, 2 figures, 8 tables. Submitted for peer review

The price of multi-group transductive learning

多组转导学习的代价

Noah Bergam, Samuel Deng, Daniel Hsu

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 本文证明在转导学习设置中，多组学习器在某些组上的错误率可能相对于单组设置产生乘法惩罚，且惩罚随组数线性增长至样本量的平方根，这与统计设置中惩罚至多对数增长且与组数无关形成鲜明对比。

How Far Do Auto-Interpretation Labels Generalize: A Controlled Study Across Languages, Scripts, and Rewordings

自动解释标签的泛化程度：跨语言、文字和改写的受控研究

Sripad Karne

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 通过塞尔维亚双文字系统控制实验，研究稀疏自编码器特征的自然语言标签是否真正泛化到不同语言和文字，发现标签在语义内容匹配上存在显著偏差，且随网络深度增加而加剧。

Learning While Deploying: Fleet-Scale Reinforcement Learning for Generalist Robot Policies

在部署中学习：面向通用机器人策略的机群规模强化学习

Yi Wang, Xinchen Li, Pengwei Xie, Pu Yang, Buqing Nie, Yunuo Cai, Qinglin Zhang, Chendi Qu, Jeffrey Wu, Jianheng Song, Xinlin Ren, Jingshun Huang, Mingjie Pan, Siyuan Feng, Zhi Chen, Jianlan Luo

机构 * Shanghai Innovation Institute（上海创新研究院） ； AGIBOT Finch ； Columbia University（哥伦比亚大学） 纠错

AI总结 提出LWD框架，通过机群规模的离线到在线强化学习，结合分布式隐式价值学习与伴随匹配Q学习，持续后训练通用视觉-语言-动作策略，在16台双臂机器人上实现95%平均成功率。

Comments No

UniFine: A Unified and Fine-grained Approach for Zero-shot Vision-Language Understanding

UniFine: 一种统一且细粒度的零样本视觉-语言理解方法

Rui Sun, Zhecan Wang, Haoxuan You, Noel Codella, Kai-Wei Chang, Shih-Fu Chang

机构 * Columbia University（哥伦比亚大学） ； Microsoft Research（微软研究院） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 提出UniFine框架，通过利用句子关键词和图像对象等细粒度信息进行图像-文本匹配，在零样本设置下统一处理VQA、SNLI-VE和VCR等视觉-语言任务，并在多个数据集上取得显著改进。

Comments 14 pages, 4 figures, ACL 2023 Findings

Reducing the Filtering Effect in Public School Admissions: A Bias-aware Analysis for Targeted Interventions

减少公立学校招生中的过滤效应：面向针对性干预的偏差感知分析

Yuri Faenza, Swati Gupta, Aapeli Vuorinen, Xuan Zhang

机构 * Columbia University（哥伦比亚大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本研究采用运筹学方法，通过分析纽约市教育部数据，将弱势学生分数分布偏移建模为偏差，并证明针对中等成绩弱势学生的集中干预（如奖学金或培训）可显著降低偏差影响。

Solving Zebra Puzzles Using Constraint-Guided Multi-Agent Systems

使用约束引导的多智能体系统解决斑马谜题

Shmuel Berman, Kathleen McKeown, Baishakhi Ray

机构 * Princeton University（普林斯顿大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 提出一种多智能体系统ZPS，结合大语言模型与定理证明器，通过分解问题、生成SMT代码和智能体间反馈，显著提升复杂逻辑谜题的解决能力。

Deterministic and Probabilistic Conditions for Finite Completability of Low-Tucker-Rank Tensor

低 Tucker 等秩张量有限可补全的确定性和概率条件

Morteza Ashraphijuo, Vaneet Aggarwal, Xiaodong Wang

机构 * Department of Electrical Engineering, Columbia University（哥伦比亚大学电气工程系） ； School of IE, Purdue University（普渡大学工业工程学院） 纠错

AI总结 本文研究了在给定某些 Tucker 等秩组件的情况下，张量有限可补全的采样模式的基本条件。通过在 Tucker 流形上进行代数几何分析，提出了确定性必要和充分条件，同时研究了概率条件并给出了采样概率的下界，以确保所提出的确定性条件在高概率下成立。此外，利用所提出的几何方法，提出了一个保证采样张量有唯一补全的采样模式充分条件。

Towards personalized human AI interaction - adapting the behavior of AI agents using neural signatures of subjective interest

迈向个性化的人工智能交互 - 利用主观兴趣的神经签名来适应AI代理的行为

Victor Shih, David C Jangraw, Paul Sajda, Sameer Saproo

机构 * Department of Biomedical Engineering, Columbia University（生物医学工程系，哥伦比亚大学） ； Data Science Institute, Columbia University（数据科学研究所，哥伦比亚大学） ； National Institutes of Health（国家卫生研究院） 纠错

AI总结 本文提出通过神经签名检测用户兴趣，使深度强化学习AI代理适应个性化人类偏好，首次展示hBCI在虚拟环境中隐式强化AI控制系统的应用。

Comments 11 pages, 9 figures, 1 table, Submitted to IEEE Trans. on Neural Networks and Learning Systems