语言大模型 / LLM

FeatEHR-LLM: Leveraging Large Language Models for Feature Engineering in Electronic Health Records

FeatEHR-LLM：利用大型语言模型进行电子健康记录中的特征工程

Hojjat Karami, David Atienza, Jean-Philippe Thiran, Anisoara Ionescu

机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校） 纠错

专题命中 领域大模型 ：LLM(title,title_cn)；large language model(title,abstract)；language model(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出FeatEHR-LLM框架，利用大型语言模型从不规则采样EHR时间序列中生成临床有意义的表格特征，通过迭代验证流程提升多变量特征生成能力，在四个ICU数据集上取得最高AUROC表现。

SpecTran: Spectral-Aware Transformer-based Adapter for LLM-Enhanced Sequential Recommendation

SpecTran: 基于频域的变压器适配器用于LLM增强的序列推荐

Yu Cui, Feng Liu, Zhaoxiang Wang, Changwang Zhang, Jun Wang, Can Wang, Jiawei Chen

专题命中 领域大模型 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)

AI总结 本文提出SpecTran，一种基于频域的变压器适配器，用于改进LLM增强的序列推荐。通过学习频域位置编码，引导注意力聚焦于重要频谱成分，从而提升推荐性能。

Categorical Perception in Large Language Model Hidden States: Structural Warping at Digit-Count Boundaries

大语言模型隐藏状态中的分类感知：数字计数边界处的结构扭曲

Jon-Paul Cacioli

机构 * Independent Researcher（独立研究者） ； Classical Minds, Modern Machines（经典思维，现代机器） 纠错

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract_cn)；分类 cs.CL、cs.AI

AI总结 研究发现大语言模型在处理阿拉伯数字时，隐藏状态表现出类似人类分类感知的几何扭曲现象，通过代表相似性分析发现CP-加法模型在结构边界处更符合几何结构。

Comments 25 pages, 5 figures, 7 tables. Pre-registered on OSF (osf.io/qrxf3). Code at https://github.com/synthiumjp/weber

Large language models are not the problem

大语言模型并非问题

Hiranya V. Peiris

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)

AI总结 文章探讨大语言模型能否复制科学成果，指出不应将问题归咎于模型本身，而应反思科研领域对AI的焦虑来源。

Comments 6 pages, no figures, Published in Nature Astronomy as a Comment

TiInsight: A SQL-based Automated Exploratory Data Analysis System through Large Language Models

TiInsight：通过大型语言模型实现基于SQL的自动化探索性数据分析系统

Jun-Peng Zhu, Boyan Niu, Peng Cai, Zheming Ni, Kai Xu, Jiajun Huang, Shengbo Ma, Bing Wang, Xuan Zhou, Guanglei Bao, Donghui Zhang, Liu Tang, Qi Liu

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)

AI总结 TiInsight基于SQL构建跨领域探索性数据分析系统，提供自然语言查询界面、跨领域分析流水线及可视化工具，已在PingCAP生产环境部署并验证。

Comments 4 pages, 5 figures

Journal ref Companion of the International Conference on Management of Data (SIGMOD Companion '26), May 31-June 05, 2026, Bengaluru, India

Code for All: Educational Applications of the "Vibe Coding" Hackathon in Programming Education across All Skill Levels

面向所有人的代码：Vibe Coding黑客松在编程教育中的应用

Ashley J. Chen, Yijia Cao, Minghao Shao, Ramesh Karri, Muhammad Shafique

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 本文通过为期一个月的在线黑客松活动，探讨了Vibe Coding在不同技能水平编程教育中的教育价值，评估了AI生成代码对学习效果和项目质量的影响。

Comments 15 pages, 14 figures

Are Natural-Domain Foundation Models Effective for Accelerated Cardiac MRI Reconstruction?

自然域基础模型在加速心脏MRI重建中的有效性如何？

Anam Hashmi, Mayug Maniparambil, Julia Dietlmeier, Kathleen M. Curran, Noel E. O'Connor

机构 * Dublin City University（都柏林城市大学） ； University College Dublin（都柏林大学） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；pretraining(abstract)；分类 cs.LG

AI总结 本文探讨自然域基础模型在加速心脏MRI重建中的有效性，对比了与领域特定模型如BiomedCLIP的性能，并发现基础模型在跨领域场景中更具鲁棒性。

Comments Accepted to CVPRW 2026

A Nationwide Japanese Medical Claims Foundation Model: Balancing Model Scaling and Task-Specific Computational Efficiency

全国日本医疗索赔数据集的医疗基础模型：在模型扩展与任务特定计算效率之间平衡

Nanae Aratake, Taisei Tosaki, Yuji Okamoto, Eiichiro Uchino, Masaki Nakamura, Nobutomo Matsui, Akiko Hatakama, Yasushi Okuno

机构 * Graduate School of Medicine, Kyoto University（京都大学医学研究科） ； Medical Data Vision Co., Ltd.（医疗数据视觉株式会社） ； IQVIA Solutions Japan G.K.（IQVIA日本解决方案公司） ； DeSC Healthcare, Inc.（DeSC医疗公司） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；pretraining(abstract)；分类 cs.LG

AI总结 研究通过日本全国519家医院的索赔数据库，评估不同模型规模对结构化医疗数据下游任务性能的影响，发现任务特性决定最优模型规模，从而平衡预测性能与计算成本。

Comments 14 pages, 5 figures, 3 tables

When Cow Urine Cures Constipation on YouTube: Limits of LLMs in Detecting Culture-specific Health Misinformation

当牛尿治愈便秘时：LLMs在检测文化特定健康谣言中的局限性

Anamta Khan, Ratna Kandala, Deepti, Sheza Munir, Joyojeet Pal

机构 * University of Michigan（密歇根大学） ； University of Kansas（堪萨斯大学） ； IIT Jodhpur（印度理工学院乔浦尔） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 研究通过分析印度YouTube上的牛尿相关内容，揭示LLMs在处理文化特定健康谣言时的局限性，指出文化嵌入的谣言无法通过提示工程解决。

Comments To appear in the proceedings of the 2nd Workshop on Misinformation Detection in the Era of LLMs (MisD), The 20th International AAAI Conference on Web and Social Media (ICWSM) 2026

Rethinking Semantic Collaborative Integration: Why Alignment Is Not Enough

重新思考语义协作整合：为什么对齐不够

Maolin Wang, Dongze Wu, Jianing Zhou, Hongyu Chen, Beining Bao, Yu Jiang, Chenbin Zhang, Chang Wang, Jian Liu, Lei Sha

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；large language model(abstract)；language model(abstract)

AI总结 本文挑战了传统语义与协作表示对齐的假设，提出互补融合视角，强调共享与私有因素的区分，通过实验揭示语义与协作视图的低一致性及互补性，倡导以互补性为核心的推荐系统设计。

Comments Accepted by SIGIR 2026

CURA: Clinical Uncertainty Risk Alignment for Language Model-Based Risk Prediction

CURA：语言模型基于风险预测的临床不确定性风险对齐

Sizhe Wang, Ziqi Xu, Claire Najjuuko, Charles Alba, Chenyang Lu

机构 * Washington University in St. Louis（华盛顿大学圣路易斯分校） 纠错

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.CL

AI总结 CURA通过结合个体误差概率和群体模糊性，提升临床语言模型的风险预测不确定性校准，实验表明其能提高校准指标并减少过度自信的误判。

Comments Accepted at ACL 2026 Main Conference

ReLeVAnT: Relevance Lexical Vectors for Accurate Legal Text Classification

ReLeVAnT：用于准确法律文本分类的相关词向量

Ishaan Gakhar, Harsh Nandwani

机构 * Perssonify 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.CL、cs.AI

AI总结 本文提出ReLeVAnT框架，通过n-gram处理、对比分数匹配和浅层神经网络实现法律文档二分类，准确率达99.3%。

Comments 9 Pages, 2 figures

TabSCM: A practical Framework for Generating Realistic Tabular Data

TabSCM：生成真实表格数据的实用框架

Sven Jacob, Bardh Prenkaj, Weijia Shao, Gjergji Kasneci

机构 * Federal Institute for Occupational Safety and Health (BAuA)（联邦职业安全与健康研究所） ； School of Computation, Information and Technology, Technical University of Munich（计算、信息与技术学院，慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.LG

AI总结 TabSCM通过保留因果依赖生成真实表格数据，结合条件扩散模型和梯度提升树提高生成质量，同时在多个数据集上优于现有方法，提升解释性和因果鲁棒性。

Dynamically Acquiring Text Content to Enable the Classification of Lesser-known Entities for Real-world Tasks

动态获取文本内容以实现对较少见实体的分类以支持现实任务

Fahmida Alam, Ellen Riloff

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出通过动态获取实体描述文本，利用网络和大语言模型构建任务特定分类器，解决现实任务中对较少见实体分类的问题，实验在组织和医疗提供者分类任务中取得较高F1分数。

Read the Paper, Write the Code: Agentic Reproduction of Social-Science Results

读论文，写代码：社会科学结果的代理重生产

Benjamin Kohler, David Zollikofer, Johanna Einsiedler, Alexander Hoyle, Elliott Ash

机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Basel（巴塞尔大学） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 本文提出了一种代理重生产系统，通过提取论文中的方法描述，在不接触原始代码和数据的情况下复现社会科学结果，并通过误差溯源分析识别根本原因。

LARA: Validation-Driven Agentic Supercomputer Workflows for Atomistic Modeling

LARA：面向原子模拟的验证驱动代理超级计算机工作流

William Dawson, Louis Beal, Yoann Curé, Giuseppe Fisicaro, Dorian Rolland, Luigi Genovese

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)

AI总结 本文提出LARA-HPC框架，通过验证驱动方法提升原子模拟工作流的可靠性，结合控制执行层、干运行验证和多阶段代理流程，有效解决计算资源交互中的不一致性和物理配置问题。

Comments 12 pages, 2 figures

ASPIRE: Make Spectral Graph Collaborative Filtering Great Again via Adaptive Filter Learning

ASPIRE：通过自适应滤波学习使谱图协同过滤更强大

Yunhang He, Cong Xu, Zhangchi Zhu, Hongzhi Yin, Wei Zhang

专题命中 领域大模型 ：LLM(abstract)

AI总结 本文提出ASPIRE框架，通过双层优化解决传统推荐目标的偏差问题，提升图滤波学习效果和稳定性，实验表明其性能接近定制设计，并在大模型协同过滤中同样有效。

Are Video Models Emerging as Zero-Shot Learners and Reasoners in Medical Imaging?

视频模型是否在医学影像中成为零样本学习者和推理者？

Yuxiang Lai, Jike Zhong, Ming Li, Yuheng Li, Xiaofeng Yang

机构 * Department of Computer Science, Emory University（埃默里大学计算机科学系） ； Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Department of Computer Science, University of Maryland（马里兰大学计算机科学系） ； Department of Biomedical Engineering, Georgia Institute of Technology（佐治亚理工学院生物医学工程系） ； Department of Radiation Oncology and Winship Cancer Institute, Emory University（埃默里大学放射肿瘤学系和Winship癌症研究所） 纠错

专题命中 领域大模型 ：foundation model(abstract)

AI总结 本文探讨了自回归视频建模原理在医学影像任务中的零样本应用，发现大视觉模型在无需医学数据训练的情况下，能有效完成器官分割、去噪、超分辨率和运动预测等任务，尤其在放疗运动预测中表现出色。

Shaken or Stirred? An Analysis of MetaFormer's Token Mixing for Medical Imaging

摇摆或搅拌？对MetaFormer在医学影像中token混合的分析

Ron Keuth, Paul Kaftan, Mattias P. Heinrich

机构 * Institute of Medical Informatics, University of Lübeck（吕贝克大学医学信息学研究所） ； Institute of Medical Systems Biology, Ulm University（乌尔姆大学医学系统生物学研究所） 纠错

专题命中 领域大模型 ：pretraining(abstract)

AI总结 本文首次系统研究了MetaFormer在医学影像中的token混合方法，分析了不同混合器在图像分类和语义分割中的表现，发现低复杂度混合器在分类中有效，而卷积混合器在分割中表现更优。

Comments Code and data: https://github.com/multimodallearning/MetaFormerMedImaging/tree/clean_code