Cornell University（康奈尔大学）

Automatic, Debiased, and Invariant Counterfactual Generation under General Interventions

通用干预下的自动、去偏和不变反事实生成

Raphael C Kim, Jingsen Zhu, Ramin Zabih, Michele Santacatterina

机构 * Cornell Tech（康奈尔科技） ； Cornell University（康奈尔大学） ； Department of Biostatistics, Department of Population Health（生物统计学系、人口健康系） ； New York University Grossman School of Medicine（纽约大学格罗斯曼医学院） 纠错

AI总结 提出ADIGen框架，结合Riesz回归、因果不变性和正交统计学习，实现通用干预下反事实生成的自动、去偏和不变性，并提供过剩风险界。

Exploring Reinforcement Learning for Fluid Transitions Between Clinical Mental Healthcare and Everyday Wellness Support

探索强化学习在临床心理健康与日常健康支持之间的流畅过渡

Tony Wang, Qian Yang

机构 * Cornell University（康奈尔大学） 纠错

AI总结 本研究探索强化学习（RL）构建数字健康系统，动态选择临床与健康干预措施，以优化整体健康目标（持续日记），发现RL优化序列的益处常在干预结束后显现，且高参与度用户随时间深化参与，而恒定干预组易倦怠退出。

Journal ref Healthcare Beyond Reaction: Harnessing AI and Sensing for Proactive Care, Workshop at ACM Interactive Health 2026 (IH '26), July 05--08, 2026, Porto, Portugal

A Unified Framework to Enforce, Discover, and Promote Symmetry in Machine Learning

一种统一的框架用于在机器学习中强制、发现和促进对称性

Samuel E. Otto, Nicholas Zolman, J. Nathan Kutz, Steven L. Brunton

机构 * AI Institute in Dynamic Systems University of Washington（动态系统人工智能研究所华盛顿大学） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University（机械与航空航天工程学院，康奈尔大学） 纠错

AI总结 本文提出统一框架，通过强制已知对称性、发现未知对称性和促进对称性三种方式，将对称性纳入机器学习模型中，基于李导数的数学框架统一了现有结果。

Journal ref J. Mach. Learn. Res. 26(248):1-83 (2025)