Mitigating Label Bias with Interpretable Rubric Embeddings
通过可解释的评分标准嵌入缓解标签偏差
机构 * Harvard Kennedy School（哈佛肯尼迪学校） ； Harvard University（哈佛大学）
AI总结 本文提出通过可解释的评分标准嵌入来缓解标签偏差问题，通过理论和实验证明该方法在合理条件下能减少标签偏差并提升群体质量评估。
高校专区
Harvard University（哈佛大学）
PALS: Power-Aware LLM Serving for Mixture-of-Experts Models
PALS: 为混合专家模型的功率感知LLM服务
机构 * Boston University（波士顿大学） ； Harvard University School of Engineering（哈佛大学工程与应用科学学院） ； Harvard University（哈佛大学）
AI总结 本文提出PALS，一种功率感知的LLM服务运行时，通过将GPU功率上限作为可控制的参数与软件参数如批大小联合优化，提升能效并减少在功率限制下的服务质量违规。
Comments 13 pages, 10 figures
Stimulus symmetries can confound representational similarity analyses
刺激对称性可能混淆表征相似性分析
机构 * Center for Brain Science（脑科学中心） ； Society of Fellows（fellows 社会） ； Harvard University（哈佛大学）
AI总结 研究探讨了网络输入对称性如何影响表征相似性矩阵（RSMs）的分析，指出不同配置可能导致不同的RSMs，并展示了随机梯度下降或能量正则化如何生成稀疏漂移代码，从而导致漂移RSMs。
Comments 40 pages
Causal Machine Learning Is Not a Panacea: A Roadmap for Observational Causal Inference in Health
因果机器学习并非万能：健康领域观察性因果推断的路线图
机构 * Division of Computer Science and Engineering, University of Michigan（密歇根大学计算机科学与工程系） ； Department of Electrical and Electronic Engineering, Imperial College London（伦敦帝国理工学院电子与电气工程系） ； Courant Institute of Mathematical Sciences, New York University（纽约大学Courant数学科学研究所） ； Center for Data Science, New York University（纽约大学数据科学中心） ； Department of Mathematics & Statistics, Elon University（埃洛伊大学数学与统计学系） ； Department of Ophthalmology, Cambridge University Hospitals（剑桥大学医院眼科部） ； Department of Biomedical Informatics, Columbia University（哥伦比亚大学生物医学信息学系） ； School of Engineering and Applied Science, Harvard University（哈佛大学工程与应用科学学院） ； Laboratory for Computational Physiology, Institute for Medical Engineering and Science, Massachusetts Institute of Technology（麻省理工学院医学工程与科学研究所计算生理学实验室） ； Department of Medicine, Beth Israel Deaconess Medical Center（贝斯以色列德aconess医疗中心医学部） ； Department of Biostatistics, Harvard T.H. Chan School of Public Health（哈佛T.H. Chan公共卫生学院生物统计学系）
AI总结 本文探讨了因果机器学习在观察性数据中的应用，强调了验证有效性假设和合理使用因果机器学习的重要性，提出了加强因果分析严谨性和可解释性的模板。
DrugRAG: Enhancing Pharmacy LLM Performance Through A Novel Retrieval-Augmented Generation Pipeline
DrugRAG: 通过一种新颖的检索增强生成流水线提升药学LLM性能
机构 * Department of Medicinal Chemistry, Faculty of Pharmacy, Tehran University of Medical Sciences（药学系，泰赫兰医科大学） ； Department of Computer Sciences, Faculty of Mathematics and Computer Sciences, Amir Kabir University of Technology（计算机科学系，阿米尔·卡比尔技术大学） ； Department of Mathematical Sciences, Sharif University of Technology（数学科学系，沙菲克技术大学） ； Department of Computer Sciences, Missouri University of Science and Technology（计算机科学系，密苏里科学与技术大学） ； Department of Computer Engineering, Sharif University of Technology（计算机工程系，沙菲克技术大学） ； Department of Faculty of Interdisciplinary Science and Technology, Tarbiat Modares University（跨学科科学与技术学院，塔里亚特莫达res大学） ； Electronics Research Institute, Sharif University of Technology（电子研究所，沙菲克技术大学） ； Department of Electrical Engineering, Sharif University of Technology（电气工程系，沙菲克技术大学） ； The Alan Turing Institute, London, United Kingdom（艾伦·图灵研究所，伦敦，英国） ； Department of Radiation Oncology, Massachusetts General Hospital & Harvard Medical School（放射肿瘤科，麻省总医院及哈佛医学院） ； Health Informatics Lab, Metropolitan College, Boston University（健康信息学实验室，波士顿大学）
AI总结 本研究评估了大型语言模型在药学执业资格问答任务中的性能，并开发了一种外部知识整合方法以提高准确性，通过DrugRAG流水线整合结构化药物知识，从而提升药学相关问答任务的LLM性能。
Comments 14 pages, 2 figures, 2 tables. The revised version includes McNemar's paired statistical analysis, Wilson confidence intervals, expanded methodological clarifications, a revised discussion of evidence retrieval, improved reproducibility details, and updated limitations
Reinforcement Learning with Discrete Diffusion Policies for Combinatorial Action Spaces
基于离散扩散策略的强化学习
机构 * Google Research（谷歌研究） ； Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind） ； Nvidia Research（Nvidia研究）
AI总结 本文提出了一种新的框架，用于在复杂的组合动作空间中训练高效的离散扩散模型策略，通过高效的在线训练过程和策略镜像下降方法，实现了稳定的策略改进，并在多个挑战性组合基准上取得了最先进的性能。
Comments 22 pages, 10 figures. Haitong Ma and Ofir Nabati contributed equally to this paper
Less Data, Faster Training: repeating smaller datasets speeds up learning via sampling biases
数据更少，训练更快：重复较小的数据集通过采样偏差加速学习
机构 * Columbia University（哥伦比亚大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Harvard University（哈佛大学）
AI总结 研究探讨了'小数据与大数据差距'现象，即使用更少样本重复训练比使用更大数据集更节省计算资源，通过层间增长和采样偏差机制实现加速，为优化提供了新的归纳偏差。
Comments ICML 2026
Mechanisms of Misgeneralization in Physical Sequence Modeling
物理序列建模中泛化错误的机制
机构 * Harvard College（哈佛大学） ； Harvard John A. Paulson School of Engineering and Applied Sciences（哈佛大学约翰·A·保罗森工程与应用科学学院） ； Comcast AI ； CBS-NTT Program in Physics of Intelligence, Harvard University（哈佛大学物理智能计划） ； Physics of Artificial Intelligence Group, NTT Research, Inc., Sunnyvale, CA, USA（人工智能物理研究组，NTT研究公司，美国加利福尼亚州山景城） ； Microsoft（微软）
AI总结 本文研究了物理序列建模中由于局部误差传播导致的物理泛化错误，提出了一种数据偏差核来预测物理量的质量变化，并提出了基于核的干预策略。
Comments Preprint. kentonishi.com/physical-misgeneralization
Network-Based Interventions for HIV Prevention via Cascade-Aware Suppression of Transmission
基于网络的HIV预防干预：通过 cascade 意识的传播抑制
机构 * Harvard University（哈佛大学） ； University of Witwatersrand（沃尔特·斯通大学） ； Wits Health Consortium（沃茨健康联盟） ； World Health Organization（世界卫生组织）
AI总结 本文提出了一种基于网络的HIV预防干预方法，通过考虑传播链的抑制来减少新的感染传播。核心方法是将问题建模为一个约束优化问题，并提出了一种多项式时间的近似算法CAST，该算法在多项式时间内达到近似比。主要贡献是证明了该算法在真实世界HIV网络上的有效性。
Consistent Geometric Deep Learning via Hilbert Bundles and Cellular Sheaves
通过希尔伯特丛和细胞sheaf实现一致的几何深度学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Sakana AI ； Northeastern University（东北大学） ； Harvard University（哈佛大学）
AI总结 本文提出了一种新的卷积学习框架，用于在流形上支持的可能无限维信号，通过希尔伯特丛关联的连接拉普拉斯算子作为卷积算子，引入了称为HilbNets的滤波器和神经网络，并通过两阶段采样过程实现，证明了采样诱导的希尔伯特细胞sheaf的sheaf拉普拉斯收敛于底层连接拉普拉斯，从而在无限维丛设置中推广了Belkin和Niyogi的收敛结果，最终在合成和现实任务中验证了该框架。
Comments 51 pages, 3 figures, 5 tables
