Columbia University（哥伦比亚大学）

Cluster LOCO: Feature Importance For Interpreting Clusters

Cluster LOCO：用于解释聚类的特征重要性

Claire M. He, Genevera I. Allen

机构 * Department of Statistics Columbia University（统计学系哥伦比亚大学） 纠错

AI总结 提出模型无关的聚类特征重要性方法Cluster LOCO，通过特征遮挡和泛化性度量，可靠识别驱动聚类结构的特征。

Comments 36 pages, 12 figures

Implicit Variational Rejection Sampling

隐式变分拒绝采样

Jian Xu, Shigui Li, Wei Chen, Jiacheng Li, Zhiqi Lin, Delu Zeng, Xinghao Ding, John Paisley, Qibin Zhao

机构 * RIKEN iTHEMS ； RIKEN AIP ； South China University of Technology（华南理工大学） ； Xiamen University（厦门大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 提出隐式变分拒绝采样（IVRS），结合隐式分布与拒绝采样，通过神经网络构建提议分布并用判别器估计密度比来改进后验近似，引入IR-ELBO作为质量度量，实验优于传统变分推断。

SANA: What Matters for QA Agents over Massive Data Lakes?

SANA：大规模数据湖上的问答代理关键因素是什么？

Austin Senna Wijaya, Jiaxiang Liu, Haonan Wang, Eugene Wu

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 提出SANA诊断框架，通过消融实验分析数据湖探索式问答中搜索、规划、数据分析及行动策略的失败原因，揭示数据分析是主要瓶颈。

Comments 9 pages, 7 figures

Mirage Probes: How Vision Models Fake Visual Understanding

幻象探针：视觉模型如何伪造视觉理解

Daniel Ben-Levi, Judah Goldfeder, Weiliang Zhao, Raz Lapid, Amit LeVi, Allen G. Roush, Ravid Shwartz-Ziv, Hod Lipson

机构 * Columbia University（哥伦比亚大学） ； Intuit ； Technion（以色列理工学院） ； Thoughtworks ； New York University（纽约大学） 纠错

AI总结 提出幻象探针框架，通过对比探针揭示视觉语言模型在无图像时也能回答问题的两种幻象行为：文本偏见和虚假图像，并证明后者需要表征级干预。

A Complexity Measure for Active Learning in Multi-group Mean Estimation

多组均值估计中主动学习的复杂度度量

Abdellah Aznag, Rachel Cummings, Adam N. Elmachtoub

机构 * Department of Industrial Engineering and Operations Research & Data Science Institute, Columbia University（哥伦比亚大学工业工程与运筹学系及数据科学研究所） 纠错

AI总结 针对多组均值估计的max-risk目标，提出局部极小极大框架并证明一般下界，引入方差局部曲率（VLC）作为复杂度度量，在平滑类中与方差-费希尔信息关联，并揭示异质实例中的系统性差距。

QualiaNet: An Experience-Before-Inference Network

QualiaNet：一种先验体验的推理网络

Paul Linton

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 提出QualiaNet，模拟人类立体视觉的两阶段架构：先通过视差图模拟体验，再用CNN从视差梯度估计距离，验证了从视差梯度恢复距离的可行性。

Journal ref Extended abstract presented at the 9th Conference on Cognitive Computational Neuroscience, New York, NY, USA, 2026

Spiking Neural Models for Decision-Making Tasks with Learning

基于学习的脉冲神经模型用于决策任务

Sophie Jaffard, Giulia Mezzadri, Patricia Reynaud-Bouret, Etienne Tanré

机构 * Cognition and Decision Lab, Columbia University（认知与决策实验室，哥伦比亚大学） 纠错

AI总结 本文提出一种生物合理性的脉冲神经网络模型，结合学习机制和多变量Hawkes过程，用于决策任务，通过耦合DDM与Poisson计数器模型，推导出带有相关噪声的DDM，并设计在线分类任务验证模型预测。