Harvard University（哈佛大学）

First Proof Second Batch

首次证明第二批

Mohammed Abouzaid, Nikhil Srivastava, Rachel Ward, Lauren Williams

机构 * Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Harvard University（哈佛大学） ； Polish Academy of Sciences（波兰科学院） ； UC Berkeley（加州大学伯克利分校） ； Brown University（布朗大学） ； ETH Zürich（苏黎世联邦理工学院） ； MIT（麻省理工学院） ； Weierstrass Institute（魏尔斯特拉斯研究所） ； Duke University（杜克大学） ； Sorbonne Université（索邦大学） ； Boston College（波士顿学院） ； Université du Québec à Montréal（魁北克大学蒙特利尔分校） ； UCLA（加州大学洛杉矶分校） ； University of Michigan（密歇根大学） ； University of Maryland（马里兰大学） 纠错

AI总结 测试多个AI系统在十个数学研究问题上的解题能力，评估当前AI解决研究级数学问题的水平。

CheckMIABench: Firm Foundations For Membership Inference Attacks on Language Models

CheckMIABench: 语言模型成员推理攻击的坚实基础

Jeffrey G. Wang, Jason Wang, Marvin Li, Seth Neel

机构 * Harvard University（哈佛大学） ； Harvard Business School（哈佛商学院） 纠错

AI总结 为解决成员推理攻击评估中的分布偏移问题，提出基于训练中固定点前后数据同分布的基准框架，在Pythia和OLMo模型上评估多种攻击，并开源模块化库。

Clay-CNN Hybrids: Leveraging Geospatial Foundation Models as Auxiliary Context for Landslide Detection

Clay-CNN混合模型：利用地理基础模型作为滑坡检测的辅助上下文

Huong Binh Vu

机构 * Harvard University（哈佛大学） 纠错

AI总结 针对滑坡检测中的极端类别不平衡问题，提出将地理基础模型Clay v1.5作为辅助上下文注入U-Net瓶颈的混合方法，在Landslide4Sense基准上达到64.5% F1，优于纯Clay或U-Net基线。

Comments 9 pages, 7 figures, 2 tables

Learning and Generating Mixed States Prepared by Shallow Channel Circuits

通过浅层通道电路学习和生成混合态

Fangjun Hu, Christian Kokail, Milan Kornjača, Pedro L. S. Lopes, Weiyuan Gong, Sheng-Tao Wang, Xun Gao, Stefan Ostermann

机构 * QuEra Computing Inc.（QuEra计算公司） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） 纠错

AI总结 研究通过浅层通道电路生成混合态的学习问题，证明在特定相态下，仅通过测量数据即可高效学习生成混合态，为量子生成模型提供结构基础。

Comments 44 pages, 14 figures, 1 table

NeuroClaw Technical Report

NeuroClaw 技术报告

Cheng Wang, Zhibin He, Zhihao Peng, Shengyuan Liu, Yufan Hu, Carl Yang, Lifang He, Lichao Sun, Xiang Li, Yixuan Yuan

机构 * Electronic Engineering Department, The Chinese University of Hong Kong, China（香港中文大学电子工程系） ； School of Electronic Information, Northwest University, China（西北大学电子信息学院） ； Department of Computer Science, Emory University, Atlanta, GA, USA（埃默里大学计算机科学系） ； Computer Science and Engineering, Lehigh University, Bethlehem, PA, USA（莱斯利大学计算机科学与工程系） ； Department of Radiology, Massachusetts General Hospital, Boston, MA, USA（麻省总医院放射科） ； Kempner Institute for Natural and Artificial Intelligence, Harvard University, Cambridge, MA, USA（哈佛大学自然与人工智能研究所） 纠错

AI总结 针对神经影像学中多模态数据、长流程和可重复性挑战，提出NeuroClaw多智能体研究助手，通过数据驱动决策、环境管理和三层技能架构实现可执行可复现的神经影像分析，并在NeuroBench基准上显著优于直接调用智能体。

Dissociating Decodability and Causal Use in Bracket-Sequence Transformers

括号序列Transformer中可解码性与因果使用的分离

Aryan Sharma, Cutter Dawes, Shivam Raval

机构 * Yale University（耶鲁大学） ； Harvard University（哈佛大学） 纠错

AI总结 通过探针和干预实验，发现Dyck语言Transformer中层级表示虽可解码，但仅注意力模式中的栈顶位置对长距离准确性有因果影响。

SPATIA: Multimodal Generation and Prediction of Spatial Cell Phenotypes

SPATIA: 空间细胞表型的多模态生成与预测

Zhenglun Kong, Mufan Qiu, John Boesen, Xiang Lin, Sukwon Yun, Tianlong Chen, Manolis Kellis, Marinka Zitnik

机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学学校生物医学信息学系） ； Department of Computer Science, University of North Carolina（北卡罗来纳大学计算机科学系） ； Department of Computer Science, Massachusetts Institute of Technology（麻省理工学院计算机科学系） 纠错

AI总结 提出SPATIA模型，融合细胞形态、基因表达和空间上下文，通过置信感知流匹配和形态-谱对齐实现多尺度生成与预测，在12项任务中优于18个基线模型。

Comments ICML 2026

On Randomized Algorithms in Online Strategic Classification

关于在线策略分类中的随机化算法

Chase Hutton, Adam Melrod, Han Shao

机构 * University of Maryland（马里兰大学） ； Harvard University（哈佛大学） 纠错

AI总结 研究在线策略分类中随机化算法的优势，在可实现和不可知场景下分别给出基于Littlestone维度和操纵图最大度的改进界限，并证明随机化可突破确定性算法的下界。

Beyond Independent Genes: Learning Module-Inductive Representations for Single-Cell Gene Perturbation Prediction

超越独立基因：学习模块归纳表示用于单细胞基因扰动预测

Jiafa Ruan, Ruijie Quan, Liyang Xu, Zongxin Yang, Yi Yang

机构 * The State Key Lab of Brain-Machine Intelligence, Zhejiang University, Hangzhou, Zhejiang, China（脑机智能国家重点实验室，浙江大学，杭州，浙江省，中国） ； ReLER Lab, College of Artificial Intelligence, Zhejiang University, Hangzhou, Zhejiang, China（ReLER实验室，人工智能学院，浙江大学，杭州，浙江省，中国） ； Department of Biomedical Informatics, Harvard Medical School, Boston, MA, USA（生物医学信息学系，哈佛医学院，波士顿，马萨诸塞州，美国） 纠错

AI总结 提出scBIG框架，通过基因关系聚类、基因簇感知编码器和结构感知对齐学习协调的基因程序模块表示，结合条件流匹配实现灵活泛化的扰动预测，在多个单细胞扰动基准上平均提升6.7%。

Gaussian DP for Reporting Differential Privacy Guarantees in Machine Learning

高斯差分隐私：机器学习中报告差分隐私保证的方法

Juan Felipe Gomez, Bogdan Kulynych, Georgios Kaissis, Flavio P. Calmon, Jamie Hayes, Borja Balle, Antti Honkela

机构 * Harvard University（哈佛大学） ； Lausanne University Hospital（洛桑大学医院） ； Google DeepMind（谷歌DeepMind） ； University of Helsinki（赫尔辛基大学） 纠错

AI总结 针对当前机器学习中差分隐私报告不完整的问题，提出使用非渐近高斯差分隐私（GDP）作为主要报告方式，通过数值会计和决策理论度量，证明GDP能无误差地捕获DP-SGD等算法的完整隐私特征。

Comments IEEE SatML 2026 (position paper track)