高校专区
S-JEPA：用于自监督语音表示学习的软聚类锚点
机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； James Silberrad Brown Center for AI（詹姆斯·西尔伯拉德·布朗人工智能中心） ； Columbia University（哥伦比亚大学） ； Northeastern University（东北大学） ； Stanford University（斯坦福大学） ； Amazon GenAI（亚马逊生成式人工智能）
AI总结 提出S-JEPA，通过KL散度匹配高斯混合模型的软后验概率训练编码器-预测器对，无需离线重聚类或教师蒸馏，在SUPERB协议下以低于90M参数取得最低WER，并建立新的帕累托前沿。
公平在线资源分配
机构 * Columbia University, IEOR Department（哥伦比亚大学工业工程与运营研究系） ； Cornell Tech（康奈尔科技学院） ； Universidad de Chile（智利大学）
AI总结 研究在线资源分配中的公平性问题，提出基于对偶镜像下降的算法，在批次内强制执行公平约束，实现亚线性遗憾，并通过难民数据验证了福利与公平的权衡。
Comments 30 pages, 4 figures. To appear in the proceedings of EC 2026
高阶令牌交互的量子注意力机制
机构 * RIKEN iTHEMS ； RIKEN AIP ； South China University of Technology（华南理工大学） ； Columbia University（哥伦比亚大学）
AI总结 提出量子高阶注意力（QHA），通过数据重上传和非克利福德纠缠器在浅电路中合成任意阶令牌交互，证明其表达能力超越经典自注意力，并具有可训练性保证，在遗传上位、带噪学习奇偶和图三角形检测中高效检测高阶交互。
硬约束下的条件扩散引导：一种随机分析方法
机构 * Department of Industrial Engineering and Operations Research, Columbia University（哥伦比亚大学工业工程与运营管理系） ； Department of Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系）
AI总结 提出基于Doob h-变换和鞅表示的条件扩散引导框架，通过鞅损失和鞅协方差损失学习条件函数梯度，确保硬约束满足并给出非渐近保证。
VibeCheck: 使用主动声学触觉传感进行接触丰富的操作
机构 * Dept. of Mechanical Engineering（机械工程系） ； Dept. of Computer Science（计算机科学系） ； Dept. of Electrical Engineering（电气工程系） ； Columbia University（哥伦比亚大学）
AI总结 本文构建了带有两个压电手指的主动声学传感夹爪，通过物体传递声学振动来感知其声学特性和接触状态，用于物体分类、抓取位置估计、内部结构姿态估计以及外部接触类型分类，并基于接触分类模型实现了鲁棒的插销任务。
Comments Published at IROS 2025. 8 pages, 7 figures
IdealGPT: 通过大型语言模型迭代分解视觉与语言推理
机构 * Columbia University（哥伦比亚大学） ； HKUST（香港科技大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出IdealGPT框架，利用大型语言模型迭代分解视觉语言推理任务，通过子问题生成、子答案获取和最终答案推理的循环过程，在零样本设置下显著提升多步推理性能。
Comments 13 pages, 5 figures
奖励一直就在你的数据中：用判别器引导的强化学习纠正流匹配
机构 * FAIR at Meta ； Columbia University ； Mila -- Qu\' e bec AI Institute ； McGill University ； Canada CIFAR AI Chair
AI总结 针对流匹配模型因损失函数与样本质量不匹配导致的视觉缺陷，提出判别器引导的强化学习（DRL），利用预训练空间中判别器的logit作为奖励，显著提升无引导FID和语义FD，并改善偏好对齐。
Comments 84 pages, including appendices
EARS：大规模多智能体系统中可靠子智能体建模的解释性弃权
机构 * Shopify ； Columbia University（哥伦比亚大学）
AI总结 针对大规模多智能体系统中子智能体过度回答导致幻觉的问题，提出EARS框架，通过将弃权重构为智能体间通信协议，利用校准的LLM裁判模型生成结构化弃权标签和理由，微调子智能体以检测故障并返回理由，在电商助手系统中将响应通过率从68.5%提升至78.9%。
MoVerse: 基于全景高斯支架的实时视频世界建模
机构 * South China University of Technology ； Columbia University ； Orange Team, Youku Moku-Lab, HUJING Digital Media \& Entertainment Group ； Singapore Management University
AI总结 提出MoVerse，从单张窄视场图像实时构建可交互漫游的360度全景世界，通过拓扑感知扩散补全视场、全景几何残差预测生成3D高斯支架，并结合双向扩散教师蒸馏为因果自回归学生实现低延迟视频渲染。
Comments Project Page: https://orange-3dv-team.github.io/MoVerse/
无限可交换序列的有界差分集中不等式及其在AI基准不确定性中的应用
机构 * Department of Statistics, Columbia University（哥伦比亚大学统计系） ； Google DeepMind（谷歌DeepMind）
AI总结 通过de Finetti测度分解有界差分函数的偏差，提出有效方差代理的集中不等式，并证明零和线性对比中潜在混合项完全抵消，应用于AI基准如MMLU的不确定性量化。
大型语言模型值得模拟多少人意见？从不确定性量化角度出发
机构 * Department of IEOR, Columbia University（哥伦比亚大学工业工程与运筹学系） ； Decision, Risk, and Operations Division, Columbia Business School（哥伦比亚商学院决策、风险与运营分校） ； Department of IEOR and 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 本文从不确定性量化角度出发，提出了一种框架，将LLM模拟的响应转换为人类响应总体参数的可靠置信集，通过量化人类-LLM不一致带来的不确定性。关键设计是模拟响应的数量：过多会导致置信集过窄且覆盖性差，过少则导致置信集过宽且信息不足。本文提出了一种数据驱动的方法，自适应选择模拟样本量以实现名义平均覆盖性，无论LLM的模拟保真度或置信集构建过程如何。所选样本量进一步反映了LLM能代表的有效人类人口规模，提供了其模拟保真度的定量度量。实验表明不同LLM和领域存在异质性模拟保真度。
Comments 63 pages, 13 figures
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
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
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。
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: 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
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
持续机器人学习中涌现的“自我”证据
机构 * Creative Machines Lab, Department of Mechanical Engineering, Columbia University（创意机器实验室，机械工程系，哥伦比亚大学） ； Creative Machines Lab, Department of Computer Science, Columbia University（创意机器实验室，计算机科学系，哥伦比亚大学）
AI总结 通过比较恒定任务与持续学习下机器人的认知结构，发现持续学习机器人形成显著更稳定的不变子网络，该子网络对适应性至关重要，为量化智能系统自我概念提供原则性方法。
Comments 44 pages, 24 figures, includes supplementary materials
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。
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
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：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
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。
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。
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
基于学习的脉冲神经模型用于决策任务
机构 * Cognition and Decision Lab, Columbia University（认知与决策实验室，哥伦比亚大学）
AI总结 本文提出一种生物合理性的脉冲神经网络模型，结合学习机制和多变量Hawkes过程，用于决策任务，通过耦合DDM与Poisson计数器模型，推导出带有相关噪声的DDM，并设计在线分类任务验证模型预测。
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。
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。
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