Cornell University（康奈尔大学）

2603.22260 2026-03-24 cs.CL

Greater accessibility can amplify discrimination in generative AI

更大的可及性可能放大生成AI中的歧视

Carolin Holtermann, Minh Duc Bui, Kaitlyn Zhou, Valentin Hofmann, Katharina von der Wense, Anne Lauscher

机构 * Trustworthy AI Lab, University of Hamburg（可信AI实验室，汉堡大学）； NALA Group, JGU Mainz（NALA集团，吉森大学）； Cornell University（康奈尔大学）； Together AI ； Allen Institute for AI（人工智能研究院）； CU Boulder（博尔德大学）

AI总结研究发现语音交互虽提升可及性，但会因语音携带身份线索而加剧性别偏见，提出通过音调调节可缓解歧视问题。

Comments Preprint

2601.05848 2026-03-24 cs.CV cs.AI cs.RO

Goal Force: Teaching Video Models To Accomplish Physics-Conditioned Goals

目标力：教视频模型实现物理条件化的目标

Nate Gillman, Yinghua Zhou, Zitian Tang, Evan Luo, Arjan Chakravarthy, Daksh Aggarwal, Michael Freeman, Charles Herrmann, Chen Sun

机构 * Brown University（布朗大学）； Cornell University（康奈尔大学）

AI总结本文提出Goal Force框架，通过显式力矢量和中间动力学定义目标，使视频模型能零样本泛化到复杂现实场景，实现基于物理的视频生成与规划。

Comments Camera ready version (CVPR 2026). Code and interactive demos at https://goal-force.github.io/

2603.21389 2026-03-24 cs.CL cs.LG

Task-Specific Efficiency Analysis: When Small Language Models Outperform Large Language Models

任务特定效率分析：当小型语言模型超越大型语言模型

Jinghan Cao, Yu Ma, Xinjin Li, Qingyang Ren, Xiangyun Chen

机构 * San Francisco State University - Department of Computer Science（旧金山州立大学-计算机科学系）； Carnegie Mellon University - Department of Computer Science（卡内基梅隆大学-计算机科学系）； Columbia University - Department of Computer Science（哥伦比亚大学-计算机科学系）； Cornell University - Department of Computer Science（康奈尔大学-计算机科学系）； Pennsylvania State University - Department of Biochemistry and Molecular Biology（宾夕法尼亚州立大学-生物化学与分子生物学系）

AI总结本文通过对比16个模型在五个NLP任务上的效率，提出PER指标，发现小型模型在效率上表现更优，为高效推理场景提供依据。

Comments Accepted for publication at ESANN 2025. This is a task-specific efficiency analysis comparing small language models

2506.03467 2026-03-24 cs.IT cs.CR cs.LG eess.SP math.IT stat.ME

Differentially Private Distribution Release of Gaussian Mixture Models via KL-Divergence Minimization

基于KL散度最小化的高斯混合模型差分隐私分布发布

Hang Liu, Anna Scaglione, Sean Peisert

机构 * State Key Laboratory of Internet of Things for Smart City and the Department of Electrical and Computer Engineering, University of Macau（物联网智能城市国家重点实验室和澳门大学电子与计算机工程系）； Department of Electrical and Computer Engineering, Cornell Tech, Cornell University（电气与计算机工程系，康奈尔科技，康奈尔大学）； Computing Sciences Research, Lawrence Berkeley National Laboratory（计算科学研究所，劳伦斯伯克利国家实验室）

AI总结本文提出通过KL散度度量高斯混合模型发布精度，结合差分隐私机制，在保证隐私安全的同时保持模型效用。

Comments This work has been submitted to the IEEE for possible publication

2507.11474 2026-03-24 cs.CV

HUG-VAS: A Hierarchical NURBS-Based Generative Model for Aortic Geometry Synthesis and Controllable Editing

HUG-VAS：一种基于层次NURBS的生成模型用于主动脉几何合成与可控编辑

Pan Du, Mingqi Xu, Xiaozhi Zhu, Jian-xun Wang

机构 * Department of Aerospace and Mechanical Engineering, University of Notre Dame（notre dame 大学航空航天与机械工程系）； Sibley School of Mechanical and Aerospace Engineering, Cornell University（cornell 大学机械与航空航天工程学院）； Department of Applied and Computational Mathematics and Statistics, University of Notre Dame（notre dame 大学应用与计算数学与统计学系）

AI总结 HUG-VAS通过结合NURBS参数化与层次扩散模型，实现主动脉几何的精细合成与可控编辑，支持零样本生成与临床应用。

Comments 64 pages, 9 figures, 6 supplementary figures