University of California, Los Angeles（加州大学洛杉矶分校）

Balancing Efficiency and Empathy: Healthcare Providers' Perspectives on AI-Supported Workflows for Serious Illness Conversations in the Emergency Department

平衡效率与同理心：急诊部门医护人员对AI支持的严重疾病对话工作流的视角

Menglin Zhao, Zhuorui Yong, Ruijia Guan, Kai-Wei Chang, Adrian Haimovich, Kei Ouchi, Timothy Bickmore, Zhan Zhang, Bingsheng Yao, Dakuo Wang, Smit Desai

机构 * Northeastern University（东北大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心） ； Harvard Medical School, Dana-Farber Cancer Institute, Brigham and Women’s Hospital（哈佛医学院、丹娜-法伯癌症研究所、布里格姆妇女医院） ； Pace University（佩斯大学） 纠错

AI总结 研究探讨急诊医护人员在严重疾病对话中使用AI技术的挑战与机遇，提出四阶段工作流及设计指南，强调效率与人文关怀的平衡。

Comments To appear at ACM CHI'26

Expressive Power of Implicit Models: Rich Equilibria and Test-Time Scaling

隐式模型的表达能力：丰富的均衡与测试时扩展

Jialin Liu, Lisang Ding, Stanley Osher, Wotao Yin

机构 * University of Central Florida（中佛罗里达大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； Decision Intelligence Lab, DAMO Academy, Alibaba US（达摩院决策智能实验室，阿里巴巴美国） 纠错

AI总结 研究隐式模型通过非参数分析揭示其表达能力，证明其表达能力随测试时计算量增加而提升，验证了其在多个领域中的有效性。

An Information-Theoretic Approach to Understanding Transformers' In-Context Learning of Variable-Order Markov Chains

从信息论角度理解Transformer对可变阶马尔可夫链的上下文学习

Ruida Zhou, Chao Tian, Suhas Diggavi

机构 * Amazon AGI（亚马逊AGI） ； ECE Dept. Texas A&M University（德州农工大学电气与计算机工程系） ； EE Dept. UCLA（加州大学洛杉矶分校电气工程系） 纠错

AI总结 本文研究Transformer对可变长度马尔可夫链的上下文学习，探讨样本量增加时的有限样本精度。通过贝叶斯方法，发现上下文树加权算法能最优解决该问题，且多层Transformer在学习可变阶马尔可夫链上表现更佳。

Comments AISTATS 2026