Columbia University（哥伦比亚大学）

Consistency Training Along the Transformer Stack

沿Transformer堆栈的一致性训练

Sukrati Gautam, Neil Shah, Arav Dhoot, Bryan Maruyama, Caroline Wei, Rohan Kapoor, Robert Sidey, Prakhar Gupta, Zi Cheng Huang, David Demitri Africa

机构 * Purdue University（普渡大学） ； Independent（独立） ； Columbia University（哥伦比亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Dartmouth College（达特茅斯学院） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） 纠错

AI总结 本文通过引入MLP状态和注意力分布的一致性目标，将一致性训练扩展到多种安全威胁，并发现跨威胁泛化及共享机制，证明其作为灵活对齐框架的有效性。

Comments Submitted to EMNLP 2026

Data Flow Control: Data Safety Policies for AI Agents

数据流控制：AI 智能体的数据安全策略

Charlie Summers, Eugene Wu

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 提出数据流控制框架，通过声明式策略和可移植查询重写层 Passant，在 DBMS 中强制执行元组级数据安全策略，实现接近零开销。

Comments 15 pages, 12 figures

Environment-Robust Representation Learning with Empirical Bayes

基于经验贝叶斯的环境鲁棒表示学习

Yuli Slavutsky, Matthew Shen, Bohan Wu, David M. Blei

机构 * Department of Statistics Columbia University（统计学系哥伦比亚大学） ； Columbia University（哥伦比亚大学） ； Departments of Statistics and Computer Science Columbia University（统计学与计算机科学系哥伦比亚大学） 纠错

AI总结 提出一种经验贝叶斯变分方法，通过跨环境平衡项学习不变潜在变量，实现对新环境的鲁棒预测，在天文、微生物和ICU数据上优于现有方法。

Level Up: Defining and Exploiting Transitional Problems for Curriculum Learning

Level Up: 定义和利用过渡问题以进行课程学习

Amogh Inamdar, Zhenwei Tang, Ashton Anderson, Richard Zemel

机构 * Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） 纠错

AI总结 本文提出了一种新的方法，通过定义和利用过渡问题来改进课程学习，该方法能够根据模型能力的提升动态调整训练难度，从而更有效地提升模型性能。

wa-hls4ml: A Benchmark and Surrogate Models for hls4ml Resource and Latency Estimation

wa-hls4ml: 一个用于hls4ml资源和延迟估计的基准及替代模型

Benjamin Hawks, Jason Weitz, Dmitri Demler, Karla Tame-Narvaez, Dennis Plotnikov, Mohammad Mehdi Rahimifar, Hamza Ezzaoui Rahali, Audrey C. Therrien, Donovan Sproule, Elham E Khoda, Keegan A. Smith, Russell Marroquin, Giuseppe Di Guglielmo, Nhan Tran, Javier Duarte, Vladimir Loncar

机构 * Fermi National Accelerator Laboratory（费米国家加速器实验室） ； University of California San Diego（加州大学圣地亚哥分校） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Sherbrooke（Sherbrooke大学） ； Columbia University（哥伦比亚大学） ； Texas A&M University（德克萨斯A&M大学） ； European Organization for Nuclear Research (CERN)（欧洲核子研究中心（CERN）） 纠错

AI总结 本文提出了一个用于评估ML加速器资源和延迟的基准wa-hls4ml，并介绍了基于图神经网络和Transformer的替代模型，用于预测ML加速器的延迟和资源使用情况。

Comments 30 pages, 18 figures

Journal ref Wa-hls4ml: A Benchmark and Surrogate Models for hls4ml Resource and Latency Estimation. ACM Trans. Reconfigurable Technol. Syst. 19, 2, Article 20 (June 2026), 29 pages

Rethinking Distribution Shifts: Empirical Analysis and Modeling for Tabular Data

重新思考分布偏移：针对表格数据的经验分析与建模

Tianyu Wang, Jiashuo Liu, Peng Cui, Hongseok Namkoong

机构 * Department of Industrial Engineering and Operations Research（工业工程与运筹学系） ； Department of Computer Science and Technology（计算机科学与技术系） ； Decision, Risk, and Operations Division（决策、风险与运营部） ； Columbia University（哥伦比亚大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文通过经验分析和建模，重新审视分布偏移问题，发现Y|X偏移在表格数据中最为常见，与机器学习文献中对X（协变量）偏移的重视形成鲜明对比，并指出鲁棒算法的性能并不优于普通方法。

Comments Forthcoming at Management Science. Conference version appeared in NeurIPS 2023, previously titled "On the Need for a Language Describing Distribution Shifts: Illustrations on Tabular Datasets"