Harvard University（哈佛大学）

Frontier AI performance across the business disciplines: a case-grounded benchmark of knowledge work and analytical reasoning

跨商业学科的前沿人工智能性能：基于案例的知识工作和分析推理基准

Ajay Patel, Kartik Hosanagar, Ramayya Krishnan, Chris Callison-Burch, Karim Lakhani

机构 * The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Harvard Business School, Harvard University（哈佛大学哈佛商学院） 纠错

AI总结 研究针对人工智能在白领分析性知识工作衡量上的差距，利用顶尖商学院案例教学法构建BusinessCaseBench基准，发现前沿AI模型在此基准上得分高且能力提升快，为商学院及相关职业角色带来启示。

Multiplayer Nash Preference Optimization

多玩家纳什偏好优化

Fang Wu, Xu Huang, Weihao Xuan, Zhiwei Zhang, Yijia Xiao, Guancheng Wan, Xiaomin Li, Bing Hu, Peng Xia, Jure Leskovec, Yejin Choi

机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所智能系统研究中心） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Harvard University（哈佛大学） ； UNC–Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 本文提出多玩家纳什偏好优化框架，扩展了传统的两玩家纳什对齐方法，通过引入多玩家博弈机制，提升对复杂非传递性人类偏好的对齐能力，并在多个基准测试中表现更优。

Journal ref ICLR 2026 Oral

Learning Representations from Incomplete EHR Data with Dual-Masked Autoencoding

从不完整电子健康记录数据中学习表示的双掩码自编码

Xiao Xiang, David Restrepo, Hyewon Jeong, Yugang Jia, Leo Anthony Celi

机构 * Massachusetts Institute of Technology（麻省理工学院） ； EPFL（苏黎世联邦理工学院） ； Harvard University（哈佛大学） ； Beth Israel Deaconess Medical Center（贝塞斯达医院） 纠错

AI总结 AID-MAE通过双掩码技术直接从不完整EHR时间序列中学习表示，有效提升临床任务性能并实现患者群体的自然分层。

Comments MLHC 2026 camera-ready. Spotlight at NeurIPS TS4H 2025

Generalized Linear Markov Decision Process

广义线性马尔可夫决策过程

Sinian Zhang, Kaicheng Zhang, Ziping Xu, Zongqi Xia, Jue Hou, Tianxi Cai, Doudou Zhou

机构 * Division of Biostatistics and Health Data Science, University of Minnesota, USA（明尼苏达大学生物统计与健康数据科学系） ； School of Mathematical Sciences, Zhejiang University, China（浙江大学数学科学学院） ； Department of Statistics, Harvard University, USA（哈佛大学统计系） ； Department of Biostatistics, Harvard T.H. Chan School of Public Health, USA（哈佛T.H. Chan公共卫生学院生物统计学系） ； Department of Statistics and Data Science, National University of Singapore, Singapore（新加坡国立大学统计与数据科学系） 纠错

AI总结 针对离线强化学习在纵向研究中面临的奖励与转移观测问题，提出GRASP-MDP框架，通过奖励-转移分离的贝尔曼分解，利用仅转移观测提升估计性能，在模拟和真实电子健康数据中验证了有效性。

Comments 111 pages