Harvard University（哈佛大学）

Investigating Associational Biases in Inter-Model Communication of Large Generative Models

研究大生成模型跨模型通信中的关联偏差

Fethiye Irmak Dogan, Yuval Weiss, Kajal Patel, Jiaee Cheong, Hatice Gunes

机构 * University of Cambridge（剑桥大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Harvard University（哈佛大学） 纠错

AI总结 本研究探讨大生成模型跨模型通信中的关联偏差，通过数据集分析发现人口分布漂移，并提出缓解策略以减少不平等影响。

From Future of Work to Future of Workers: Addressing Asymptomatic AI Harms for Dignified Human-AI Interaction

从未来的工作到未来的工作者：应对无症状的AI危害以实现尊严的人机交互

Upol Ehsan, Samir Passi, Koustuv Saha, Todd McNutt, Mark O. Riedl, Sara Alcorn

机构 * Northeastern University, Harvard University（东北大学、哈佛大学） ； Microsoft（微软） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Minnesota（明尼苏达大学） 纠错

AI总结 本文提出了一种框架，旨在通过双用途机制实现尊严的人机交互，以应对人工智能导致的技能侵蚀问题。

Journal ref Proceedings of the CHI Conference on Human Factors in Computing Systems, 2026

Health Facility Location in Ethiopia: Leveraging LLMs to Integrate Expert Knowledge into Algorithmic Planning

埃塞俄比亚卫生设施选址：利用大语言模型整合专家知识到算法规划中

Yohai Trabelsi, Guojun Xiong, Fentabil Getnet, Stéphane Verguet, Milind Tambe

机构 * John A. Paulson School of Engineering and Applied Sciences, Harvard University（工程与应用科学学院，哈佛大学） ； National Data Management and Analytics Center for Health, Ethiopian Public Health Institute（健康数据管理与分析中心，埃塞俄比亚公共卫生研究所） ； Department of Global Health and Population, Harvard T.H. Chan School of Public Health（全球卫生与人口学院，哈佛T.H. Chan公共卫生学院） 纠错

AI总结 本文提出了一种结合大语言模型和优化技术的混合框架，用于埃塞俄比亚卫生设施选址，以整合专家知识并提升规划的公平性和数据驱动性。

Do Pathology Foundation Models Encode Disease Progression? A Pseudotime Analysis of Visual Representations

病理基础模型是否编码疾病进展？对视觉表示的伪时间分析

Pritika Vig, Ren-Chin Wu, William Lotter

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Department of Pathology, Dana-Farber Cancer Institute（达纳-法伯癌症研究所病理部） ； Department of Data Science, Dana-Farber Cancer Institute（达纳-法伯癌症研究所数据科学部） ； Brigham and Women's Hospital（布里奇沃特医院） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 研究探讨视觉基础模型是否能隐式学习连续疾病进程，通过伪时间分析发现模型在表示空间中能组织疾病状态，轨迹保真度与分类性能相关。

Comments 21 pages, 17 figures. Appendix included

Large Language Models Naively Recover Ethnicity from Individual Records

大语言模型盲目从个人记录中推断种族

Noah Dasanaike

机构 * Harvard University（哈佛大学） 纠错

AI总结 大语言模型通过分析姓名推断种族，准确率高于BISG，且适用于多种地区和分类场景。

Spatial Heterogeneity in Climate Risk and Human Flourishing: An Exploration with Generative AI

气候风险与人类繁荣的空间异质性：基于生成AI的探索

Stefano Maria Iacus, Haodong Qi, Devika Jain

机构 * Institute for Quantitative Social Science, Harvard University（哈佛大学定量社会科学研究所） ； Stockholm University（斯德哥尔摩大学） ； Department of Global Political Studies, Malmö University（马尔默大学全球政治学系） ； Center for Geographic Analysis, Harvard University（哈佛大学地理分析中心） 纠错

AI总结 本研究利用生成AI和结构方程模型，探讨美国各郡累积气候风险与人类繁荣之间的空间异质性关系。

TinyTorch: Building Machine Learning Systems from First Principles

TinyTorch: 从基础原理构建机器学习系统

Vijay Janapa Reddi

机构 * Harvard University（哈佛大学） 纠错

AI总结 TinyTorch通过基于实现的系统教学，帮助学生构建机器学习系统，实现深度理解无需专用硬件。

Probing Neural Topology of Large Language Models

探测大型语言模型的神经拓扑

Yu Zheng, Yuan Yuan, Yue Zhuo, Yong Li, Gabriel Kreiman, Tomaso Poggio, Paolo Santi

机构 * Massachusetts Institute of Technology（麻省理工学院） ； New York University（纽约大学） ； Tsinghua University（清华大学） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 本研究提出图探测方法，通过分析LLM神经拓扑揭示其语言生成性能，发现拓扑信息比激活信息更丰富，可提升模型效率和可靠性。