Exploration of Foundation Model-Based Robots in Patient and Elderly Care
基于基础模型的机器人在患者和老年人护理中的探索
机构 * Cornell University（康奈尔大学）
AI总结 本文综述了基于基础模型的护理机器人在设计特征、用户体验和护理效果方面的现状，指出当前系统多用于语音交互，多模态和物理自主性有限，并呼吁向护理特定评估标准和负责任自主性发展。
高校专区
Cornell University（康奈尔大学）
Express Language Modeling
Express 语言建模
机构 * Cornell Tech（康奈尔科技） ； University of Cambridge（剑桥大学） ； Microsoft Research（微软研究院）
AI总结 提出 Express 工具，将非因果注意力近似转换为因果近似，结合 Thinformer 实现最优因果注意力保证，并加速语言建模中的四个资源瓶颈。
Efficient Imputation for Patch-based Missing Single-cell Data via Cluster-regularized Optimal Transport
基于聚类正则化最优传输的块缺失单细胞数据高效插补
机构 * Department of Computer Science, Stony Brook University（计算机科学系，石板溪大学） ； Department of Computer Science, Emory University（计算机科学系，埃默里大学） ； Department of Population Health Sciences, Cornell University（流行病学与公共卫生系，康奈尔大学） ； Department of Computer Science and Engineering, Cornell University（计算机科学与工程系，康奈尔大学） ； Department of Biomedical Informatics, Stony Brook University（生物医学信息学系，石板溪大学）
AI总结 提出CROT算法，利用最优传输处理单细胞数据中的块缺失问题，实现高精度插补并显著降低运行时间。
Comments Accepted to ACM-BCB 2026
NüshuVoice: Reviving the Voice of Endangered Nüshu with Pitch-Aware Text-to-Speech
NüshuVoice：利用音高感知文本到语音技术复兴濒危女书的声音
机构 * Ocean University of China（中国海洋大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Cornell University（康奈尔大学） ； Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Michigan–Ann Arbor（密歇根大学安娜堡分校） ； University of Science and Technology of China（中国科学技术大学） ； Harbin Institute of Technology（哈尔滨工业大学）
AI总结 针对女书语音数据稀缺问题，提出NüshuVoice基准和F0条件VITS框架Nüshu-PitchVITS，利用五级音高标注作为韵律先验，在频谱保真度、音高重建和可懂度上优于强基线。
Comments 12 pages, 3 figures
STELLAR: Spatio-Temporal Environmental Learning with Latent Alignment and Refinement for Long-Tailed Species Distribution Modeling
STELLAR: 面向长尾物种分布建模的时空环境学习与潜在对齐精炼
机构 * Sun Yat-sen University（中山大学） ； Cornell University（康奈尔大学） ； Foshan University（佛山大学） ； Cornell Lab of Ornithology（康奈尔鸟类学实验室）
AI总结 提出STELLAR框架，通过图-时间编码器、上下文锚定潜在对齐和不平衡感知解码模块，联合优化动态栖息地上下文和群落结构，有效解决物种分布建模中的时空耦合与长尾不平衡问题。
Comments Accept by IJCAI 2026
Sparrow: Sparse Rollout for Stable and Efficient Long-context RL of Large Language Models
Sparrow: 用于大语言模型稳定高效长上下文强化学习的稀疏 rollout
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Cornell University（康奈尔大学） ； Intel（英特尔） ； Amazon AGI（亚马逊AGI）
AI总结 针对RLVR中长上下文rollout计算昂贵的问题，提出Sparrow方法，通过动态稀疏度调度保持token级策略失配的下尾统计量稳定，在Qwen3系列模型上实现2.0-2.4倍加速，并推广到更大模型和编程领域。
"So There's a Catch-22 Here": How Early Adopters Who Build Multi-Agent LLM Systems Conceptualize Transparency
"所以这里有个第22条军规"：构建多智能体LLM系统的早期采用者如何概念化透明度
机构 * Purdue University（普渡大学） ； Cornell University（康奈尔大学） ； Microsoft Research（微软研究院）
AI总结 通过访谈13位早期采用者，研究多智能体LLM系统构建者如何理解透明度，提出包含可重复性、调试、边界设定、可视化和审计的多维框架，强调透明度作为情境化的社会技术实践。
HARP: Efficient Data Selection for Finetuning Large Language Models
HARP：高效数据选择用于微调大型语言模型
机构 * Cornell University（康奈尔大学） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 提出层次主动区域剪枝（HARP），一种高效的基于训练的数据选择方法，通过层次结构和经验贝叶斯推断降低选择成本，同时保持下游对齐，在多个基准上优于最强基线最多8.9分，且训练样本减少约7倍。
Towards Automated Kernel Generation in the Era of LLMs
面向LLM时代的自动化内核生成
机构 * Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Beijing Normal University（北京师范大学） ； Peking University（北京大学） ； Beijing Institute of Technology（北京理工大学） ； Cornell University（康奈尔大学） ； Beijing Jiaotong University（北京交通大学） ； Renmin University of China（中国人民大学） ； Hong Kong University of Science and Technology (Guangzhou)（广州科技大学）
AI总结 本文综述了利用大语言模型（LLM）和智能体系统自动化生成与优化GPU内核的方法，系统梳理了现有方法、数据集和基准，并指出了未来研究方向。
Comments In IJCAI 2026. 9 pages, 1 figure
IGenBench: Benchmarking the Reliability of Text-to-Infographic Generation
IGenBench：文本到信息图生成可靠性基准测试
机构 * State Key Lab of CAD&CG, Zhejiang University（浙江大学CAD与CG国家重点实验室） ； UESTC ； University of Virginia（弗吉尼亚大学） ； HKUST(GZ)（香港科技大学（广州）） ； Cornell University（康奈尔大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学）
AI总结 提出IGENBENCH基准，包含30种信息图类型和600个测试用例，通过多模态大语言模型分解为10类原子问题评估10种T2I模型，发现数据完整性等维度是普遍瓶颈。
Benchmark Datasets for Lead-Lag Forecasting on Social Platforms
社交平台领先滞后预测的基准数据集
机构 * Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； Boston University（波士顿大学）
AI总结 本文提出领先滞后预测（LLF）问题，并发布arXiv和GitHub两个大规模基准数据集，通过统计检验验证领先滞后动态，为社交平台时间序列预测提供标准化测试平台。
Comments 11 pages, 8 figures, includes supplementary material (6 pages, 5 figures). Accepted at ACM SIGKDD 2026 (KDD '26). Code and data: https://lead-lag-forecasting.github.io
ClinicalBench: Can LLMs Beat Traditional ML Models in Clinical Prediction?
ClinicalBench: 大型语言模型能在临床预测中击败传统机器学习模型吗？
机构 * Department of Computer Science Northwestern University Evanston USA（计算机科学系西北大学艾文斯顿美国） ； Department of Computer Science University of Texas at Austin Austin USA（计算机科学系德克萨斯大学奥斯汀美国） ； Boston Children's Hospital, Harvard Medical School Boston USA（波士顿儿童医院哈佛医学院波士顿美国） ； Department of Computer Science Imperial College London London UK（计算机科学系伦敦帝国学院伦敦英国） ； Department of Computer Science Ohio State University Columbus USA（计算机科学系俄亥俄州立大学哥伦布美国） ； Massachusetts General Hospital, Harvard Medical School Boston USA（麻省总医院哈佛医学院波士顿美国） ； Department of Preventive Medicine, Feinberg School of Medicine Northwestern University Chicago USA（预防医学系费因伯格医学院西北大学芝加哥美国） ； Division of Computational Health Sciences, Department of Surgery University of Minnesota Minneapolis USA（计算健康科学部外科部明尼苏达大学明尼阿波利斯美国） ； Department of Population Health Sciences, Weill Cornell Medicine Cornell University New York USA（流行病学与公共卫生系韦尔·科恩医学中心康奈尔大学纽约美国） ； Department of Computer Science Emory University Atlanta USA（计算机科学系埃默里大学亚特兰大美国） ； Northwestern University（西北大学） ； University of Texas at Austin（德克萨斯大学奥斯汀） ； Boston Children's Hospital, Harvard Medical School（波士顿儿童医院哈佛医学院） ； Imperial College London（伦敦帝国学院） ； Ohio State University（俄亥俄州立大学） ； Massachusetts General Hospital, Harvard Medical School（麻省总医院哈佛医学院） ； University of Minnesota（明尼苏达大学） ； Cornell University（康奈尔大学） ； Emory University（埃默里大学）
AI总结 构建ClinicalBench基准，通过三个临床预测任务比较14个通用和8个医学LLM与11个传统ML模型，发现LLM在临床预测上仍无法超越传统ML模型。
Comments Accepted to Proceedings of KDD 2026. The first two authors contributed equally. 12 pages for main paper, 62 pages including appendix. Project website: https://clinicalbench.github.io
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
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）
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
机构 * Cornell University（康奈尔大学）
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
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）
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)
How abundant are good interpolators?
好的插值器有多丰富？
机构 * Cornell University, Department of Computer Science（康奈尔大学计算机科学系） ； Cornell University, Department of Statistics and Data Science（康奈尔大学统计与数据科学系）
AI总结 在高维比例下，通过大偏差原理研究随机均匀选择的线性插值分类器的泛化误差分布，发现几乎所有插值分类器具有相同的泛化性能，而高效算法（如梯度下降）优于大多数插值器。
Comments 140 pages
Uncovering Extreme Event Mechanisms for Prediction and Control with Sensitivity-Balanced Projections
利用敏感度平衡投影揭示极端事件机制以进行预测与控制
机构 * Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； AI Institute in Dynamic Systems, University of Washington（华盛顿大学动态系统人工智能研究所） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学Sibley机械与航空航天工程学院）
AI总结 提出基于协方差平衡降维（CoBRAS）的可解释方法，通过自动微分替代伴随计算，识别敏感度平衡投影以揭示极端事件机制，并用于数据驱动预测和事件抑制控制。
Comments 12 pages, 6 figures (main text). Additional 14 pages of references and Supplementary Information
CityRAG: Stepping Into a City via Spatially-Grounded Video Generation
CityRAG: 通过空间感知的视频生成进入城市
机构 * Google（谷歌） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学）
AI总结 CityRAG通过利用地理注册数据的大型语料库，生成空间一致且可导航的真实环境视频，其核心方法是结合学习的先验知识和时空不一致训练数据，以实现复杂的运动和外观变化。
Comments Project page: cityrag.github.io
On the Robustness of Langevin Dynamics to Score Function Error
关于对数动力学对分数函数误差的鲁棒性
机构 * Cornell University（康奈尔大学）
AI总结 本文研究了基于分数函数的生成模型对分数函数估计误差的鲁棒性，发现对数动力学在L2误差（更一般地Lp误差）下并不鲁棒，即使在高维简单分布中，即使分数函数估计误差非常小，对数动力学在多项式时间内运行也会导致与目标分布的总变差距离很大，这进一步支持了扩散模型优于对数动力学。
Comments ICML 2026
Efficiently Escaping Saddle Points under Generalized Smoothness via Self-Bounding Regularity
通过广义平滑性实现高效逃离鞍点的自界正则性
机构 * Cornell University（康奈尔大学）
AI总结 本文研究了非凸函数（不一定光滑）的一阶优化方法，提出了一种新的框架，系统分析了在广义平滑性下一阶优化算法的收敛性，首次建立了在广义平滑性下一阶方法达到二阶 stationary 点的收敛保证。
Comments Camera ready version of NeurIPS 2025 paper. 97 pages
RECON: Reducing Causal Confusion with Human-Placed Markers
RECON: 通过人类放置的标记减少因果混淆
机构 * Collaborative Robotics Lab ( Collab ), Dept. of Mechanical Engineering, Virginia Tech, Blacksburg, VA 24061（协作机器人实验室（Collab），机械工程系，弗吉尼亚理工学院，布莱克斯堡，VA 24061） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University, Ithaca, NY 14853（西伯利机械与航空航天工程学院，康奈尔大学，伊萨卡，NY 14853）
AI总结 该研究提出RECON框架，通过人类主动标记任务关键部分来减少机器人学习中的因果混淆，利用标记物数据训练任务相关状态嵌入，从而提高学习效率。
Comments 7 pages, 5 figures
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
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）
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
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）
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
机构 * Department of Computer Science, Cornell University（康奈尔大学计算机科学系）
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
机构 * Department of Computer Science, Cornell University（康奈尔大学计算机科学系）
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
机构 * College of Engineering, Cornell University, Ithaca, New York（工程学院，康奈尔大学，伊萨卡，纽约）
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
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）
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
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）
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。
MAdam: Metric-Aware Multi-Objective Adam
MAdam: 度量感知的多目标Adam
机构 * Cornell Tech（康奈尔科技） ； Weill Cornell Medicine（韦尔医学院） ； Delft University of Technology（代尔夫特理工大学）
AI总结 提出MAdam，通过偏好条件曲率预处理多目标优化中的协调方向，解决Adam与求解器之间的权重失配和几何失配问题，在多任务学习、帕累托前沿恢复等任务中一致提升性能。
Backdooring Masked Diffusion Language Models
掩码扩散语言模型的后门攻击
机构 * Cornell University（康奈尔大学） ； Virginia Tech（弗吉尼亚理工学院） ； IBM Research（IBM研究院）
AI总结 提出SHADOWMASK后门攻击方法，通过修改掩码扩散语言模型的前向破坏过程，实现高成功率攻击并保持模型清洁性能。
