语言大模型 / LLM

Text-Attributed Knowledge Graph Enrichment with Large Language Models for Medical Concept Representation

基于大语言模型的文本属性知识图谱增强用于医学概念表示

Mohsen Nayebi Kerdabadi, Arya Hadizadeh Moghaddam, Chen Chen, Dongjie Wang, Zijun Yao

机构 * University of Kansas, USA（堪萨斯大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(summary_cn,abstract)；large language model(title)；language model(title)；prompting(abstract)

AI总结 本文提出MedCo框架，通过结合统计关联和LLM提示构建医学知识图谱，并利用LLM生成节点描述和边解释，最终融合文本语义与图结构生成统一的概念嵌入，提升临床预测性能。

Comments This paper has been accepted at ACL 2026 main conference

Latent Trajectory Dynamics in Large Language Models: A Manifold Evolution Framework with Empirical Validation

大语言模型中的潜在轨迹动力学：一种具有实证验证的流形演化框架

Yukun Zhang, Qi Dong, Mengkang Li

机构 * The Chinese University Of Hongkong（香港中文大学） ； Fudan University（复旦大学） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)；分类 cs.CL、cs.AI

AI总结 本文提出DMET框架，通过轨迹几何指标分析大语言模型生成过程中的潜在表示演化，实验证明其能有效预测文本质量并提升生成控制。

LLM Ghostbusters: Surgical Hallucination Suppression via Adaptive Unlearning

LLM Ghostbusters: 通过自适应反学习实现精准幻觉抑制

Joseph Spracklen, Pedram Aghazadeh, Farinaz Koushanfar, Murtuza Jadliwala

机构 * University of Texas San Antonio（德克萨斯大学圣安东尼奥分校） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出自适应反学习框架，通过混合token级目标和自适应发现循环，有效抑制LLM幻觉，减少81%的包幻觉率，同时保持编码基准性能，验证其对特定分布的针对性效果。

Specification-Driven Code Translation Powered by Large Language Models: How Far Are We?

基于大型语言模型的规范驱动代码翻译：我们距离目标还有多远？

Soumit Kanti Saha, Fazle Rabbi, Song Wang, Jinqiu Yang

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)

AI总结 本文探讨了利用自然语言规范作为中间表示进行代码翻译的效果，通过多数据集和语言对实验发现，结合源代码可提升特定语言对的翻译质量，但整体效果不一致。

Neuro-Symbolic Agents for Hallucination-Free Requirements Reuse

神经符号代理用于无幻觉要求重用

Ahmed Ibrahim

机构 * Western University（西部大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出神经符号多代理系统，通过模型驱动 elicitation 过程实现无幻觉的要求重用，结合 LLM 和符号验证器确保结构有效性，实验显示 100% 覆盖率和 0.2% 违规率。

Automated Interpretability and Feature Discovery in Language Models with Agents

在语言模型中通过代理实现自动化可解释性和特征发现

Arnau Marin-Llobet, Javier Ferrando

机构 * Harvard University（哈佛大学） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；large language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出一个自主多代理框架，用于自动化大型语言模型的内部特征发现与解释，通过两个耦合循环提升解释精度和可验证性。

CUE: Concept-Aware Multi-Label Expansion to Mitigate Concept Confusion in Long-Tailed Learning

CUE: 基于概念的多标签扩展以缓解长尾学习中的概念混淆

Ruichi Zhang, Chikai Shang, Jiacheng Yang, Mengke Li, Yang Zhou, Junlong Gao, Yang Lu

机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University, China（中国教育部多媒体可信感知与高效计算重点实验室，厦门大学，中国） ； College of Computer Science and Software Engineering, Shenzhen University, China（深圳大学计算机科学与软件工程学院，中国） ； Institute of High Performance Computing, A*STAR, Singapore（新加坡A*STAR高性能计算研究所） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract,abstract_cn)；foundation model(abstract)

AI总结 本文提出CUE，通过引入多标签概念信号缓解长尾分布下类别间关系的破坏，实验表明其在多个长尾基准上表现优异。

Comments 10 pages. Accepted by CVPR 2026

Agentopic: A Generative AI Agent Workflow for Explainable Topic Modeling

Agentopic：一种用于可解释主题建模的生成式AI代理工作流

Brice Valentin Kok-Shun, Johnny Chan, Gabrielle Peko, David Sundaram

机构 * The University of Auckland, New Zealand（奥克兰大学，新西兰） 纠错

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 Agentopic通过多代理协作实现主题识别与解释，提升可解释性与准确性，其在BBC数据集上达到0.95的F1分数，优于LDA并接近BERTopic。

Comments 16 pages, 2 figures

Constructing Interpretable Features from Compositional Neuron Groups

从组合神经元组中构建可解释特征

Or Shafran, Atticus Geiger, Mor Geva

机构 * Blavatnik School of Computer Science and AI, Tel Aviv University（特拉维夫大学Blavatnik计算机科学与人工智能学院） 纠错

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.LG

AI总结 本文提出SNMF方法，通过半非负矩阵分解直接分解MLP激活，生成稀疏线性组合的可解释特征，并在多个模型上验证其在因果操控中的优越性。

Comments Accepted at ACL 2026 main conference

Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning

生理感知的跨模态掩码重建用于生物信号表示学习

Hao Zhou, Simon A. Lee, Cyrus Tanade, Keum San Chun, Juhyeon Lee, Migyeong Gwak, Megha Thukral, Justin Sung, Eugene Hwang, Mehrab Bin Morshed, Li Zhu, Viswam Nathan, Md Mahbubur Rahman, Subramaniam Venkatraman, Sharanya Arcot Desai

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Samsung Research America（三星美国研究院） 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出xMAE框架，通过跨模态掩码重建捕捉生物信号的时序关系，提升表示学习效果，在15/19下游任务中优于基线模型。

Comments Proceedings of the 43rd International Conference on Machine Learning

Semantic Context-aware mOdality fUsion Transformer (SCOUT): A Context-Aware Multimodal Transformer for Concept-Grounded Pathology Report Generation

语义上下文感知的多模态融合变换器（SCOUT）：一种基于概念的多模态变换器，用于病理报告生成

Suryakant Singh, Saarthak Kapse, Joel Saltz, Prateek Prasanna

机构 * Stony Brook University（石桥大学） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)；分类 cs.AI

AI总结 SCOUT通过整合局部组织学模式、整张滑片上下文和专家编纂的语义描述符，实现病理报告生成的语义上下文感知，提升临床相关性和可解释性。