Columbia University（哥伦比亚大学）

SIMAX: A Scalable and Interpretable Framework for Multi-Fidelity and Annotated Clinician-Patient Dialogue Simulation

SIMAX: 一种可扩展且可解释的多保真度标注医患对话模拟框架

Zhuhan Bao, Rui Yang, Bohao Yang, Zhiyi Liu, Sicheng Shu, Ruio Heerschap, Le Li, Doris Yang, Elisabeth Bond, Haoyuan Wang, Nicoleta Economou-Zavlanos, Joshua M. Biro, Matthew McDermott, Nan Liu, Anand Chowdhury, Kai Sun, Kathryn Pollak, Ed Hammond, Chuan Hong

机构 * Department of Biostatistics and Bioinformatics, Duke University School of Medicine（杜克大学医学学院生物统计学与生物信息学系） ； Duke-NUS AI + Medical Sciences Initiative, Duke-NUS Medical School（杜克-新加坡国立大学医学科学院AI+医学科学计划） ； Centre for Biomedical Data Science, Duke-NUS Medical School（杜克-新加坡国立大学医学学院生物医学数据科学中心） ； Department of Statistical Science, Duke University（杜克大学统计科学系） ； Leiden University Medical Centre（莱顿大学医学中心） ； Department of Mathematics, University of Texas at Austin（德克萨斯大学奥斯汀分校数学系） ； Department of Internal Medicine, Yale School of Medicine（耶鲁医学院内科学系） ； Department of Biostatistics, Epidemiology and Informatics, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩尔曼医学院生物统计学、流行病学与信息学系） ； The Graduate Group in Applied Mathematics and Computational Science, School of Arts and Sciences, University of Pennsylvania（宾夕法尼亚大学艺术与科学学院应用数学与计算科学联合组） ； Medstar Health National Center for Human Factors in Healthcare, Washington, DC, USA（Medstar健康国家人因工程中心，华盛顿特区，美国） ； Department of Biomedical Informatics, Columbia University（哥伦比亚大学生物医学信息学系） ； Cancer Prevention and Control, Duke Cancer Institute, Durham, NC, USA（杜克癌症研究所癌症预防与控制部，达勒姆，北卡罗来纳州，美国） ； Department of Population Health Sciences, Duke University School of Medicine（杜克大学医学学院流行病学与公共卫生系） ； Division of Rheumatology and Immunology, Duke University School of Medicine（杜克大学医学学院风湿病学与免疫学系） ； Pre-hospital and Emergency Research Centre, Health Services Research and Population Health, Duke-NUS Medical School（杜克-新加坡国立大学医学学院院前急救与应急研究中心，健康服务研究与人口健康） ； NUS Artificial Intelligence Institute, National University of Singapore（新加坡国立大学人工智能研究所） ； Division of Pulmonary, Allergy and Critical Care Medicine, Duke University School of Medicine（杜克大学医学学院呼吸科、过敏科与危重医学系） ； Duke Center for Health Informatics, Duke University（杜克大学健康信息学中心） ； Duke Clinical Research Institute, Durham, NC, USA（杜克临床研究中心，达勒姆，北卡罗来纳州，美国） 纠错

AI总结 提出SIMAX框架，通过预定义场景、角色和沟通行为生成可控医患对话，自动评估显示语音自然度和转录保真度良好，可用于开发和验证沟通编码系统。

MOSAIC: Orchestrating Collaborative Knowledge Tracing with Hierarchical Semantic Alignment

MOSAIC: 通过层次语义对齐编排协作知识追踪

Xinjin Li, Mengyue Wang, Yuzhen Lin, Pengbin Feng, Ziqi Sha, Yeyang Zhou, Yu Ma

机构 * Columbia University（哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； School of Information Systems and Management, Carnegie Mellon University（信息系统与管理学院，卡内基梅隆大学） ； Department of Mathematics, University of Southern California（数学系，南加州大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Computer Science Department, UC San Diego（计算机科学系，UCSD） 纠错

AI总结 提出MOSAIC框架，利用冻结LLM生成动态嵌入和层次预测提示，结合跨粒度一致性目标，在协作知识追踪中实现多粒度掌握估计，在多个数据集上取得SOTA。

Replica Symmetry Breaking and Algorithmic Thresholds in Empirical Risk Minimization under Multi-Index Model

多指标模型下经验风险最小化的副本对称破缺与算法阈值

Andrea Montanari, Kangjie Zhou

机构 * Department of Mathematics and Department of Statistics, Stanford University（数学系和统计系，斯坦福大学） ； Department of Statistics, Columbia University（统计系，哥伦比亚大学） 纠错

AI总结 研究高维非凸经验风险最小化中多项式时间算法可达的优化区域，提出增量近似消息传递算法并刻画其训练误差及泛化误差，在渐近分析中证明算法性能最优。

Comments 80 pages; 3 pdf figures

Hierarchical Projection for Adaptive Knowledge Transfer

自适应知识迁移的分层投影

Samhita Pal, Tian Gu

机构 * Vanderbilt University Medical Center（范德比尔特大学医学中心） ； Columbia University（哥伦比亚大学） 纠错

AI总结 提出ProjectionTL框架，通过分层贝叶斯建模与自适应投影实现源选择与特征选择，缓解负迁移，提升跨域学习的准确性、稳定性和可解释性。

Comments We found a mistake in the proof that needs to be revised

Objective-Specific Privileged Bases via Full-Prefix Matryoshka Learning

面向目标的特权基通过全前缀马特罗什卡学习

Arghamitra Talukder, Philippe Chlenski, Itsik Pe'er

机构 * Computer Science, Columbia University（哥伦比亚大学计算机科学系） 纠错

AI总结 本文研究马特罗什卡表示学习如何诱导与任务对齐的特权基，证明全前缀MRL能高效恢复有序主方向，且坐标大小反映信息量。

Code Reasoning for Software Engineering Tasks: A Survey and A Call to Action

代码推理用于软件工程任务：调查与呼吁行动

Saurabh Pujar, Ira Ceka, Irene Manotas, Gail Kaiser, Baishakhi Ray, Shyam Ramji

机构 * IBM ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文调查代码推理技术，探讨其在软件工程任务中的影响，提出未来研究方向。

Comments Published in Transactions on Machine Learning Research (06/2026) 40 pages, 8 figures, 11 tables

Model Directions, Not Words: Mechanistic Topic Models Using Sparse Autoencoders

模型方向，而非词语：使用稀疏自编码器的机制性主题模型

Carolina Zheng, Nicolas Beltran-Velez, Sweta Karlekar, Claudia Shi, Achille Nazaret, Asif Mallik, Amir Feder, David M. Blei

机构 * Columbia University（哥伦比亚大学） ； Google Research（谷歌研究院） ； Independent（独立研究者） 纠错

AI总结 本文提出机制性主题模型（MTMs），利用稀疏自编码器学习可解释特征，以揭示深层概念主题，并通过topic judge评估框架验证其有效性。

What Should We Engineer in Prompts? Training Humans in Requirement-Driven LLM Use

提示中应工程什么？基于需求驱动的LLM使用训练

Qianou Ma, Weirui Peng, Chenyang Yang, Hua Shen, Kenneth Koedinger, Tongshuang Wu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Columbia University（哥伦比亚大学） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出ROPE框架，通过评估和训练套件帮助用户生成清晰需求，提升LLM应用构建效果。

Comments 15 pages; TOCHI 2025

Journal ref TOCHI 2025