SMT-Based Active Learning of Weighted Automata
基于SMT的加权自动机主动学习
机构 * University College London（伦敦大学学院） ； Cornell University（康奈尔大学）
AI总结 本文提出基于SMT的加权自动机主动学习算法，能生成最小自动机，实验表明其在有限和无限半环上均优于基线方法，且生成更小自动机。
Comments Appearing in CAV 2026
高校专区
Cornell University（康奈尔大学）
LLM hallucinations in the wild: Large-scale evidence from non-existent citations
在现实世界中大型语言模型的幻觉：来自不存在引用的大规模证据
机构 * Department of Information Science, Cornell University（信息科学系，康奈尔大学） ； Department of Sociology, University of California Los Angeles（社会学系，加州大学洛杉矶分校） ； Department of Computer Science and Technology, Tsinghua University（计算机科学与技术系，清华大学） ； Haas School of Business, University of California Berkeley（哈斯商学院，加州大学伯克利分校）
AI总结 研究通过验证引用数据揭示LLM生成虚假引用的问题，发现2025年存在146932个虚假引用，且在AI应用快速发展的领域和语言特征显示AI辅助写作的论文中尤为严重，影响科学认可的公平性。
RNE: plug-and-play diffusion inference-time control and energy-based training
RNE: 可插拔的扩散推理时间控制与基于能量的训练
机构 * University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics
AI总结 本文提出RNE，通过路径分布密度比的概念，建立了边际密度与转移核之间的联系，统一了扩散密度估计、推理时间控制和基于能量的扩散训练。实验显示RNE在推理时间控制和训练能量扩散模型方面表现优异。
Comments Accepted at ICLR 2026
CLIPer: Tailoring Diverse User Preference via Classifier-Guided Inference-Time Personalization
CLIPer：通过分类器引导的推理时个性化实现多样化用户偏好
机构 * Cornell University（康奈尔大学）
AI总结 CLIPer通过分类器引导在推理时个性化，实现多样化用户偏好，无需大量微调，具有高效可控的个性化能力。
When Symbol Names Should Not Matter: A Logistic Theory of Fresh-Symbol Classification
符号名称不应起作用：一种逻辑理论的鲜符号分类
机构 * Department of Statistics and Data Science, Cornell University, Ithaca, NY 14850（统计与数据科学系，康奈尔大学，纽约州伊萨卡市，14850）
AI总结 本文研究了固定标签分类问题，探讨了模型如何在符号重命名不变的情况下学习决策规则，通过分析正则化核逻辑分类，提出了鲜符号分类的理论框架。
Solving Max-Cut to Global Optimality via Feasibility-Preserving Graph Neural Networks
通过可行性保持图神经网络求解最大割问题的全局最优解
机构 * Davidson School of Chemical Engineering, Purdue University（普渡大学化学工程大卫逊学院） ； Faculty of Computer Science, RWTH Aachen University（亚琛工业大学计算机科学学院） ； Jacobs Technion-Cornell Institute, Cornell Tech（技术学院-康奈尔研究所）
AI总结 本文提出一种专门用于最大割问题的图神经网络，作为轻量级的SDP求解器替代品，能有效降低精确求解最大割问题的计算成本。
Beyond Single Ground Truth: Reference Monism as Epistemic Injustice in ASR Evaluation
超越单一真实参考：参考一元论在语音识别评估中的知识不正义
机构 * Department of Information Science, Cornell University（康奈尔大学信息科学系） ； Department of Computer Science, Texas A&M University（德克萨斯农工大学计算机科学系） ； Rev AI ； Tundra Technical Solutions（Tundra技术解决方案） ； Division of Liberal Studies, Kangwon National University（康sworth国立大学文科系）
AI总结 本文探讨语音识别评估中单一参考标准的不公正性，提出通过不同注释惯例衡量ASR性能，并引入Epistemic Injustice Distance来量化其影响。
Integrating Causal DAGs in Deep RL: Activating Minimal Markovian States with Multi-Order Exposure
在深度强化学习中整合因果DAG：通过多阶暴露激活最小马尔可夫状态
机构 * Cornell Tech（康奈尔科技）
AI总结 本文研究了如何在深度强化学习中构建满足马尔可夫性质的MDP状态，提出MOSE方法通过多阶历史状态提升性能，证明了最小充分性不足，需引入受控冗余以利用因果状态信息。
PLOT: Progressive Localization via Optimal Transport in Neural Causal Abstraction
PLOT：通过最优传输进行神经因果抽象的渐进定位
机构 * Cornell University（康奈尔大学）
AI总结 PLOT通过最优传输框架实现因果变量的定位，能够在不同复杂度的实验中高效定位因果抽象，提升因果解释的效率和准确性。
MELD: Multi-Task Equilibrated Learning Detector for AI-Generated Text
MELD：多任务平衡学习检测器用于AI生成文本
机构 * Cornell University（康奈尔大学） ； Weill Cornell Medicine（韦尔医学院） ； Cornell Tech（康奈尔科技）
AI总结 MELD通过多任务学习提升AI生成文本检测的鲁棒性与泛化能力，结合生成器、攻击类型和源域头，平衡损失函数以提高检测精度和低误报率。
Comments 17 pages, 6 figures
Better Protein Function Prediction by Modeling Survivorship Bias
通过建模幸存者偏差更好地预测蛋白质功能
机构 * Smith School of Chemical and Biomolecular Engineering, Cornell University, USA（卡内基梅隆大学斯密斯化学与生物分子工程学院，美国）
AI总结 本文提出Evo-PU框架，利用突变知识建模幸存者偏差，提升单物种序列数据的功能预测性能，优于传统PU学习、OCC和PLMs。
Comments 29 pages, 12 figures, 3 tables
Latent-Space Causal Discovery from Indirect Neuroimaging Observations
从间接神经影像观测中发现潜在空间因果关系
机构 * Interdisciplinary Program in Artificial Intelligence（人工智能交叉学科项目） ； Seoul National University（首尔国立大学） ； Computer Science（计算机科学） ； Cornell Tech, Cornell University（康奈尔科技，康奈尔大学） ； Brookhaven National Laboratory（布鲁克海文国家实验室） ； Department of Psychology（心理学系）
AI总结 本文提出INCAMA方法，通过物理感知逆向与延迟感知Mamba编码器，提升从间接神经影像中恢复因果结构的性能，实验显示在TVB模拟和HCP任务fMRI中表现更优。
Comments 9 pages, 2 figures
Evaluating Large Language Models in Scientific Discovery
评估大型语言模型在科学发现中的表现
机构 * Deep Principle（深原则） ； Department of Computer Science, Cornell University（计算机科学系，康奈尔大学） ； Department of Computer Science and Engineering, The Ohio State University（计算机科学与工程系，俄亥俄州立大学） ； Department of Chemical Engineering & Applied Chemistry, University of Toronto（化学工程与应用化学系，多伦多大学） ； Department of Computer Science and Engineering, University of Notre Dame（计算机科学与工程系，圣母大学） ； QuEra Computing Inc.（QuEra计算公司） ； Department of Pathology, Department of Genetics, Cancer Biology Program, Stanford University School of Medicine（病理学系、遗传学系、癌症生物学项目，斯坦福大学医学院） ； Harvard Law School（哈佛法学院） ； Department of Computer Science, Tufts University（计算机科学系，塔夫茨大学） ； School of Computational Science and Engineering, Georgia Institute of Technology（计算科学与工程学院，佐治亚理工学院） ； Department of Computer Science, University of California, Los Angeles（计算机科学系，加州大学洛杉矶分校） ； Department of Computer Science, Virginia Tech（计算机科学系，弗吉尼亚理工大学） ； Department of Physics, Tsinghua University（物理系，清华大学） ； Institute for Advanced Study, Tsinghua University（清华大学高级研究所） ； Laboratory of Artificial Chemical Intelligence, Ecole Polytechnique Federale de Lausanne（人工化学智能实验室，瑞士联邦理工学院）
AI总结 本文提出一个基于场景的基准测试，评估LLM在生物学、化学、材料科学和物理学中的科学发现能力，揭示了模型在科学发现任务中的性能差距和改进方向。
Neural CDEs as Correctors for Learned Time Series Models
神经CDEs作为已学习时间序列模型的校正器
机构 * Department of Mechanical Engineering（机械工程系） ； Iowa State University（爱荷华州立大学） ； Sibley School of Mechanical and Aerospace Engineering（机械与航空航天工程学院） ； Cornell University（康奈尔大学）
AI总结 本文提出了一种预测-校正框架，利用神经控制微分方程校正时间序列预测误差，通过正则化策略提升性能并保证稳定性，实验显示其在多种预测器上均能提升预报效果。
Benchmarking World-Model Learning with Environment-Level Queries
用环境级查询评估世界模型学习
机构 * Basis Research Institute ； DFKI GmbH ； Harvard University ； Universit\'e de Montr\'eal \& Mila - Quebec AI Institute ； University of Cambridge ； Massachusetts Institute of Technology ； Cornell University
AI总结 本文提出WorldTest协议，通过环境级查询评估智能体是否学习到支持多种环境属性的模型，通过AutumnBench验证人类在网格世界环境中的表现优于前沿模型。
Comments 34 pages, 10 figures
Inverse Reinforcement Learning with Just Classification and a Few Regressions
逆强化学习与仅分类及少量回归
机构 * Department of Statistics, University of Washington（华盛顿大学统计系） ； Netflix（网飞） ； Cornell University（康奈尔大学）
AI总结 本文提出GenPQR方法，通过模块化分类和回归技术，实现逆强化学习中的奖励恢复，无需依赖锚点动作限制或专用神经网络架构，理论支持更广泛的状态wise线性归一化。
A Computer Vision Pipeline for Individual-Level Behavior Analysis: Benchmarking on the Edinburgh Pig Dataset
用于个体层面行为分析的计算机视觉流水线：在爱丁堡猪数据集上的基准测试
机构 * Department of Animal Science, College of Agriculture and Life Sciences, Cornell University（动物科学系，农业与生命科学学院，康奈尔大学） ； University of Liège, Gembloux Agro-Bio Tech (ULìege-GxABT)（列日大学，吉尔伯特农业生物技术（ULiège-GxABT））
AI总结 本文提出了一种模块化流水线，利用先进的计算机视觉技术自动化群体饲养环境中的动物行为分析，通过爱丁堡猪数据集验证，实现了94.2%的总体准确率，优于现有方法。
Comments 9 figures
