LLM-Powered Virtual Population for Demand Simulation and Pricing
基于LLM的虚拟人群用于需求模拟与定价
机构 * Columbia University（哥伦比亚大学）
AI总结 提出一种LLM驱动的虚拟人群模型，通过混合客户画像和LLM评估购买概率，生成需求分布，支持风险感知定价，在H&M数据集上表现最优。
Comments 18 pages, 7 figures
高校专区
Columbia University（哥伦比亚大学）
Learning the generating functional for variance reduction in lattice QCD
学习格点QCD中方差约化的生成泛函
机构 * Physics Department, Columbia University（哥伦比亚大学物理系） ； Center for Theoretical Physics, Massachusetts Institute of Technology（麻省理工学院理论物理中心） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； Higgs Centre for Theoretical Physics, School of Physics and Astronomy, University of Edinburgh（爱丁堡大学物理与天文学学院希格斯理论物理中心） ； Albert Einstein Center, Institute for Theoretical Physics, University of Bern（伯尔尼大学爱因斯坦中心理论物理研究所） ； NSF AI Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基本相互作用AI研究所）
AI总结 利用机器学习归一化流编码生成泛函表示，系统降低格点规范场论中任意N点关联函数的方差，在QCD和杨-米尔斯理论中实现高达三个数量级的方差约化。
Comments 8 pages, 3 figures
Multi-Agent Framework for Audit Risk Assessment with Explicit Uncertainty and Evidence Conflict Modeling
具有显式不确定性和证据冲突建模的审计风险评估多智能体框架
机构 * Columbia University（哥伦比亚大学） ； Trine University（特林大学） ； University of Sofia（索菲亚大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Westcliff University（韦斯特克莱夫大学）
AI总结 提出UMAR框架，通过三个专业智能体独立评估风险并校准不确定性，利用Dempster-Shafer理论融合分数并测量冲突，在SEC 10-K数据集上优于基线模型，提供可解释的风险信号。
Service-Induced Congestion in Memory-Constrained LLM Serving
内存受限的大语言模型服务中的服务引发拥塞
机构 * Institute for Data, Systems, and Society, Massachusetts Institute of Technology（数据、系统与社会研究所，麻省理工学院） ； Columbia Business School, Columbia University（哥伦比亚大学商学院） ； School of Mathematical Sciences, Peking University（北京大学数学科学学院）
AI总结 本文通过离散时间动力学模型研究内存受限的大语言模型服务中，因键值缓存增长导致的服务引发拥塞，发现同质负载下无驱逐均衡不稳定且收敛到最坏情况极限环，异质负载下稳定条件与解码长度互质相关，并提出调度设计原则。
Comments 101 pages
LatentGym: A Testbed For Cross-Task Experiential Learning With Controllable Latent Structure
LatentGym: 具有可控潜在结构的跨任务经验学习测试平台
机构 * Columbia University（哥伦比亚大学） ； Oumi Blog | Code | Models（Oumi博客 | 代码 | 模型）
AI总结 提出LatentGym测试平台，通过可控潜在变量分离探索与利用，研究LLM代理在跨任务序列中的适应性学习机制。
Comments 61 pages
Relational Structural Causal Models
关系结构因果模型
机构 * Causal Artificial Intelligence Lab, Columbia University（哥伦比亚大学因果人工智能实验室）
AI总结 提出关系结构因果模型，将结构因果模型扩展到对象和关系可变的场景，通过关系因果图和符号识别准则实现未见组合的因果和观测查询识别，并设计关系神经因果模型在交通场景中优于非关系基线。
Comments Proceedings of the Forty-Third International Conference on Machine Learning
Cluster LOCO: Feature Importance For Interpreting Clusters
Cluster LOCO：用于解释聚类的特征重要性
机构 * Department of Statistics Columbia University（统计学系哥伦比亚大学）
AI总结 提出模型无关的聚类特征重要性方法Cluster LOCO，通过特征遮挡和泛化性度量，可靠识别驱动聚类结构的特征。
Comments 36 pages, 12 figures
Implicit Variational Rejection Sampling
隐式变分拒绝采样
机构 * RIKEN iTHEMS ； RIKEN AIP ； South China University of Technology（华南理工大学） ； Xiamen University（厦门大学） ； Columbia University（哥伦比亚大学）
AI总结 提出隐式变分拒绝采样（IVRS），结合隐式分布与拒绝采样，通过神经网络构建提议分布并用判别器估计密度比来改进后验近似，引入IR-ELBO作为质量度量，实验优于传统变分推断。
SANA: What Matters for QA Agents over Massive Data Lakes?
SANA：大规模数据湖上的问答代理关键因素是什么？
机构 * Columbia University（哥伦比亚大学）
AI总结 提出SANA诊断框架，通过消融实验分析数据湖探索式问答中搜索、规划、数据分析及行动策略的失败原因，揭示数据分析是主要瓶颈。
Comments 9 pages, 7 figures
Mirage Probes: How Vision Models Fake Visual Understanding
幻象探针：视觉模型如何伪造视觉理解
机构 * Columbia University（哥伦比亚大学） ； Intuit ； Technion（以色列理工学院） ； Thoughtworks ； New York University（纽约大学）
AI总结 提出幻象探针框架，通过对比探针揭示视觉语言模型在无图像时也能回答问题的两种幻象行为：文本偏见和虚假图像，并证明后者需要表征级干预。
A Complexity Measure for Active Learning in Multi-group Mean Estimation
多组均值估计中主动学习的复杂度度量
机构 * Department of Industrial Engineering and Operations Research & Data Science Institute, Columbia University（哥伦比亚大学工业工程与运筹学系及数据科学研究所）
AI总结 针对多组均值估计的max-risk目标，提出局部极小极大框架并证明一般下界，引入方差局部曲率（VLC）作为复杂度度量，在平滑类中与方差-费希尔信息关联，并揭示异质实例中的系统性差距。
Detect, Remask, Repair: Diffusion Editing for Faithful Summarization of Evolving Contexts
检测、重掩、修复：面向动态上下文忠实摘要的扩散编辑
机构 * Columbia University（哥伦比亚大学）
AI总结 提出DETECT-REMASK-REPAIR框架，利用掩码扩散语言模型识别并修复摘要中过时内容，在保持支持内容的同时实现局部忠实性修复，并引入StreamSum基准评估。
How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings?
因果不变性在有限样本设置中对领域适应有多大用处？
机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； Causal Artificial Intelligence Lab, Columbia University（哥伦比亚大学因果人工智能实验室） ； Department of Statistics, Columbia University（哥伦比亚大学统计系）
AI总结 研究线性回归中因果不变性如何提升监督领域适应，通过候选预测器的目标风险边界和有限样本估计误差推导匹配上下界，证明当边界足够大时自适应聚合可避免负迁移。
PhysMetrics.Weather: An Evaluation Framework for Physical Consistency in ML Weather Models
PhysMetrics.Weather: 机器学习天气模型中物理一致性的评估框架
机构 * University of Amsterdam（阿姆斯特丹大学） ； Deutsches Zentrum für Luft- und Raumfahrt (DLR), Institut für Physik der Atmosphäre（德国航空航天中心大气物理研究所） ； Technical University of Munich（慕尼黑工业大学） ； University of Bremen, Institute of Environmental Physics (IUP)（不来梅大学环境物理研究所） ； Department of Earth and Environmental Engineering, Columbia University（哥伦比亚大学地球与环境工程系）
AI总结 提出PhysMetrics.Weather评估框架，通过守恒、谱和动力学三类指标量化MLWP模型的物理真实性，指导物理信息架构开发并评估其运行可靠性。
Comments Preprint
ATLAS: Active Theory Learning for Automated Science
ATLAS: 自动化科学的主动理论学习
机构 * Google DeepMind（谷歌DeepMind） ； Princeton University（普林斯顿大学） ； Columbia University（哥伦比亚大学） ； University College London（伦敦大学学院）
AI总结 提出ATLAS框架，通过主动学习迭代生成稀疏神经网络假设并设计最优区分实验，在bandit任务中恢复强化学习智能体，相比随机实验采样效率提升5-10倍。
VISTA: A Versatile Interactive User Simulation Toolkit for Agent Evaluation
VISTA：用于智能体评估的多功能交互式用户模拟工具包
机构 * Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） ； Arklex.ai
AI总结 提出VISTA工具包，通过六项指标和混合用户模拟器（UI+API）提升智能体评估的真实性与全面性，在电商和教育场景中验证有效性。
LakeQA: An Exploratory QA Benchmark over a Million-Scale Data Lake
LakeQA：百万级数据湖上的探索性问答基准
机构 * Columbia University（哥伦比亚大学） ； New York University（纽约大学） ； Barnard College（巴纳德学院）
AI总结 提出LakeQA基准，要求LLM在9.5TB异构数据湖中搜索并多跳推理，GPT-5.2仅达18.37%精确匹配，挑战性强。
End-to-End Context Compression at Scale
端到端上下文压缩的规模化
机构 * New York University（纽约大学） ； Modal Labs（Modal实验室） ； University of Maryland（马里兰大学） ； Princeton University（普林斯顿大学） ； Columbia University（哥伦比亚大学） ； Harvard University（哈佛大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； FAIR at Meta（Meta FAIR实验室）
AI总结 本研究通过架构搜索和持续预训练，提出潜在上下文语言模型（LCLMs），一种端到端编码器-解码器压缩器，在通用任务性能、压缩速度和峰值内存上改进帕累托前沿，并可作为长时智能体的高效骨干。
HARBOR: A Harness Framework for Agentic Robot Reinforcement Learning
HARBOR：面向智能体机器人强化学习的框架
机构 * TU Darmstadt（达姆施塔特工业大学） ； Honda Research Institute Europe（本田欧洲研究所） ； Columbia University（哥伦比亚大学） ； Tongji University（同济大学） ； Shanghai Research Institute for Intelligent Autonomous Systems（上海智能自主系统研究院） ； University of Würzburg（维尔茨堡大学） ； Hessian.AI（黑森人工智能中心）
AI总结 提出HARBOR框架，通过将机器人强化学习自动化视为框架工程问题，利用专用智能体、标准化命令和可复用知识，在模拟中自动完成从环境搭建到策略训练的全流程，并在6个基准测试和16个任务中验证其有效性。
Curation of a Cardiology Interface Terminology for Highlighting Electronic Health Records using Machine Learning
利用机器学习构建心脏病学接口术语以突出电子健康记录
机构 * Department of Computer Science, New Jersey Institute of Technology（新泽西理工学院计算机科学系） ； Department of Computer Science, St.Francis College（圣弗朗西斯学院计算机科学系） ； Department of Informatics, New Jersey Institute of Technology（新泽西理工学院信息学系） ； Department of Data Science, New Jersey Institute of Technology（新泽西理工学院数据科学系） ； Center for Genomic Medicine, School of Medicine, University of Nevada（内华达大学医学学院基因组医学中心） ； Department of Medicine, Cardiology Division, Columbia University Irving Medical Center（哥伦比亚大学伊万杰琳医学中心内科部（心内科）） ； Advanced Metrics Laboratory, School of Medicine and Health Sciences, George Washington University（乔治华盛顿大学医学院与健康科学学院高级指标实验室） ； Department of Biomedical Informatics and Data Science, Yale University（耶鲁大学生物医学信息学与数据科学系）
AI总结 提出基于机器学习的心脏病学接口术语（CIT）设计方法，通过半自动构建训练数据并训练模型，实现对电子健康记录中关键信息的高亮，覆盖率达74.21%。
TRACER: Token ReAssignment for Concept ERasure in Generative Recommendation
TRACER: 面向生成式推荐中概念擦除的令牌重分配
机构 * Stony Brook University（石英布鲁克大学） ； University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校） ； Columbia University（哥伦比亚大学） ； Institute of Science and Technology Austria（奥地利科学技术研究院） ； Sapienza University of Rome（罗马大学 sapienza） ； National University of Singapore（新加坡国立大学）
AI总结 针对生成式推荐中概念遗忘与推荐效用冲突的问题，提出基于令牌重分配的概念遗忘框架TRACER，通过将概念相关物品重分配给替代令牌并引入一致性正则化，有效移除目标概念同时保持推荐效用。
Learning Fair Demand Models
学习公平需求模型
机构 * Department of Industrial Engineering and Operations Research and Data Science Institute, Columbia University（工业工程与运筹学系及数据科学研究院，哥伦比亚大学） ； Department of Industrial Engineering and Operations Research, Columbia University（工业工程与运筹学系，哥伦比亚大学）
AI总结 研究数据驱动定价中的公平性问题，通过比较在需求估计或价格优化阶段施加公平约束的策略，分析其对消费者福利和社会效益的影响。
