高校专区
SPI：向量数据库中流式RAG的查询深度自适应索引
机构 * Yale University（耶鲁大学） ； Columbia University（哥伦比亚大学）
AI总结 提出语义金字塔索引（SPI），通过多级分辨率组织和不确定性感知控制器实现查询深度自适应，支持流式插入和渐进式ANN搜索，在MS MARCO和Natural Questions上相比基线实现1.4-2.3倍延迟降低。
SkillsBench: 基准测试智能体技能在不同任务中的有效性
机构 * BenchFlow ； OSU ； Amazon ； UC Berkeley ； UC Santa Cruz ； UC Davis ； Dartmouth ； RLWRLD ； Independent ； Princeton University ； Oxford University ； Stanford University ； USC ； CMU ； Foxconn ； Zenity ； UNSW ； UT Austin ； MSU ； Duke University ； ByteDance ； UT Dallas ； UC San Diego ； Columbia University ； University of Rochester ； Cornell Tech ； Georgia Tech ； Cornell University ； NEU ； UCLA ； Snap Inc. ； Fanshawe College ； University of Science and Technology of China ； HKUST(GZ) ； Anyscale
AI总结 提出SkillsBench基准，包含8领域87个任务，通过配对评估证明技能提升平均通过率16.6个百分点，小模型配备技能可匹敌大模型。
基于AI的排队系统的设计与调度
机构 * Columbia University（哥伦比亚大学）
AI总结 针对预测模型在服务系统中与人类服务器交互的场景，研究预测误差对拥塞成本的影响，提出一种基于索引的策略，在重流量下近最优地利用预测类别信息，并指导预测模型选择。
QualiaNet：一种先验体验的推理网络
机构 * Columbia University（哥伦比亚大学）
AI总结 提出QualiaNet，模拟人类立体视觉的两阶段架构：先通过视差图模拟体验，再用CNN从视差梯度估计距离，验证了从视差梯度恢复距离的可行性。
Journal ref Extended abstract presented at the 9th Conference on Cognitive Computational Neuroscience, New York, NY, USA, 2026
跨模型分歧作为无标签正确性信号
机构 * Independent Researcher（独立研究者） ； Department of Computer Science Columbia University（计算机科学系哥伦比亚大学）
AI总结 提出跨模型分歧作为无标签正确性指标，通过验证模型对生成模型答案的困惑度或熵来检测错误，无需训练或标签，在多个基准上优于模型内不确定性方法。
ReactEMG 中风：基于表面肌电图的意图检测的健康到中风少样本适应
机构 * Department of Mechanical Engineering, Columbia University in the City of New York（哥伦比亚大学纽约市机械工程系） ； Department of Computer Science, Columbia University in the City of New York（哥伦比亚大学纽约市计算机科学系） ； Department of Rehabilitation and Regenerative Medicine, Columbia University Irving Medical Center（哥伦比亚大学伊文思医疗中心康复与再生医学系）
AI总结 提出一种健康到中风的适应流程，利用大规模健康受试者sEMG预训练模型，仅用少量中风患者数据微调，显著提升意图检测准确率和鲁棒性。
从基准到技能：LLM评估的低秩因子
机构 * Bar-Ilan University（巴伊兰大学） ； OriginAI ； Data Science Institute Columbia University（哥伦比亚大学数据科学学院） ； Center for Data Science New York University（纽约大学数据科学中心）
AI总结 通过因子分析发现LLM基准性能矩阵本质低秩，揭示任务冗余，提出基于潜在技能空间的评估框架，用于识别冗余任务、用小任务子集建模新模型和按技能轮廓选模型。
通过AI工作流存储增强个人代理的鲁棒性
机构 * Columbia University and Google（哥伦比亚大学和谷歌） ； Google（谷歌）
AI总结 本文探讨将严谨的软件工程流程整合到代理循环中，以生成可靠、安全且确定性约束的代理工作流，提升高风险场景下的性能。
AI应用为用户观看的社交媒体视频提供实时和平水平反馈
机构 * Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所） ； Advanced Consortium on Cooperation, Conflict, and Complexity, Columbia University（哥伦比亚大学合作、冲突与复杂性高级联合体） ； Computer Science, Columbia University（哥伦比亚大学计算机科学） ； Data Science, St John’s University（圣约翰大学数据科学） ； Quantitative Methods in the Social Sciences, Columbia University（哥伦比亚大学社会科学定量方法） ； Barnard College, Columbia University（哥伦比亚大学巴纳德学院） ； Teachers College, Columbia University（哥伦比亚大学教师学院） ； Department of Industrial Engineering and Operations Research, Columbia University（哥伦比亚大学工业工程与运筹学系） ； Harmonious Communities, Toyota Research Institute（丰田研究院和谐社区）
AI总结 开发了一个实时分析YouTube视频中语言和平程度的AI应用，使用监督学习和大语言模型，大语言模型在测量和平相关社会维度上更接近人类编码者。
Comments 6 pages, 4 figures, corrected typos, minor edits; v3: 16 pages, improved title, abstract, introduction, discussion, conclusions, added more references
Cyst-X：用于胰腺囊性肿瘤恶性风险分层的多中心MRI基准与联邦学习框架
机构 * Machine & Hybrid Intelligence Lab, Department of Radiology, Northwestern University（机器与混合智能实验室，放射科，西北大学） ； Istanbul Faculty of Medicine, Istanbul University（伊斯坦布尔大学医学学院） ； Department of Biomedical Engineering and Radiology, University of Wisconsin-Madison（生物医学工程与放射科，威斯康星大学麦迪逊分校） ； Department of Preventive Medicine, Northwestern University（预防医学系，西北大学） ； Division of Gastroenterology and Hepatology, New York University（消化内科与肝病科，纽约大学） ； Department of Electrical, Electronic and Computer Engineering, University of Catania（电气、电子和计算机工程系，卡塔尼亚大学） ； NVIDIA ； Department of Radiology, Columbia University（放射科，哥伦比亚大学） ； Department of Radiology and Nuclear Medicine, Erasmus Medical Center（放射科与核医学科，埃因霍温医学院） ； Department of Gastroenterology and Hepatology, Erasmus Medical Center（消化内科与肝病科，埃因霍温医学院） ； Department of Radiology, New York University（放射科，纽约大学） ； Division of Gastroenterology and Hepatology, Mayo Clinic Florida（消化内科与肝病科，迈阿密诊所佛罗里达分部） ； Department of Gastroenterology and Hepatology, Northwestern University（消化内科与肝病科，西北大学）
AI总结 提出Cyst-X，一个多中心MRI基准和联邦学习框架，用于IPMN恶性风险分层，结合PanSegNet分割器和3D DenseNet-121分类器，在内部交叉验证中达到0.85的AUC，性能与放射科医生相当。
从加密智能手机网络流量中学习行为信号
机构 * New York University（纽约大学） ； NYU Langone Health（NYU Langone健康） ； NYU Grossman School of Medicine（NYU Grossman医学院） ； Oregon Health & Science University（俄勒冈健康与科学大学） ； Columbia University（哥伦比亚大学） ； Harvard Medical School（哈佛医学院）
AI总结 本文利用基于Transformer的模型从加密网络流量中学习行为表征，结合用户特定适配器，并通过稀疏表示和广义估计方程分析，发现压力、孤独感和睡眠障碍分别与个体间差异、个体内波动及两者组合相关，且学习到的表征优于传统手工特征。
Comments 19 pages, 6 figures
PQR：一个生成多样化且逼真用户查询的框架，以引发问答代理失败
机构 * Columbia University（哥伦比亚大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Walmart（沃尔玛）
AI总结 PQR框架通过迭代交互生成多样化且逼真的用户查询，以发现问答代理的失败案例，其方法比现有方法更有效。
城市洪水观测：一个手标注的训练和验证数据集，用于洪水后淹没区域
机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室） ； University of Arizona（亚利桑那大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Utah State University（犹他州立大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学） ； University of Virginia（弗吉尼亚大学）
AI总结 本文提出UFO数据集，用于复杂城市环境中从卫星图像中映射洪水淹没区域，通过手标注数据集验证了分割模型，达到77.3的平均IoU，并评估了两种常用水体产品。
Comments 15 pages, 8 figures
镜像影响假说：利用前向传播的高效数据影响估计
机构 * Virginia Tech（弗吉尼亚理工大学） ； Columbia University（哥伦比亚大学）
AI总结 提出镜像影响假说，将训练数据对测试预测的影响转化为逆问题，通过测试样本梯度加训练样本前向传播高效估计数据影响，显著提升效率。
Comments The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2024
Journal ref The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2024
Pixel Cube: 基于扩散的肖像视频重光照通过真实感光照再现
机构 * George Mason University（乔治·马歇尔大学） ； LightThought LLC ； Columbia University（哥伦比亚大学）
AI总结 提出一种基于扩散的方法，利用混合训练数据集和HDR环境图控制，实现动态肖像视频的真实感重光照，保持时间一致性和身份特征。
Comments ACM SIGGRAPH 2026 Journal Track / ACM Transactions on Graphics, 17 pages. Project page: https://yufanzhang82.github.io/PixelCube/
Journal ref ACM Trans. Graph. 45, 4, Article 119 (July 2026), 17 pages
Transformer中的注意力汇聚：利用、解释与缓解综述
机构 * Tsinghua University（清华大学） ； Meituan LongCat Team（美团LongCat团队） ； The University of Hong Kong（香港大学） ； University of Michigan（密歇根大学） ； Xiamen University（厦门大学） ； The Ohio State University（俄亥俄州立大学） ； Columbia University（哥伦比亚大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 本文首次系统综述Transformer中的注意力汇聚现象，从基础利用、机制解释和策略缓解三个维度梳理研究现状，为未来研究提供指导。
一个损失统治一切：结构化EHR基础模型的标记时间到事件
机构 * Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） ； Department of Biomedical Informatics, Columbia University（哥伦比亚大学生物医学信息学系） ； Department of Computational Medicine, UCLA（洛杉矶大学计算医学系） ； Formation Bio
AI总结 提出ORA预训练目标，联合建模事件时间和关联测量，相比下一词预测和忽略连续测量的损失，在多个数据集和下游任务上产生更通用的表示，提升回归和时间到事件预测能力。
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