Stanford University（斯坦福大学）

Real-Time Surrogate Modeling for Personalized Blood Flow Prediction and Hemodynamic Analysis

实时代理建模用于个性化血流预测和血流动力学分析

Sokratis J. Anagnostopoulos, George Rovas, Vasiliki Bikia, Theodore G. Papaioannou, Athanase D. Protogerou, Nikolaos Stergiopulos

机构 * Laboratory of Hemodynamics and Cardiovascular Technology, EPFL（EPFL血液动力学与心血管技术实验室） ； Stanford DBDS and HAI, Stanford University（斯坦福大学DBDS与HAI） ； Medical School, National and Kapodistrian University of Athens（雅典大学医学院） 纠错

AI总结 本文提出一种训练机器学习模型的系统框架，用于实时预测个性化血流动力学参数，减少合成数据集生成成本，并通过评估模型性能确定逆问题求解所需信息。

Compositional Neuro-Symbolic Reasoning

组合式神经符号推理

Anugyan Das, Omkar Ghugarkar, Vishvesh Bhat, Asad Aali

机构 * CoreThink AI ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出一种结合神经和符号方法的推理框架，通过提取网格对象结构、利用神经先验提出变换候选方案并过滤假设，提升ARC-AGI-2任务表现，无需任务特定微调或强化学习。

Textual Equilibrium Propagation for Deep Compound AI Systems

文本平衡传播用于深度复合人工智能系统

Minghui Chen, Wenlong Deng, James Zou, Han Yu, Xiaoxiao Li

机构 * Nanyang Technological University（南洋理工大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出文本平衡传播（TEP），通过局部学习原理解决长周期工作流中文本梯度爆炸和消失问题，提升深度复合AI系统的准确性和效率。

Comments Accepted to ICLR 2026

A Unifying Framework for Parallelizing Sequential Models with Linear Dynamical Systems

一种基于线性动态系统并行化序列模型的统一框架

Xavier Gonzalez, E. Kelly Buchanan, Hyun Dong Lee, Jerry Weihong Liu, Ke Alexander Wang, David M. Zoltowski, Leo Kozachkov, Christopher Ré, Scott W. Linderman

机构 * Stanford University（斯坦福大学） ； Brown University（布朗大学） 纠错

AI总结 本文提出一种基于线性动态系统（LDSs）的统一框架，用于并行化序列模型，分析了牛顿、皮卡德和雅可比迭代方法的收敛速率，并通过案例研究验证了理论预测。

Comments TMLR. Code: https://github.com/lindermanlab/parallelizing_with_lds

Are Statistical Methods Obsolete in the Era of Deep Learning? A Study of ODE Inverse Problems

在深度学习时代，统计方法是否已过时？对微分方程反问题的研究

Skyler Wu, Shihao Yang, S. C. Kou

机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学） 纠错

AI总结 本文通过SEIR和洛伦茨模型案例表明，统计方法在稀疏噪声数据下仍具优势，能以更少参数和超参数调优实现更低偏差和方差，且在无相关数据的外推预测中表现更优。

Comments 35 pages, 11 figures (main text)

ELEPHANT: Measuring and understanding social sycophancy in LLMs

ELEPHANT：测量和理解LLMs中的社交阿谀

Myra Cheng, Sunny Yu, Cinoo Lee, Pranav Khadpe, Lujain Ibrahim, Dan Jurafsky

机构 * Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） 纠错

AI总结 研究通过ELEPHANT基准测量LLMs中的社交阿谀行为，发现模型在保持用户形象方面比人类更极端，且在道德冲突中倾向于支持用户立场。

From tools to thieves: Measuring and understanding public perceptions of AI through crowdsourced metaphors

从工具到窃贼：通过众包隐喻测量和理解公众对人工智能的看法

Myra Cheng, Angela Y. Lee, Kristina Rapuano, Kate Niederhoffer, Alex Liebscher, Jeffrey Hancock

机构 * Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Department of Communication, Stanford University（斯坦福大学传播系） 纠错

AI总结 研究通过收集12,000份美国样本的开放隐喻，分析公众对AI的认知，发现AI普遍被视为温暖且有能力，且公众对AI的人性化和温暖感知显著增加，揭示了隐含认知与信任及采纳意愿的关系。

Comments To appear at the ACM Conference on Fairness, Accountability, and Transparency 2025