高校专区
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: 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
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。
full-FORCE：一种基于目标的训练循环网络方法
机构 * Department of Neuroscience（神经科学系） ； Zuckerman Institute（Zuckerman研究所） ； Columbia University（哥伦比亚大学） ； Department of Physiology and Cellular Biophysics（生理学与细胞生物物理学系） ； Columbia University College of Physicians and Surgeons（哥伦比亚大学医学与外科学院） ； Princeton Neuroscience Institute（普林斯顿神经科学研究所） ； Lewis-Sigler Institute for Integrative Genomics（整合基因组学研究所）
AI总结 本文提出一种基于目标的循环网络训练方法，通过引入第二网络提供目标动态，实现更高效的任务处理，具有更少的神经元和更高的噪声鲁棒性。
Comments 20 pages, 8 figures
Journal ref PLoS ONE (2018)
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。
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。
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：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。
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。
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：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。
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: 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。
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
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。
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。
沿Transformer堆栈的一致性训练
机构 * Purdue University（普渡大学） ； Independent（独立） ； Columbia University（哥伦比亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Dartmouth College（达特茅斯学院） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 本文通过引入MLP状态和注意力分布的一致性目标，将一致性训练扩展到多种安全威胁，并发现跨威胁泛化及共享机制，证明其作为灵活对齐框架的有效性。
Comments Submitted to EMNLP 2026
数据流控制：AI 智能体的数据安全策略
机构 * Columbia University（哥伦比亚大学）
AI总结 提出数据流控制框架，通过声明式策略和可移植查询重写层 Passant，在 DBMS 中强制执行元组级数据安全策略，实现接近零开销。
Comments 15 pages, 12 figures
基于经验贝叶斯的环境鲁棒表示学习
机构 * Department of Statistics Columbia University（统计学系哥伦比亚大学） ； Columbia University（哥伦比亚大学） ； Departments of Statistics and Computer Science Columbia University（统计学与计算机科学系哥伦比亚大学）
AI总结 提出一种经验贝叶斯变分方法，通过跨环境平衡项学习不变潜在变量，实现对新环境的鲁棒预测，在天文、微生物和ICU数据上优于现有方法。
Level Up: 定义和利用过渡问题以进行课程学习
机构 * Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系）
AI总结 本文提出了一种新的方法，通过定义和利用过渡问题来改进课程学习，该方法能够根据模型能力的提升动态调整训练难度，从而更有效地提升模型性能。
wa-hls4ml: 一个用于hls4ml资源和延迟估计的基准及替代模型
机构 * Fermi National Accelerator Laboratory（费米国家加速器实验室） ； University of California San Diego（加州大学圣地亚哥分校） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Sherbrooke（Sherbrooke大学） ； Columbia University（哥伦比亚大学） ； Texas A&M University（德克萨斯A&M大学） ； European Organization for Nuclear Research (CERN)（欧洲核子研究中心（CERN））
AI总结 本文提出了一个用于评估ML加速器资源和延迟的基准wa-hls4ml，并介绍了基于图神经网络和Transformer的替代模型，用于预测ML加速器的延迟和资源使用情况。
Comments 30 pages, 18 figures
Journal ref Wa-hls4ml: A Benchmark and Surrogate Models for hls4ml Resource and Latency Estimation. ACM Trans. Reconfigurable Technol. Syst. 19, 2, Article 20 (June 2026), 29 pages
重新思考分布偏移：针对表格数据的经验分析与建模
机构 * Department of Industrial Engineering and Operations Research（工业工程与运筹学系） ； Department of Computer Science and Technology（计算机科学与技术系） ； Decision, Risk, and Operations Division（决策、风险与运营部） ； Columbia University（哥伦比亚大学） ； Tsinghua University（清华大学）
AI总结 本文通过经验分析和建模，重新审视分布偏移问题，发现Y|X偏移在表格数据中最为常见，与机器学习文献中对X（协变量）偏移的重视形成鲜明对比，并指出鲁棒算法的性能并不优于普通方法。
Comments Forthcoming at Management Science. Conference version appeared in NeurIPS 2023, previously titled "On the Need for a Language Describing Distribution Shifts: Illustrations on Tabular Datasets"
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