Columbia University（哥伦比亚大学）

Toward Automated Detection of Documentation Inconsistencies in Electronic Health Records

迈向电子健康记录中文档不一致性的自动检测

Jian Lu, Panyu Chen, Miriam Treggiari, Robert Blessing, Danyang Zhuo, Chunhua Weng, William W. Stead, Anru R. Zhang

机构 * Duke University（杜克大学） ； Columbia University Medical Center（哥伦比亚大学医学中心） ； Vanderbilt University Medical Center（范德堡大学医学中心） 纠错

AI总结 研究旨在检测电子健康记录中文档不一致性，采用两阶段LLM管道对3000份出院小结进行分析，发现多种类型不一致及反复出现的失败模式，建立了方法基础和概念框架以指导后续大规模分析。

Frustratingly Simple Black-Box Adaptation of Language Models via Logit Bias

通过对数偏差对语言模型进行极其简单的黑箱适应

Ofek I. Cohen, Lior Shani, Aviv Rosenberg, Ankur Samanta, Tal Wagner, Yonathan Efroni

机构 * Tel Aviv University（特拉维夫大学） ； Google Research（谷歌研究院） ； Columbia University（哥伦比亚大学） 纠错

AI总结 研究如何通过简单API级控制调整语言模型，开发黑箱方法学习对数偏差向量，无需修改模型权重或梯度，该方法在数学和推理基准上优于基础模型，是一种轻量级的语言模型适应机制。

Comments 36 pages, 4 figures, 6 tables. Appendix included. Code available at https://github.com/Ofek-Israeli/logit_bias_lm_adaptation

Personalize Your Large Vision-language Models With In-context Prompt Tuning

用上下文提示调优个性化你的大型视觉语言模型

Yanshu Li, Jiaqian Li, Kuai Yu, Xi Xiao, Dongfang Liu, Tianyang Wang, Ruixiang Tang

机构 * Brown University（布朗大学） ； Columbia University（哥伦比亚大学） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Purdue University（普渡大学） ； Rutgers University（罗格斯大学） 纠错

AI总结 提出上下文提示调优（ICPT）方法，通过轻量投影模块从多参考图像中提取细粒度视觉语义并转化为连续提示，结合几何正则化解决环境偏差和跨概念干扰，实现高效个性化。

Comments Accepted at ECCV 2026, 27 pages, 10 figures, 5 tables

Accelerating Frequency Domain Diffusion Models with Error-Feedback Event-Driven Caching

通过误差反馈事件驱动缓存加速频域扩散模型

Dong Liu, Yanxuan Yu, Ying Nian Wu

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Yale University（耶鲁大学） ； East China Normal University（华东师范大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出E²-CRF方法，利用频域扩散模型的频谱局部化和镜像对称性，通过事件驱动的残差动态实现自适应缓存，提升推理速度2.2倍并保持样本质量。

CSV-Decode: Certifiable Sub-Vocabulary Decoding for Efficient Large Language Model Inference

CSV-Decode: 可证的子词汇解码以实现高效的大型语言模型推理

Dong Liu, Shu Wang, Yanxuan Yu, Haisheng Wang, Ben Lengerich

机构 * Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； College of Engineering, Columbia University（哥伦比亚大学工程学院） ； Department of Statistics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校统计学系） 纠错

AI总结 CSV-Decode通过构建子词汇表实现高效的大语言模型推理，提供精确的top-k认证和ε-认证的softmax近似，显著提升速度并保持分布保证。

GazeLT: Visual attention-guided long-tailed disease classification in chest radiographs

GazeLT：胸部X光片中视觉注意力引导的长尾疾病分类

Moinak Bhattacharya, Gagandeep Singh, Shubham Jain, Prateek Prasanna

机构 * Department of Biomedical Informatics, Stony Brook University, NY, US（斯通比克大学生物医学信息学系） ； Department of Radiology, Columbia University, NY, US（哥伦比亚大学放射学系） ； Department of Computer Science, Stony Brook University, NY, US（斯通比克大学计算机科学系） 纠错

AI总结 研究针对胸部X光片中长尾疾病分类问题，提出GazeLT方法，通过整合和分解机制利用视觉搜索时间维度，在两个公开数据集上实验，其平均准确率超最佳长尾损失方法4.1%、基于视觉注意力基线方法21.7%。

Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://protect.checkpoint.com/v2/r01/___https://melba-journal.org/2026:020___.YzJ1OnN0b255YnJvb2s6YzpnOmI4YTI5YmRmZTQ0YjIxZjdhNzI0YWJhZDc5NDA0MzdhOjc6Njc3Nzo5YTc1NmVjZTg2MTcwMjA1MDI5NzM4MTczZGEwYTNkOWIwMTI3NDM2Yzg0MGU3ZmQxY2RmNmMyNDdmN2JkODExOnQ6VDpG

Journal ref Machine.Learning.for.Biomedical.Imaging. 2026 (2026)