EPFL（洛桑联邦理工学院）

Semantic Recall for Vector Search

向量搜索的语义召回

Leonardo Kuffo, Ioanna Tsakalidou, Roberta De Viti, Albert Angel, Jiří Iša, Rastislav Lenhardt

机构 * CWI（荷兰阿姆斯特丹CWI） ； EPFL（瑞士洛桑联邦理工学院） ； Google（谷歌） 纠错

AI总结 本文提出语义召回指标，用于评估近邻搜索算法的质量，考虑仅在理论上可通过精确最近邻搜索检索到的语义相关对象。通过实验证明，该指标在查询结果中相关对象较少时特别有效，并引入了容忍召回作为近似指标。

Comments Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval

A multimodal and temporal foundation model for virtual patient representations at healthcare system scale

面向医疗系统规模的多模态与时间基础模型：虚拟患者表示

Andrew Zhang, Tong Ding, Sophia J. Wagner, Caiwei Tian, Ming Y. Lu, Rowland Pettit, Joshua E. Lewis, Alexandre Misrahi, Dandan Mo, Long Phi Le, Faisal Mahmood

机构 * Department of Pathology, Mass General Brigham, Harvard Medical School（病理学系，马萨诸塞州总医院与哈佛医学院） ； Cancer Program, Broad Institute of Harvard and MIT（癌症计划，哈佛-麻省理工Broad研究所） ； Data Science Program, Dana-Farber Cancer Institute（数据科学计划，达纳-法伯癌症研究所） ； Health Sciences and Technology, Harvard-MIT（健康科学与技术，哈佛-麻省理工） ； Harvard John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛约翰·A·保罗森工程与应用科学学院，哈佛大学） ； Department of Biomedical Informatics, Harvard Medical School（生物医学信息学系，哈佛医学院） ； Electrical Engineering and Computer Science, Massachusetts Institute of Technology (MIT)（电气工程与计算机科学，麻省理工学院（MIT）） ； School of Computer and Communication Sciences, EPFL, Lausanne, Switzerland（计算机与通信科学学院，EPFL，瑞士洛桑） 纠错

AI总结 本文提出Apollo模型，整合多模态和时间信息，构建虚拟患者表示，用于预测疾病风险、治疗反应等，展示其在医疗计算中的潜力。

LEAD: Breaking the No-Recovery Bottleneck in Long-Horizon Reasoning

LEAD：突破长horizon推理中的无恢复瓶颈

Denys Pushkin, Emmanuel Abbe

机构 * EPFL（瑞士联邦理工学院） ； Apple（苹果公司） 纠错

AI总结 本文提出LEAD方法，通过结合短horizon验证与重叠回放，解决长horizon推理中因非均匀误差分布导致的无恢复瓶颈问题，使o4-mini模型能解决复杂度达n=13的Checkers Jumping问题。

Comments 28 pages, 5 figures, 2 tables. Updated version to reflect the manuscript under review at COLM 2026

Efficient Symbolic Computations for Identifying Causal Effects

高效符号计算用于识别因果效应

Benjamin Hollering, Pratik Misra, Nils Sturma

机构 * Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学研究院） ； Binghamton University（宾夕法尼亚州立大学布林茅尔分校） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） 纠错

AI总结 本文提出高效算法解决因果效应的符号计算问题，通过准多项式时间找到最低次识别公式，克服传统Gröbner基方法的计算瓶颈。