Columbia University（哥伦比亚大学）

Federated Learning Under Temporal Drift -- Mitigating Catastrophic Forgetting via Experience Replay

联邦学习中的时间漂移——通过经验回放缓解灾难性遗忘

Sahasra Kokkula, Daniel David, Aaditya Baruah

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 本研究通过客户端侧经验回放方法缓解联邦学习中的时间漂移问题，实验表明该方法能有效恢复模型性能并防止灾难性遗忘。

Comments 8 pages, 5 figures. Course project for Neural Networks & Deep Learning COMSW4776 course at Columbia University

An approach for systematic decomposition of complex llm tasks

一种复杂大语言模型任务的系统分解方法

Tianle Zhou, Jiakai Xu, Guanhong Liu, Jiaxiang Liu, Haonan Wang, Eugene Wu

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出ACONIC框架，通过形式复杂度度量系统分解任务，提升大语言模型在复杂任务中的可靠性。

Learning Longitudinal Health Representations from EHR and Wearable Data

从电子健康记录和可穿戴数据中学习纵向健康表示

Yuanyun Zhang, Han Zhou, Li Feng, Yilin Hong, Shi Li

机构 * University of the Chinese Academy of Sciences, Columbia University（中国科学院大学，哥伦比亚大学） 纠错

AI总结 本文提出一种多模态基础模型，通过联合表示电子健康记录和可穿戴数据，提升纵向健康预测的准确性和鲁棒性。

Enhancing LLM-Based Data Annotation with Error Decomposition

通过错误分解增强基于LLM的数据标注

Zhen Xu, Vedant Khatri, Yijun Dai, Xiner Liu, Siyan Li, Xuanming Zhang, Renzhe Yu

机构 * Columbia University（哥伦比亚大学） ； University of California, Irvine（加州大学尔湾分校） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 通过错误分解增强基于LLM的数据标注，提出诊断评估范式以区分任务固有模糊性与模型不准确，提升标注质量评估的准确性与实用性。

Lightweight Self-Supervised Detection of Fundamental Frequency and Accurate Probability of Voicing in Monophonic Music

轻量级自监督检测基频及单音音乐中发声概率的准确估计

Venkat Suprabath Bitra, Homayoon Beigi

机构 * Dept. of Computer Science, Columbia University, New York, US（计算机科学系，哥伦比亚大学，纽约，美国） ； Dept. of Mechanical Engineering and Dept. of Electrical Engineering, Columbia University（机械工程系和电气工程系，哥伦比亚大学） ； Recognition Technologies, Inc., New York, US（识别技术公司，纽约，美国） 纠错

AI总结 本文提出了一种轻量级自监督框架，用于单音音乐中基频和发声概率的准确估计，通过转置等价学习和EM风格的迭代加权方案实现无需标注的高效训练。

Comments 12 pages, 6 figures, 3 tables, and an appendix, Accepted for publication at ICPRAM 2026 in Marbella, Spain, on March 2, 2026

A pipeline for enabling path-specific causal fairness in observational health data

一种实现路径特定因果公平性的观察性健康数据管道

Aparajita Kashyap, Sara Matijevic, Noémie Elhadad, Steven A. Kushner, Shalmali Joshi

机构 * Department of Biomedical Informatics（生物医学信息学系） ； Columbia University（哥伦比亚大学） ； Big Data Institute（大数据研究所） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出了一种通用管道，用于训练能够解决直接和间接医疗偏见的因果公平机器学习模型。

From Perception to Punchline: Empowering VLM with the Art of In-the-wild Meme

从感知到 punchline：通过野生表情包艺术赋能 VLM

Xueyan Li, Yingyi Xue, Mengjie Jiang, Qingzi Zhu, Yazhe Niu

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； School of Software Engineering（软件工程学院） ； Columbia Engineering（哥伦比亚工程学院） ； Columbia University（哥伦比亚大学） ； The Chinese University of Hong Kong MMLab（香港中文大学MMLab） 纠错

AI总结 HUMOR 通过分层推理和群体偏好对齐，提升 VLM 在多模态生成中的推理多样性与幽默质量。

Comments 46 pages, 20 figures