Columbia University（哥伦比亚大学）

ARCANA: A Reflective Multi-Agent Program Synthesis Framework for ARC-AGI-2 Reasoning

ARCANA：用于ARC-AGI-2推理的反射式多智能体程序合成框架

Kunbo Zhang, Lei Fu, Zeyu Wang, Zijing Liu, Kejian Tong

机构 * Columbia University（哥伦比亚大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Northeastern University（东北大学） 纠错

AI总结 ARCANA是用于ARC-AGI-2推理的多智能体框架，将任务分解为感知、假设生成等步骤，智能体通过可微黑板通信，由元控制器调度。其设计结合程序搜索与校正，提升了抽象转换任务的推理效率和解决方案质量。

Latent Reward Steering: An Adaptive Inference-Time Framework that Implicitly Promotes Cognitive Behaviors in Reasoning LLMs

潜在奖励引导：一种自适应推理时框架，隐式促进推理大语言模型中的认知行为

Jiakang Li, Guanyu Zhu, Can Jin, Chenxi Huang, Dexu Yu, Ronghao Chen, Yang Zhou, Hongwu Peng, Xuanqi Lan, Dimitris N. Metaxas, Youhua Li

机构 * Rutgers University（罗格斯大学） ； South China Agricultural University（华南农业大学） ； Columbia University（哥伦比亚大学） ； Fenz.AI ； QuantaAlpha ； Adobe ； Santa Clara University（圣克拉拉大学） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 提出潜在奖励引导（LRS）框架，通过优化稀疏自编码器潜在状态隐式促进认知行为，利用最终答案正确性训练潜在奖励模型估计中间状态质量，并在推理时提供状态特定的修正方向，实验表明该方法能提升推理性能并修复原始推理错误。

Learning Lineage-guided Geodesics with Finsler Geometry

基于Finsler几何的学习祖系引导测地线

Aaron Zweig, Mingxuan Zhang, David A. Knowles, Elham Azizi

机构 * New York Genome Center（纽约基因组中心） ； Irving Institute for Cancer Dynamics, Columbia University（癌症动力学研究所，哥伦比亚大学） ； Department of Systems Biology, Columbia University（系统生物学系，哥伦比亚大学） ； Department of Computer Science, Columbia University（计算机科学系，哥伦比亚大学） ； Department of Biomedical Engineering, Columbia University（生物医学工程系，哥伦比亚大学） ； Data Science Institute, Columbia University（数据科学研究所，哥伦比亚大学） 纠错

AI总结 本文提出结合分类与几何的Finsler度量，利用离散方向先验知识提升轨迹插值性能。

Towards Identifiability of Interventional Stochastic Differential Equations

迈向干预性随机微分方程的可识别性

Aaron Zweig, Zaikang Lin, Elham Azizi, David Knowles

机构 * New York Genome Center（纽约基因组中心） ； Department of Computer Science Columbia University（哥伦比亚大学计算机科学系） ； Department of Applied Mathematics and Applied Physics Columbia University（哥伦比亚大学应用数学与应用物理系） ； Institute of Computational Biology Helmholtz Munich（海德堡医学院计算生物学研究所） ； Department of Mathematics Technische Universität München（慕尼黑技术大学数学系） ； Department of Biomedical Engineering Columbia University（哥伦比亚大学生物医学工程系） ； Irving Institute for Cancer Dynamics, Columbia University（哥伦比亚大学癌症动力学伊文斯研究所） 纠错

AI总结 研究多重干预下随机微分方程的可识别性，给出线性与非线性SDE参数恢复的界，通过合成数据实验验证，展示可学习激活函数参数化在基因调控动力学应用中的优势。