Georgia Institute of Technology（佐治亚理工学院）

CAARL: In-Context Learning for Interpretable Co-Evolving Time Series Forecasting

CAARL：基于上下文的学习用于可解释的共演时间序列预测

Etienne Tajeuna, Patrick Asante Owusu, Armelle Brun, Shengrui Wang

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Anonymous University（匿名大学） 纠错

AI总结 本文提出CAARL方法，通过分解时间序列为自回归段并构建时序依赖图，利用LLM处理生成可解释的预测路径，实验证明其在真实数据集上的有效性。

Comments Double-columned, 8 pages, 4 figures

Polysemantic Experts, Monosemantic Paths: Routing as Control in MoEs

语义专家，单一语义路径：在混合专家模型中路由作为控制

Charles Ye, Bo Yuan, Lee Sharkey

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出一种无参数分解方法，将MoE模型的隐藏状态分为控制信号和内容通道，发现专家路径变得单一语义，而控制信号在层间旋转，从而实现组合专业化。

LiveFact: A Dynamic, Time-Aware Benchmark for LLM-Driven Fake News Detection

LiveFact：一种动态、时间感知的LLM驱动虚假新闻检测基准

Cheng Xu, Changhong Jin, Yingjie Niu, Nan Yan, Yuke Mei, Shuhao Guan, Liming Chen, M-Tahar Kechadi

机构 * University College Dublin（都柏林大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Dalian University of Technology（大连理工大学） ； Bebxy（贝比） 纠错

AI总结 LiveFact引入动态时间感知基准，评估模型在处理演进不完整信息时的推理能力，发现传统静态基准无法检测的推理差距。

Comments ACL 2026 Main; Homepage at https://livefact.bebxy.com/

GeoRC: A Benchmark for Geolocation Reasoning Chains

GeoRC：地理定位推理链基准测试

Mohit Talreja, Joshua Diao, Jim Thannikary James, Radu Casapu, Tejas Santanam, Ethan Mendes, Alan Ritter, Wei Xu, James Hays

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出GeoRC基准，通过Champion级GeoGuessr专家生成的800条真实推理链，评估VLM生成推理链的准确性，发现大模型在生成可审计推理链上仍逊于人类专家，而小型模型表现更差。

Comments Accepted to ACL 2026

Enabling AI ASICs for Zero Knowledge Proof

使零知识证明具备AI专用集成电路

Jianming Tong, Jingtian Dang, Simon Langowski, Tianhao Huang, Asra Ali, Jeremy Kun, Jevin Jiang, Srinivas Devadas, Tushar Krishna

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Google（谷歌） 纠错

AI总结 MORPH框架通过重新设计零知识证明内核，利用AI专用集成电路的矩阵吞吐量和能效，提升NTT和MSM的性能，实现10倍的吞吐量提升。

Comments Design Automation Conference 2026

Modeling Higher-Order Brain Interactions via a Multi-View Information Bottleneck Framework for fMRI-based Psychiatric Diagnosis

通过多视图信息瓶颈框架建模高阶脑相互作用用于基于fMRI的精神疾病诊断

Kunyu Zhang, Qiang Li, Vince D. Calhoun, Shujian Yu

机构 * Department of Computer Science, Vrije Universiteit Amsterdam（范德比大学计算机科学系） ； Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS)（神经影像与数据科学转化研究中心） ； Georgia State University（佐治亚州立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学） ； Department of Physics and Technology, UiT - The Arctic University of Norway（北挪威大学物理与技术系） 纠错

AI总结 本文提出O信息度量，用于建模高阶脑相互作用，结合三阶和四阶O信息，通过多视图信息瓶颈框架提升fMRI精神疾病诊断性能，实验表明优于11种基线方法，揭示可解释的区域协同-冗余模式。

Real-Time Cellist Postural Evaluation With On-Device Computer Vision

实时小提琴演奏者姿势评估与设备计算机视觉

Paolo Wang, Michael Zhang, Shrinand Perumal, Ekaterina Tszyao, Luke Choi, Kexin Sha, Felix Lu, Paige Lorenz, Jackson P. Shields, Sivamurugan Velmurugan, Joshua Kamphuis, William P. Jiang, Gurtej Bagga, Trevor Ju, Raymond Otis Kwon, Kristen Yeon-Ji Yun, Yung-Hsiang Lu

机构 * Purdue University（普渡大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Michigan（密歇根大学） ； Seoul International School（首尔国际学校） 纠错

AI总结 本文提出Cello Evaluator，通过设备端计算机视觉实现小提琴演奏者实时姿势评估，使用户能获得持续反馈，减少练习中的姿势问题。

Privatar: Scalable Privacy-preserving Multi-user VR via Secure Offloading

Privatar: 通过安全卸载实现可扩展的隐私保护多用户VR

Jianming Tong, Hanshen Xiao, Krishna Kumar Nair, Hao Kang, Ashish Sirasao, Ziqi Zhang, G. Edward Suh, Tushar Krishna

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Google（谷歌） ； Purdue University/NVIDIA（普渡大学/NVIDIA） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； AMD 纠错

AI总结 Privatar通过安全卸载实现多用户VR的可扩展隐私保护，利用领域知识在本地设备保留高能量频率组件，减少信息泄露，同时采用分布感知最小扰动技术提升隐私保障与效用。

Comments Proceedings of the 7th Machine Learning and System Conference (MLSys)

When Visuals Aren't the Problem: Evaluating Vision-Language Models on Misleading Data Visualizations

当视觉不是问题：在误导性数据可视化上评估视觉-语言模型

Harsh Nishant Lalai, Raj Sanjay Shah, Hanspeter Pfister, Sashank Varma, Grace Guo

机构 * Birla Institute of Technology and Science, Pilani（巴尔·印度理工学院和科学学院，皮拉尼） ； Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学） 纠错

AI总结 本文评估视觉-语言模型在识别误导性数据可视化中的能力，发现模型在检测可视化设计错误上更可靠，但常误判非误导性可视化。

Faithfulness vs. Safety: Evaluating LLM Behavior Under Counterfactual Medical Evidence

忠实性与安全性：在反事实医学证据下评估LLM行为

Kaijie Mo, Siddhartha Venkatayogi, Chantal Shaib, Ramez Kouzy, Wei Xu, Byron C. Wallace, Junyi Jessy Li

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Northeastern University（东北大学） ； MD Anderson Cancer Center（MD安德森癌症中心） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文研究了在反事实医学证据下LLM的行为，构建了MedCounterFact数据集，发现模型在面对危险或不合理证据时仍提供自信回答，表明模型可能过度强调忠实性而忽视安全性。

Comments Accepted to Findings of ACL 2026

Sparse Feature Coactivation Reveals Causal Semantic Modules in Large Language Models

稀疏特征共激活揭示大语言模型中的因果语义模块

Ruixuan Deng, Xiaoyang Hu, Miles Gilberti, Shane Storks, Aman Taxali, Mike Angstadt, Chandra Sripada, Joyce Chai

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Brown University（布朗大学） ； University of Michigan（密歇根大学） 纠错

AI总结 通过稀疏自编码器特征的共激活，研究发现大语言模型中存在语义连贯且上下文一致的网络组件，揭示了模型的模块化结构及高效操控方法。

Comments ACL 2026

Annotation Entropy Predicts Per-Example Learning Dynamics in LoRA Fine-Tuning

标注熵预测LoRA微调中的每例学习动态

Brady Steele

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 研究发现标注熵与LoRA微调中每例损失曲线面积存在正相关，解码器模型相关性更强，且在控制后仍显著。

Comments 12 pages, 9 figures, 6 tables

ID-PaS+ : Identity-Aware Predict-and-Search for General Mixed-Integer Linear Programs

ID-PaS+ : 基于身份的预测与搜索用于通用混合整数线性规划

Junyang Cai, El Mehdi Er Raqabi, Pascal Van Hentenryck, Bistra Dilkina

机构 * University of Southern California（南加州大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出ID-PAS+框架，通过身份感知学习方法提升混合整数线性规划求解性能，实验证明其优于Gurobi和传统PAS方法。