Johns Hopkins University（约翰斯·霍普金斯大学）

HumanLLM: Benchmarking and Improving LLM Anthropomorphism via Human Cognitive Patterns

HumanLLM：通过人类认知模式基准测试和改进LLM拟人化

Xintao Wang, Jian Yang, Weiyuan Li, Rui Xie, Jen-tse Huang, Jun Gao, Shuai Huang, Yueping Kang, Yuanli Gou, Hongwei Feng, Yanghua Xiao

机构 * Fudan University（复旦大学） ； Hello Group（Hello集团） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 HumanLLM通过构建244种心理模式和11359种场景，评估LLM拟人化的有效性，发现认知建模比单纯模拟行为更重要，其8B模型在参数更少的情况下优于Qwen3-32B。

Comments Accepted to ACL 2026 Main Conference

Topology-Driven Fusion of nnU-Net and MedNeXt for Accurate Brain Tumor Segmentation on Sub-Saharan Africa Dataset

拓扑驱动的nnU-Net与MedNeXt融合用于塞内加尔非洲数据集上的准确脑肿瘤分割

Prabin Bohara, Pralhad Kumar Shrestha, Arpan Rai, Usha Poudel Lamgade, Confidence Raymond, Dong Zhang, Aondona Lorumbu, Craig Jones, Mahesh Shakya, Bishesh Khanal, Pratibha Kulung

机构 * Institute of Engineering, Thapathali Campus, Nepal（尼泊尔工程学院，塔帕塔利校区） ； Gandaki College of Engineering and Science, Pokhara University, Pokhara, Nepal（加德基工程与科学学院，博克拉大学，博克拉，尼泊尔） ； Nepal Engineering College, Changunarayan-4, Bhaktapur, Nepal（尼泊尔工程学院，恰纳拉亚纳-4，巴赫塔普尔，尼泊尔） ； Madan Bhandari University of Science and Technology, Chitlang, Nepal（马丹·班达里科学与技术大学，奇塔朗，尼泊尔） ； Montreal Neurological Institute, McGill University, Montreal, QC, Canada（蒙特利尔神经研究所，麦吉尔大学，蒙特利尔，魁北克，加拿大） ； Department of Biomedical Engineering, McGill University（麦吉尔大学生物医学工程系） ； Medical Artificial Intelligence Laboratory (MAI Lab), Lagos, Nigeria（医学人工智能实验室（MAI实验室），拉各斯，尼日利亚） ； Department of Physics, Federal University of Technology, Minna, Nigeria（物理系，联邦技术大学，米纳，尼日利亚） ； Department of Computer Science, Johns Hopkins University（计算机科学系，约翰霍普金斯大学） ； Department of Radiology and Radiological Science, Johns Hopkins School of Medicine（放射学与放射科学系，约翰霍普金斯医学院） ； Nepal Applied Mathematics and Informatics Institute for Research (NAAMII), Nepal（尼泊尔应用数学与信息学研究所（NAAMII），尼泊尔） ； Institute of Engineering, Purbanchal Campus, Nepal（尼泊尔工程学院，普尔班恰尔校区） 纠错

AI总结 针对低收入国家脑肿瘤分割挑战，本文通过拓扑优化融合nnU-Net与MedNeXt模型，利用预训练数据提升分割精度，降低预测变形误差。

Learning Affine-Equivariant Proximal Operators

学习仿射不变的近operator

Oriel Savir, Zhenghan Fang, Jeremias Sulam

机构 * Mathematical Institute for Data Science, Johns Hopkins University（数据科学数学研究所，约翰霍普金斯大学） 纠错

AI总结 本文提出AE-LPNs，通过神经网络参数化学习精确的近operator，具备平移和缩放不变性，提升噪声和仿射变换下的鲁棒性。

Comments 9 pages, 4 figures, Accepted at ICASSP 2026

Frequency-Aware Flow Matching for High-Quality Image Generation

面向频率的流匹配用于高质量图像生成

Sucheng Ren, Qihang Yu, Ju He, Xiaohui Shen, Alan Yuille, Liang-Chieh Chen

机构 * Johns Hopkins University（约翰霍普金斯大学） ； ByteDance（字节跳动） 纠错

AI总结 本文提出FreqFlow，通过时间依赖的自适应加权将频率感知条件融入流匹配框架，以提升图像生成的全局结构和细节质量，在ImageNet-256上取得最佳FID成绩。

Comments Accepted by CVPR 2026

Joint Score-Threshold Optimization for Interpretable Risk Assessment

可解释风险评估中的联合分数阈值优化

Fardin Ganjkhanloo, Emmett Springer, Erik H. Hoyer, Daniel L. Young, Kimia Ghobadi

机构 * Center for Health Systems and Policy Modeling, Department of Health Policy and Management（健康系统与政策建模中心，健康政策与管理系） ； Malone Center for Engineering in Healthcare, Johns Hopkins University（医疗工程中心，约翰霍普金斯大学） ； Center for Systems Science and Engineering, Department of Civil and Systems Engineering（系统科学与工程中心，土木与系统工程系） ； Department of Physical Medicine and Rehabilitation, School of Medicine, Johns Hopkins University（康复医学系，医学学院，约翰霍普金斯大学） ； Johns Hopkins Hospital（约翰霍普金斯医院） ； Department of Physical Therapy, University of Nevada, Las Vegas（物理治疗系，内华达大学拉斯维加斯分校） 纠错

AI总结 本文提出一种混合整数规划框架，解决医疗风险评估中标签稀缺和分类成本不对称的问题，通过优化分数权重和阈值实现可解释性。

Curing Miracle Steps in LLM Mathematical Reasoning with Rubric Rewards

用评分奖励模型治愈大语言模型数学推理中的奇迹步骤

Youliang Yuan, Qiuyang Mang, Jingbang Chen, Hong Wan, Xiaoyuan Liu, Junjielong Xu, Jen-tse Huang, Wenxuan Wang, Wenxiang Jiao, Pinjia He

机构 * School of Data Science, The Chinese University of Hong Kong, Shenzhen, China（数据科学学院，香港中文大学（深圳）） ； UC Berkeley（加州大学伯克利分校） ； Zhejiang University（浙江大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Renmin University of China（中国人民大学） ； Xiaohongshu Inc.（小红书公司） 纠错

AI总结 本文通过评分奖励模型解决大语言模型数学推理中的奇迹步骤问题，通过系统分析和人类验证建立失败模式分类，提升推理准确性和可靠性。

Comments Accepted by ACL 2026 Main, 22 pages, 10 figures, 7 Tables