What Do LLMs Associate with Your Name? A Human-Centered Black-Box Audit of Personal Data
LLMs与你的名字关联什么？对个人数据的人本黑盒审计
机构 * Columbia University（哥伦比亚大学）
AI总结 研究通过LMP2工具审计LLMs对个人数据的关联，发现模型能准确生成用户特征，引发对数据隐私权在LLMs中的适用性讨论。
高校专区
Columbia University（哥伦比亚大学）
Privacy-Preserving Mechanisms Enable Cheap Verifiable Inference of LLMs
隐私保护机制使LLM的可验证推断变得廉价
机构 * Ritual ； MIT（麻省理工学院） ； Columbia University（哥伦比亚大学）
AI总结 本研究提出隐私保护机制实现LLM推断的可验证性，通过低成本协议提高验证效率。
Toward Trustworthy Evaluation of Sustainability Rating Methodologies: A Human-AI Collaborative Framework for Benchmark Dataset Construction
迈向可信的可持续性评级方法论评估：一种人机协作框架用于基准数据集构建
机构 * Columbia University, USA（哥伦比亚大学） ； Case Western Reserve University, USA（凯斯西储大学） ； Hong Kong University of Science（香港科学大学） ； NVIDIA, USA（NVIDIA公司） ； Informatica Inc., USA（Informatica公司）
AI总结 本文提出一种人机协作框架，用于构建可信的可持续性评级方法论基准数据集，以提高评分的可比性和可信度。
Dynamic Delayed Tree Expansion For Improved Multi-Path Speculative Decoding
动态延迟树扩展用于改进多路径猜测解码
机构 * Columbia University（哥伦比亚大学） ； Vanderbilt University（范德比大学）
AI总结 动态延迟树扩展通过优化多路径猜测解码的验证策略，使基于最优传输的方法首次超越遍历验证，提升吞吐量5%。
Greedy Multi-Path Block Verification for Faster Decoding in Speculative Sampling
贪心多路径块验证用于加速推测采样解码
机构 * Columbia University（哥伦比亚大学）
AI总结 本研究提出贪心多路径块验证方法，通过优化验证算法提升解码效率，实验显示在Llama-3 70B上吞吐量提升超15%。
Learning under noisy supervision is governed by a feedback-truth gap
在噪声监督下学习由反馈-真相差距所支配
机构 * Columbia University（哥伦比亚大学）
AI总结 研究揭示在噪声监督下学习受反馈-真相差距约束，不同系统通过不同机制调节该差距，影响学习效果。
Comments 33 pages, 5 figures, 10 extended data figures, 4 extended data tables; 10-page supplementary information
Instance-Wise Adaptive Sampling for Dataset Construction in Approximating Inverse Problem Solutions
实例级自适应采样用于近似逆问题解的的数据集构建
机构 * Center for Computational Mathematics, Flatiron Institute（计算数学中心，Flatiron研究所） ； Department of Applied Physics and Applied Mathematics, Columbia University（应用物理与应用数学系，哥伦比亚大学）
AI总结 本文提出了一种实例级自适应采样方法，用于高效构建训练数据集，提升逆问题解的样本效率和精度。
