Poly-attention: a general scheme for higher-order self-attention
Poly-attention：一种用于高阶自注意力的通用方案
机构 * Computer Science, Columbia University（计算机科学，哥伦比亚大学）
AI总结 本文提出了一种新的多注意力机制，能够在二次时间内精确计算并支持任意数量函数的组合，解决了传统自注意力机制在处理多阶任务时的效率问题。
高校专区
Columbia University（哥伦比亚大学）
Imperfect Influence, Preserved Rankings: A Theory of TRAK for Data Attribution
不完美影响，保留排名：数据归因的TRAK理论
机构 * Columbia University（哥伦比亚大学）
AI总结 本文理论分析了TRAK算法，证明其在数据归因中尽管存在误差，但能保持数据点的相对排名。
Generalized Radius and Integrated Codebook Transforms for Differentiable Vector Quantization
通用半径与集成代码本变换用于可微向量量化
机构 * Columbia University（哥伦比亚大学） ； South China Normal University（南方科技大学） ； University of Warwick（沃里克大学） ； The City College of New York（纽约城市学院） ； Hebei Institute of Communications（河北通信学院）
AI总结 GRIT-VQ通过统一的可微框架提升向量量化性能，实现稳定梯度和高效代码本利用。
Comments This paper has been accepted as a conference paper at CPAL 2026
ChipBench: A Next-Step Benchmark for Evaluating LLM Performance in AI-Aided Chip Design
ChipBench: 用于评估LLM在人工智能辅助芯片设计中的性能的下一步基准
机构 * University of California San Diego（加州大学圣地亚哥分校） ； Columbia University（哥伦比亚大学）
AI总结 ChipBench提出了一项全面的基准测试，用于评估LLM在人工智能辅助芯片设计中的性能，揭示了现有模型在关键任务上的显著性能差距，并提供自动化工具箱促进相关研究。
On Theoretical Identifiability of Discrete Latent Causal Graphical Models
关于离散潜在因果图模型的理论可识别性
机构 * Department of Statistics Columbia University（统计学系哥伦比亚大学）
AI总结 本文提出了一种双三角图条件，用于保证离散潜在因果图模型的可识别性，放宽了传统纯子节点条件，并通过模拟验证了其有效性。
VC Theory for Inventory Policies
库存策略的VC理论
机构 * Booth School of Business, University of Chicago（芝加哥大学商学院） ； Graduate School of Business and Data Science Institute, Columbia University（哥伦比亚大学研究生商学院和数据科学研究院） ； School of Operations Research and Information Engineering, Cornell University（康奈尔大学运筹学与信息工程学院）
AI总结 本文提出结合轨迹RL与政策正则化的库存策略方法，利用VC理论分析其泛化误差，证明非平稳基础库存策略的泛化误差不随时间增长，而（s, S）策略则随时间对数增长。
DETOUR: An Interactive Benchmark for Dual-Agent Search and Reasoning
DETOUR：双智能体搜索与推理的交互基准
机构 * Patronus AI ； DAP Lab（DAP实验室） ； Columbia University（哥伦比亚大学）
AI总结 DETOUR基准通过双智能体机制评估双智能体搜索与推理能力，揭示现有模型在模糊不明确场景下的不足。
Harvest: Opportunistic Peer-to-Peer GPU Caching for LLM Inference
Harvest：机会性点对点GPU缓存用于LLM推理
机构 * Columbia University（哥伦比亚大学）
AI总结 Harvest通过利用点对点GPU互连技术，动态管理GPU内存，减少数据移动开销，显著提升LLM推理的吞吐量。
