高校专区
视觉属性如何影响网络代理？对用户界面设计因素的全面评估
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） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出VAF框架，通过系统评估视觉属性对网络代理决策的影响，发现背景颜色对比、项目大小等属性对代理行为有显著影响。
视频生成模型的推理时间物理对齐：基于潜在世界模型
机构 * FAIR, Meta Superintelligence Labs ； University of Oxford ； Mila - Qu\' e bec AI Institute ； Columbia University ； McGill University ； Canada CIFAR AI Chair
AI总结 本文提出WMReward方法，通过潜在世界模型提升视频生成的物理合理性，实验表明在多个生成设置中显著提高物理合理性，并在ICCV 2025挑战中取得第一名。
Comments 22 pages, 10 figures
基于变换器的自监督预训练的动物行为分析与神经编码
机构 * Columbia University（哥伦比亚大学） ； International Brain Laboratory（国际脑实验室）
AI总结 BEAST通过自监督预训练的变换器框架，提升动物行为分析和神经编码的性能，适用于多种神经行为任务。
分布式网络与能源社区协调运行中的量子学习与估计
机构 * Department of Electrical Engineering, Tsinghua University（清华大学电子工程系） ； Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong（香港中文大学机械与自动化工程系） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学深圳校区数据科学学院） ； Department of Earth and Environmental Engineering, Columbia University（哥伦比亚大学地球与环境工程系） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院）
AI总结 本文提出量子学习与估计方法，用于提升分布式网络与能源社区间的协调运行，通过量子特性提升映射精度并减少计算资源消耗。
Comments This is a manuscript published by CSEE Journal of Power and Energy Systems
在有限 f-散度下的分区函数估计
机构 * Columbia University（哥伦比亚大学） ； MIT（麻省理工学院）
AI总结 在有限 f-散度下，研究了分区函数估计的样本复杂性，通过整合覆盖轮廓提出新方法，统一了重要性采样等方法的分析，并扩展到厚尾区域。
Duel-Evolve：通过LLM自我偏好实现无奖励的测试时间扩展
机构 * Columbia University（哥伦比亚大学） ； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
AI总结 Duel-Evolve通过LLM自我偏好实现无奖励的测试时间优化，提升MathBench和LiveCodeBench的准确性。
PoSh：利用场景图引导LLM-as-a-Judge进行详细图像描述
机构 * Columbia University（哥伦比亚大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； The National Gallery of Art（国家艺术馆） ； UCLA（加州大学洛杉矶分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 PoSh通过利用场景图引导LLM-as-a-Judge，提供了一种更准确的详细图像描述评估方法，并展示了其在新数据集DOCENT中的优越表现。
Comments Accepted at ICLR 2026. 26 pages, 9 figures. Metric/benchmark available at https://github.com/amith-ananthram/posh
认知模型和AI算法为设计语言代理提供模板
机构 * Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology（麻省理工学院脑科学与认知科学系） ； Zuckerman Mind Brain Behavior Institute（祖克曼心智大脑行为研究所） ； Department of Psychiatry, Columbia University（哥伦比亚大学精神医学系） ； Neuroscience Institute（神经科学研究所） ； Department of Machine Learning, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； Department of Psychology, Princeton University（普林斯顿大学心理学系）
AI总结 本文提出利用认知模型和AI算法设计语言代理的模板，旨在开发更有效且可解释的语言代理。
提升推理语言模型的参数知识访问能力
机构 * Columbia University（哥伦比亚大学）
AI总结 通过强化学习训练，提升推理语言模型在参数知识访问上的能力，改进知识回忆和问答任务表现。
WildSVG：迈向真实世界条件下可靠的SVG生成
机构 * QuiverAI ； Columbia University（哥伦比亚大学） ； Illinois Institute of Technology（伊利诺伊理工学院） ； Mila - Quebec Artificial Intelligence Institute（魁北克人工智能研究所） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； ServiceNow Research（ServiceNow研究）
AI总结 WildSVG通过引入现实世界基准测试，揭示了现有多模态模型在真实场景下生成SVG的不足，并指出了改进方向。
Comments 10 pages, 6 pages of additional material
具有激励的合成控制：通过激励探索实现准确的反事实估计
机构 * J.P. Morgan Chase AI Research（J.P. Morgan Chase人工智能研究） ； University of California, Berkeley（加州大学伯克利分校） ； Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出了一种激励合成控制方法，通过激励探索实现准确的反事实估计，无需先验重叠假设，并扩展至合成干预场景。
Comments Accepted to TMLR
一个非常大的视频推理套件
机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。
Comments Homepage: https://video-reason.com/
学习具有联合嵌入预测的世界模型以实现规划
机构 * Department of Electrical Engineering, Columbia University, New York, USA.（电气工程系，哥伦比亚大学，纽约，美国）
AI总结 本文提出了一种联合嵌入预测世界模型，通过引入双模拟编码器增强对慢特征的鲁棒性，提升在减少潜在空间中的导航任务性能。
真实性光谱假说
机构 * Department of Psychology, Zuckerman Mind Brain Behavior Institute, Columbia University, New York, NY（心理学系、Zuckerman mind brain behavior研究所、哥伦比亚大学、纽约NY） ； Department of Neuroscience, Columbia University, New York, NY（神经科学系、哥伦比亚大学、纽约NY） ； New York University, New York, NY（纽约大学、纽约NY） ； Stanford University, Stanford, CA（斯坦福大学、斯坦福CA）
AI总结 研究提出真实性光谱假说，通过评估不同真实性类型和领域特定方向，揭示了LLM表征空间中领域通用与特定方向共存的特性。
Comments 28 pages, 26 figures
Sim2Radar：通过VLM引导的场景重建弥合雷达仿真到现实的差距
机构 * Columbia University（哥伦比亚大学） ； University of California, Merced（加州大学默塞德分校）
AI总结 Sim2Radar通过VLM引导的场景重建，利用合成数据提升雷达感知性能，实现3D AP提升3.7个百分点。
面向目标的影响最大化数据获取用于学习与优化
机构 * University of Michigan（密歇根大学） ； Columbia University（哥伦比亚大学）
AI总结 GOIMDA通过反曲率实现不确定性意识的主动数据获取，适用于学习与优化任务，减少标注样本和函数评估次数。
概率测度间的镜像桥梁
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学） ； Xaira Theurapetics ； CSAIL Future of Data program（CSAIL数据未来计划） ； MIT–IBM Watson AI Laboratory（MIT-IBM沃森人工智能实验室） ； Wistron Corporation（威盛集团） ； Toyota–CSAIL Joint Research Center（丰田-CSAIL联合研究中心）
AI总结 本文提出镜像桥梁模型，通过解决施瓦茨桥问题实现条件重采样，生成分布内变化样本，简化算法并提高应用效果。
设计与评估用于科学问答的提示链
机构 * Columbia University（哥伦比亚大学） ； Barnard College（巴纳德学院）
AI总结 本文设计并评估了基于提示链的科学问答系统，通过比较静态与动态提示策略，揭示了用户偏好及自动评估指标的局限性。
行为实验中决策动态学习的联合建模
机构 * Department of Biostatistics, Columbia University（哥伦比亚大学生物统计学系） ； Department of Statistics, University of Connecticut（康涅狄格大学统计学系） ； Department of Psychiatry, Columbia University（哥伦比亚大学精神病学系）
AI总结 本文提出结合强化学习和漂移扩散模型的框架，用于分析行为实验中的决策动态，揭示MDD患者在决策过程中的参与度和决策时间差异，并发现脑活动与'参与'状态的决策特征相关。
Journal ref The Annals of Applied Statistics, 19(4): 3372-3393, 2025
LLMs与你的名字关联什么？对个人数据的人本黑盒审计
机构 * Columbia University（哥伦比亚大学）
AI总结 研究通过LMP2工具审计LLMs对个人数据的关联，发现模型能准确生成用户特征，引发对数据隐私权在LLMs中的适用性讨论。
隐私保护机制使LLM的可验证推断变得廉价
机构 * Ritual ； MIT（麻省理工学院） ； Columbia University（哥伦比亚大学）
AI总结 本研究提出隐私保护机制实现LLM推断的可验证性，通过低成本协议提高验证效率。
迈向可信的可持续性评级方法论评估：一种人机协作框架用于基准数据集构建
机构 * Columbia University, USA（哥伦比亚大学） ； Case Western Reserve University, USA（凯斯西储大学） ； Hong Kong University of Science（香港科学大学） ； NVIDIA, USA（NVIDIA公司） ； Informatica Inc., USA（Informatica公司）
AI总结 本文提出一种人机协作框架，用于构建可信的可持续性评级方法论基准数据集，以提高评分的可比性和可信度。
动态延迟树扩展用于改进多路径猜测解码
机构 * Columbia University（哥伦比亚大学） ； Vanderbilt University（范德比大学）
AI总结 动态延迟树扩展通过优化多路径猜测解码的验证策略，使基于最优传输的方法首次超越遍历验证，提升吞吐量5%。
贪心多路径块验证用于加速推测采样解码
机构 * Columbia University（哥伦比亚大学）
AI总结 本研究提出贪心多路径块验证方法，通过优化验证算法提升解码效率，实验显示在Llama-3 70B上吞吐量提升超15%。
在噪声监督下学习由反馈-真相差距所支配
机构 * Columbia University（哥伦比亚大学）
AI总结 研究揭示在噪声监督下学习受反馈-真相差距约束，不同系统通过不同机制调节该差距，影响学习效果。
Comments 33 pages, 5 figures, 10 extended data figures, 4 extended data tables; 10-page supplementary information
实例级自适应采样用于近似逆问题解的的数据集构建
机构 * Center for Computational Mathematics, Flatiron Institute（计算数学中心，Flatiron研究所） ； Department of Applied Physics and Applied Mathematics, Columbia University（应用物理与应用数学系，哥伦比亚大学）
AI总结 本文提出了一种实例级自适应采样方法，用于高效构建训练数据集，提升逆问题解的样本效率和精度。
嵌入知识的潜在投影用于鲁棒表征学习
机构 * Department of Statistics and Data Science, Carnegie Mellon University（卡内基梅隆大学统计学与数据科学系） ； Department of Statistics, Columbia University（哥伦比亚大学统计学系） ； Department of Neurology, University of Pittsburgh（匹兹堡大学神经病学系） ； Department of Biostatistics, Harvard University（哈佛大学生物统计学系）
AI总结 本文提出嵌入知识的潜在投影模型，通过语义信息正则化表征学习，解决高维不平衡数据下的鲁棒表示问题。
区间删失数据的提升方法：回归与分类
机构 * Columbia University（哥伦比亚大学） ； University of Western Ontario（西方大学）
AI总结 本文提出非参数提升方法，用于处理区间删失数据的回归与分类任务，通过无偏转换调整损失函数并保持模型准确性，理论和实证均验证其有效性。
Journal ref In The 13th International Conference on Learning Representations (2025)
TabImpute: 通用零样本填补表格数据
机构 * Industrial Engineering \& Operations Research, Columbia University, New York, USA ； Department of Statistics, Columbia University, New York, USA ； Operations Research \& Information Engineering, Cornell Tech, New York, USA
AI总结 TabImpute通过预训练Transformer实现通用零样本表格数据填补，采用高效特征化和合成数据生成提升填补速度与准确性。
GRACE：一个用于粒子物理实验设计和模拟的智能体
机构 * Data Science Institute, Columbia Engineering（数据科学研究院，哥伦比亚工程学院） ； Department of Physics and Astronomy, Johns Hopkins University（物理与天文学系，约翰霍普金斯大学）
AI总结 GRACE是一个用于粒子物理实验设计和模拟的智能体，通过自主探索设计修改提升物理性能，引入了新的基准测试和约束搜索方法。
Comments Both authors contributed equally. 43 pages, 12 figures, 6 tables, data can be found in https://github.com/just5034/GRACE_whitepaper_data
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈