XAM: Interactive Explainability for Authorship Attribution Models
XAM：作者归属模型的交互式可解释性
机构 * Columbia University（哥伦比亚大学） ； Stony Brook University（石溪大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 IXAM通过交互式探索嵌入空间，提供作者归属模型的多粒度写作风格解释，提升模型预测的可解释性。
高校专区
University of Pennsylvania（宾夕法尼亚大学）
Covariate-Elaborated Robust Partial Information Transfer with Conditional Spike-and-Slab Prior
协变量细化的鲁棒部分信息转移与条件尖峰- slab先验
机构 * Department of Statistics and Data Science, Fudan University（复旦大学统计与数据科学系） ； Department of Biostatistics, Epidemiology and Informatics, University of Pennsylvania（宾夕法尼亚大学生物统计学、流行病学与信息学系） ； Department of Statistics and Applied Probability, University of California, Santa Barbara（加州大学圣芭芭拉分校统计学与应用概率系）
AI总结 本文提出CONCERT方法，通过条件尖峰- slab先验实现高维数据的鲁棒部分信息转移，同时完成变量选择与信息转移，提升迁移学习性能。
Comments 35 pages, 4 figures
PersonaMem-v2: Towards Personalized Intelligence via Learning Implicit User Personas and Agentic Memory
PersonaMem-v2：通过学习隐式用户人设和代理记忆实现个性化智能
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学） ； University of California Santa Barbara（加州大学圣巴巴拉分校） ； Meta ； University of Southern California（南加州大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Microsoft Corporation（微软公司）
AI总结 PersonaMem-v2通过学习隐式用户人设和代理记忆提升LLM个性化能力，实验显示强化微调使模型在隐式个性化任务中准确率达53%。
Comments Data is available at https://huggingface.co/datasets/bowen-upenn/PersonaMem-v2
AI as "Co-founder": GenAI for Entrepreneurship
AI作为'联合创始人'：生成式人工智能与创业
机构 * Mendoza College of Business, University of Notre Dame（诺丁汉大学梅森商学院） ； Department of Finance, Durham University Business School（杜伦大学商学院金融系） ； Department of Economics, The Chinese University of Hong Kong（香港中文大学经济系） ； Department of Economics, The University of Pennsylvania（宾夕法尼亚大学经济系） ； Wharton School, The University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； Department of Finance, SEM, Tsinghua University（清华大学经济管理学院金融系）
AI总结 本文研究生成式人工智能对创业的影响，发现其通过促进小企业创立，增强了市场竞争力。
Evidential Physics-Informed Neural Networks for Scientific Discovery
证据物理指导神经网络用于科学发现
机构 * Gryphon Center for A.I. and Theoretical Sciences（人工智能与理论科学研究中心） ； University of Pennsylvania, Perelman School of Medicine（宾夕法尼亚大学佩雷尔曼医学院）
AI总结 E-PINN通过证据深度学习的边际分布损失函数提升不确定性估计，有效应用于PDE求解和医学数据集分析。
Comments v3: minor revisions. To appear in TAAI 2025. Code available at https://github.com/HaiSiong-Tan/E-PINN
