Columbia University（哥伦比亚大学）

Is Passive Expertise-Based Personalization Enough? A Case Study in AI-Assisted Test-Taking

基于被动专家经验的个性化是否足够？一项在AI辅助考试中的案例研究

Li Siyan, Jason Zhang, Akash Maharaj, Yuanming Shi, Yunyao Li

机构 * Columbia University（哥伦比亚大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Adobe（Adobe公司） 纠错

AI总结 本文研究了基于被动专家经验的个性化在AI辅助考试中的效果，发现其能降低任务负荷但存在局限，需结合主动个性化以提升用户体验。

Comments Accepted into Tailoring AI: Exploring Active and Passive LLM Personalization (PALS) workshop at EMNLP 2025

A Comparative Study of LLM Prompting and Fine-Tuning for Cross-genre Authorship Attribution on Chinese Lyrics

跨流派中文歌词作者归属的LLM提示与微调比较研究

Yuxin Li, Lorraine Xu, Meng Fan Wang

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 本文通过对比LLM提示与微调方法，研究中文歌词跨流派作者归属问题，提出新的数据集和领域模型，并探讨流派对性能的影响。

Comments 8 pages, 6 figures

Differential privacy from axioms

从公理出发的差分隐私

Guy Blanc, William Pires, Toniann Pitassi

机构 * Stanford University（斯坦福大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本研究证明了在满足特定公理的情况下，任何隐私度量等同于差分隐私，且移除任何公理会导致不恰当的隐私度量。

A Longitudinal Measurement of Privacy Policy Evolution for Large Language Models

大型语言模型隐私政策演变的纵向测量

Zhen Tao, Shidong Pan, Zhenchang Xing, Emily Black, Talia Gillis, Chunyang Chen

机构 * Technical University of Munich（慕尼黑技术大学） ； Columbia University（哥伦比亚大学） ； New York University（纽约大学） ； CSIRO’s Data61（CSIRO的数据61） 纠错

AI总结 本文首次对全球主流LLM提供者的隐私政策进行了纵向研究，揭示了隐私政策的演变趋势、内容特征及地区差异。

LLMEasyQuant: Scalable Quantization for Parallel and Distributed LLM Inference

LLMEasyQuant: 用于并行和分布式LLM推理的可扩展量化

Dong Liu, Yanxuan Yu

机构 * Yale University（耶鲁大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 LLMEasyQuant通过模块化和系统感知的量化框架，实现高效低比特LLM推理，支持多种量化方法并优化多GPU和分布式环境下的性能。

Comments Accepted as International Conference of Computational Optimization 2025 Oral