GIF: Locally Sound Geometric Information Flow Control for LLMs
GIF: 局部几何信息流控制用于大语言模型
机构 * Columbia University（哥伦比亚大学）
AI总结 提出GIF框架，利用LLM雅可比矩阵和局部输出几何上界香农互信息，实现可扩展的信息流追踪，在提示注入和隐私泄露任务中达到近完美召回，且计算成本低。
高校专区
Columbia University（哥伦比亚大学）
AgentDSE: Reasoning-Augmented Architectural Design Space Exploration
AgentDSE：推理增强的架构设计空间探索
机构 * Harvard University（哈佛大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学）
AI总结 提出AgentDSE，利用大语言模型编码代理自动进行架构推理，在DNN加速器映射、软硬件协同设计和CPU缓存层次优化中，以少两个数量级的评估次数达到竞争或更优的设计质量。
Comments Accepted to the Machine Learning for Architecture and Systems Workshop (MLArchSys), co-located with ISCA 2026
Causal Gaussian Processes for Robust Treatment Effect Evaluation with Unobserved Confounding
因果高斯过程用于存在未观测混杂的鲁棒处理效应评估
机构 * Department of Electrical Engineering and Computer Science, Syracuse University（Syracuse大学电气工程与计算机科学系） ； Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系）
AI总结 针对连续域上存在未观测混杂的因果效应评估问题，提出一种基于外生域离散化的因果高斯过程模型，可任意逼近任意因果模型的观测和干预分布。
Robot Critics that Sweat the Small Stuff
关注细节的机器人批评家
机构 * Columbia University（哥伦比亚大学） ； Toyota Research Institute（丰田研究所）
AI总结 针对大视觉语言模型在机器人操作中难以区分微小视觉差异的问题，提出通过成功与失败轨迹构建成对进展监督来微调批评家，提升细粒度推理和失败检测能力，并在真实和仿真任务中分别提高策略成功率11%和5.9%。
Intrinsic Flow Matching on Quantum Pure-State Manifolds with Phase-Aligned Transport
量子纯态流形上的内禀流匹配与相位对齐输运
机构 * RIKEN iTHEMS（日本理化学研究所跨学科理论与数学科学项目） ； RIKEN AIP（日本理化学研究所人工智能项目） ； South China University of Technology（华南理工大学） ； Columbia University（哥伦比亚大学）
AI总结 提出内禀流匹配（IFM）框架，在复射影空间上通过Pancharatnam相位对齐条件路径学习切向速度场，实现确定性输运，改善高维和相干敏感任务的生成建模。
CogniRoute: Learning to Route Social Evidence in Omni-Modal Models
CogniRoute: 在全模态模型中学习路由社会证据
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Columbia University（哥伦比亚大学） ； Google（谷歌）
AI总结 提出CogniRoute框架，通过模式引导的专家混合和路由感知强化学习，解决全模态模型在社会视频问答中证据选择不足的问题，在OmniSocialBench上准确率达59.38%。
Go-with-the-Track: Video Compositing and Motion Control with Point Tracking
Go-with-the-Track: 基于点追踪的视频合成与运动控制
机构 * Netflix USA（Netflix美国） ； Eyeline Labs USA（Eyeline Labs美国） ； University of Oxford（牛津大学） ； Eyeline Labs Los Angeles USA（Eyeline Labs洛杉矶美国） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Stony Brook University USA（石溪大学美国） ； Columbia University USA（哥伦比亚大学美国） ； Eyeline Labs United Kingdom（Eyeline Labs英国） ； Netflix Los Angeles USA（Netflix洛杉矶美国）
AI总结 提出Go-with-the-Track，通过联合条件多参考图像和参考锚定点轨迹，统一视频合成与运动控制，实现精确合成与运动控制。
Comments SIGGRAPH 2026, Project page: https://eyeline-labs.github.io/Go-with-the-Track/
What Does a Chemical Language Model Know About Molecules?
化学语言模型对分子了解多少？
机构 * Department of Systems Biology, Columbia University（哥伦比亚大学系统生物学系） ； Computational Drug Discovery (CDD), Division of Medicinal Chemistry, Leiden University（莱顿大学药物化学系计算药物发现（CDD））
AI总结 通过稀疏自编码器分析MolFormer模型，发现早期层追踪位置以解析分子语法，后期层编码子结构及药理特征，非规范SMILES比无效SMILES引起更大表示偏移。
CREG: Compass Relational Evidence Graph for Characterizing Directional Structure in VLM Spatial-Reasoning Attribution
CREG: 用于表征VLM空间推理归因中方向性结构的指南针关系证据图
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Columbia University（哥伦比亚大学）
AI总结 提出CREG框架，将令牌级归因转换为以参考为中心的指南针分布并测量方向对齐，揭示当前归因方法的方向性结构有限且常与图像布局混合，任务准确率提升不保证方向归因改善。
TIF: Learning Temporal Invariance in Android Malware Detectors
TIF：学习安卓恶意软件检测器的时间不变性
机构 * University College London（伦敦大学学院） ； The University of Hong Kong（香港大学） ； Columbia University（哥伦比亚大学）
AI总结 针对恶意软件变种和新家族导致的分布漂移，提出时间不变训练框架TIF，通过多代理对比学习和不变梯度对齐学习稳定表征，提升检测器时间鲁棒性。
Comments Manuscript has been accepted by IEEE Transactions on Software Engineering (TSE)
Aligning AI-driven discovery with human intuition
使AI驱动的发现与人类直觉对齐
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学）
AI总结 针对AI发现的状态变量缺乏物理意义的问题，提出一种无需先验知识即可提取更符合人类直觉表示的新原则，并在多个系统上验证其与人类选择的一致性。
