Detect, Remask, Repair: Diffusion Editing for Faithful Summarization of Evolving Contexts
检测、重掩、修复：面向动态上下文忠实摘要的扩散编辑
机构 * Columbia University（哥伦比亚大学）
AI总结 提出DETECT-REMASK-REPAIR框架，利用掩码扩散语言模型识别并修复摘要中过时内容，在保持支持内容的同时实现局部忠实性修复，并引入StreamSum基准评估。
高校专区
Columbia University（哥伦比亚大学）
How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings?
因果不变性在有限样本设置中对领域适应有多大用处？
机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； Causal Artificial Intelligence Lab, Columbia University（哥伦比亚大学因果人工智能实验室） ； Department of Statistics, Columbia University（哥伦比亚大学统计系）
AI总结 研究线性回归中因果不变性如何提升监督领域适应，通过候选预测器的目标风险边界和有限样本估计误差推导匹配上下界，证明当边界足够大时自适应聚合可避免负迁移。
PhysMetrics.Weather: An Evaluation Framework for Physical Consistency in ML Weather Models
PhysMetrics.Weather: 机器学习天气模型中物理一致性的评估框架
机构 * University of Amsterdam（阿姆斯特丹大学） ； Deutsches Zentrum für Luft- und Raumfahrt (DLR), Institut für Physik der Atmosphäre（德国航空航天中心大气物理研究所） ； Technical University of Munich（慕尼黑工业大学） ； University of Bremen, Institute of Environmental Physics (IUP)（不来梅大学环境物理研究所） ； Department of Earth and Environmental Engineering, Columbia University（哥伦比亚大学地球与环境工程系）
AI总结 提出PhysMetrics.Weather评估框架，通过守恒、谱和动力学三类指标量化MLWP模型的物理真实性，指导物理信息架构开发并评估其运行可靠性。
Comments Preprint
Cross-Model Disagreement as a Label-Free Correctness Signal
跨模型分歧作为无标签正确性信号
机构 * Independent Researcher（独立研究者） ； Department of Computer Science Columbia University（计算机科学系哥伦比亚大学）
AI总结 提出跨模型分歧作为无标签正确性指标，通过验证模型对生成模型答案的困惑度或熵来检测错误，无需训练或标签，在多个基准上优于模型内不确定性方法。
ReactEMG Stroke: Healthy-to-Stroke Few-shot Adaptation for sEMG-Based Intent Detection
ReactEMG 中风：基于表面肌电图的意图检测的健康到中风少样本适应
机构 * Department of Mechanical Engineering, Columbia University in the City of New York（哥伦比亚大学纽约市机械工程系） ； Department of Computer Science, Columbia University in the City of New York（哥伦比亚大学纽约市计算机科学系） ； Department of Rehabilitation and Regenerative Medicine, Columbia University Irving Medical Center（哥伦比亚大学伊文思医疗中心康复与再生医学系）
AI总结 提出一种健康到中风的适应流程，利用大规模健康受试者sEMG预训练模型，仅用少量中风患者数据微调，显著提升意图检测准确率和鲁棒性。
From Benchmarks to Skills: Low-Rank Factors for LLM Evaluation
从基准到技能：LLM评估的低秩因子
机构 * Bar-Ilan University（巴伊兰大学） ； OriginAI ； Data Science Institute Columbia University（哥伦比亚大学数据科学学院） ； Center for Data Science New York University（纽约大学数据科学中心）
AI总结 通过因子分析发现LLM基准性能矩阵本质低秩，揭示任务冗余，提出基于潜在技能空间的评估框架，用于识别冗余任务、用小任务子集建模新模型和按技能轮廓选模型。
full-FORCE: A Target-Based Method for Training Recurrent Networks
full-FORCE：一种基于目标的训练循环网络方法
机构 * Department of Neuroscience（神经科学系） ； Zuckerman Institute（Zuckerman研究所） ； Columbia University（哥伦比亚大学） ； Department of Physiology and Cellular Biophysics（生理学与细胞生物物理学系） ； Columbia University College of Physicians and Surgeons（哥伦比亚大学医学与外科学院） ； Princeton Neuroscience Institute（普林斯顿神经科学研究所） ； Lewis-Sigler Institute for Integrative Genomics（整合基因组学研究所）
AI总结 本文提出一种基于目标的循环网络训练方法，通过引入第二网络提供目标动态，实现更高效的任务处理，具有更少的神经元和更高的噪声鲁棒性。
Comments 20 pages, 8 figures
Journal ref PLoS ONE (2018)
