Secure Decentralized Federated Learning via Gossip and Virtual Voting
通过八卦和虚拟投票实现安全的去中心化联邦学习
机构 * Columbia University（哥伦比亚大学）
AI总结 研究如何实现安全的去中心化联邦学习，提出gspDAG-FL框架，通过八卦历史达成共识，结合多种验证方法提高弹性，经实验验证其在减少协调瓶颈、提高吞吐量及检测无效起源等方面效果良好，学习质量接近基于验证的账本FL。
高校专区
Columbia University（哥伦比亚大学）
GitLake: Git-for-data for the agentic lakehouse
GitLake：面向智能数据湖的数据版Git
机构 * Columbia University（哥伦比亚大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Bauplan Labs（Bauplan实验室）
AI总结 研究面向智能体的数据湖的Git设计，核心方法是将单表快照提升为全湖操作，贡献是实现智能体与人类协作，管道原子性输出，还分享了生产经验和正确性见解。
Comments Pre-print of the paper accepted at DASHSys, VLDB 2026, Boston, USA
Concretized Proposition Prompting Resolves Composition-Knowledge Dichotomy in Large Language Models
具体化命题提示解决大语言模型中的组合-知识二分法
机构 * Columbia University（哥伦比亚大学） ； UNIST（全南科学技术大学） ； POSCO Holdings（POSCO控股）
AI总结 研究针对大语言模型组合-知识二分法难题，提出具体化命题提示（CPP）框架。通过明确相关命题具体化，提升推理性能，尤其在医学基准测试中表现突出，且可扩展到多种模型和参数规模，弥合两类方法差距，解决了二分法问题。
Comments 9
fog: Expressing Motion and Emotion through Function Composition of AI-Generated Code
fog：通过人工智能生成代码的函数组合来表达运动和情感
机构 * Columbia University（哥伦比亚大学）
AI总结 介绍fog函数组合框架，用于通过人工智能生成代码表达运动和情感，能创建运动词汇表并由动画编辑器辅助。经感知评估和用户研究，其运动函数识别准确率达68%，相比基线有显著提升，且在界面形式上支持用户快速迭代等。
Evaluating the Generalizability of Foundation Models for Extreme Environmental Events: Case Study of California Wildfire PM2.5
评估极端环境事件基础模型的泛化能力：以加利福尼亚野火PM2.5为例
机构 * College of Engineering, University of Georgia（佐治亚大学工程学院） ； Information System Department, UMBC（马里兰大学巴尔的摩郡分校信息系统系） ； College of Graduate and Professional Studies, Trine University（特瑞大学研究生与专业研究学院） ； School of Professional Studies, Columbia University（哥伦比亚大学专业研究学院）
AI总结 研究以加利福尼亚野火PM2.5为例，比较六种时间序列基础模型配置与全训练基线及朴素持久性方法，通过留一事件法评估泛化能力，发现BiLSTM表现最佳，零样本TSFMs改进有限，LoRA微调有改善但未超循环基线，挑战大预训练模型主导环境预测的假设并提供指导。
KG-SoftMAP: Soft Knowledge-Graph Priors for Bayesian Network Structure Learning from Sparse Discrete Data
KG-SoftMAP: 基于软知识图谱先验的稀疏离散数据贝叶斯网络结构学习
机构 * Columbia University（哥伦比亚大学）
AI总结 针对稀疏离散数据中贝叶斯网络结构学习困难的问题，提出KG-SoftMAP方法，将加权有向知识图谱编码为软先验，结合BDeu评分与logit形式先验最大化MAP目标，在合成与真实数据上显著提升结构恢复性能。
Comments 12 pages, 2 figures, 4 tables; includes a 24-page technical supplement
