Cornell University（康奈尔大学）

veriFIRE: an Industrial Case Study in Verifying Consistency Properties for a DNN-Based Wildfire Detection System

veriFIRE：基于DNN的野火检测系统一致性属性验证的工业案例研究

Idan Refaeli, Maya Swisa, Itay Buchnik, Alon Zada, Guy Amir, Elad Mandelbaum, Ziv Freund, Guy Katz

机构 * The Hebrew University of Jerusalem（海法大学） ； Elbit Systems - ISTAR & EW - Elisra L.T.D ； Cornell University（康奈尔大学） 纠错

AI总结 本文提出一种端到端方法，通过将应用需求编码为求解器兼容查询，利用现有神经网络验证器验证野火检测系统中的单调性和有界响应等一致性属性，并在真实背景样本上评估，展示了工业系统可获得有意义的领域特定保证。

Comments To appear in The 9th International Symposium on AI Verification (SAIV)

Large AI Models in Dental Healthcare: From General-Purpose Systems to Domain-Specific Foundation Models

牙科医疗中的大型AI模型：从通用系统到领域特定基础模型

Sema Helali, Lina Abu Nada, Sausan Al Kawas, Alaa Abd-Alrazaq, Faleh Tamimi, Rafat Damseh

机构 * University of Al Ain, UAE（阿联酋阿恩大学） ； Sharjah University, UAE（阿联酋谢尔杰大学） ； Cornell University, Qatar（卡塔尔康奈尔大学） ； McGill University（麦吉尔大学） 纠错

AI总结 本文通过系统综述，提出二维分类框架，比较语言生成模型、判别视觉基础模型和牙科特定基础模型在牙科任务中的表现，发现集成管道优于单一模型，并指出数据不对称、幻觉和缺乏标准化基准等障碍。

L$^3$: Large Lookup Layers

L$^3$：大型查找层

Albert Tseng, Christopher De Sa

机构 * Department of Computer Science, Cornell University（康奈尔大学计算机科学系） 纠错

AI总结 提出Large Lookup Layer (L$^3$)，通过静态基于token的路由聚合每个token的嵌入，实现稀疏性，在语言建模和下游任务中优于稠密模型和等稀疏MoE。

Comments ICML 2026

Model-Preserving Adaptive Rounding

模型保持的自适应舍入

Albert Tseng, Zhaofeng Sun, Christopher De Sa

机构 * Department of Computer Science, Cornell University（康奈尔大学计算机科学系） 纠错

AI总结 提出一种直接考虑网络输出误差的自适应舍入量化算法YAQA，通过理论分析给出首个端到端误差界，并利用Kronecker分解近似Hessian矩阵，在无推理开销下实现优于GPTQ/LDLQ约30%的误差降低。

Comments ICML 2026

A Posteriori Probabilistic Bounds of Convex Scenario Programs with Validation Tests

凸场景程序后验概率界限的后验概率界限与验证测试

Chao Shang, Fengqi You

机构 * College of Engineering, Cornell University, Ithaca, New York（工程学院，康奈尔大学，伊萨卡，纽约） 纠错

AI总结 本文提出了一种新的后验界限，用于凸场景程序的后验概率评估，结合支持约束的实现和样本外验证数据的表现，以提高随机解的风险评估。

Journal ref IEEE Transactions on Automatic Control, Sept. 2021, Volume 66, Issue 9, Pages 4015 - 4028

Data-Driven Stochastic Robust Optimization: A General Computational Framework and Algorithm for Optimization under Uncertainty in the Big Data Era

数据驱动的随机稳健优化：大数据时代不确定性优化的通用计算框架和算法

Chao Ning, Fengqi You

机构 * Robert Frederick Smith School of Chemical and Biomolecular Engineering, Cornell University（罗伯特·弗雷德里克·史密斯化学与生物分子工程学院，康奈尔大学） 纠错

AI总结 本文提出了一种数据驱动的随机稳健优化框架，通过双层优化结构基于数据驱动的不确定性模型，结合两阶段随机规划和自适应稳健优化，解决大数据时代下的不确定性优化问题。

Journal ref Computers & Chemical Engineering, Volume 111, Pages 115-133, 4 March 2018,

An Online Learning Approach to Buying and Selling Demand Response

面向购买和销售需求响应的在线学习方法

Kia Khezeli, Eilyan Bitar

机构 * School of Electrical and Computer Engineering, Cornell University, Ithaca, NY 14853, USA.（电气与计算机工程系，康奈尔大学，纽约州伊萨卡市，14853，美国） 纠错

AI总结 本文提出一种在线学习方法，用于协调聚合商在固定居民客户群中购买需求削减，并在双结算批发市场中销售总体需求削减。研究通过动态定价和合同策略，在未知需求模型下最大化预期利润。