University of Maryland, College Park（马里兰大学帕克分校）

Deep Multimodal Fusion Detection through Spatial Mask and Channel Fusion

基于空间掩码与通道融合的深度多模态融合检测

Guandi Wang, Ming Li, Yunsen Xing, Junle Liu

机构 * KTH Royal Institute of Technology（KTH皇家理工学院） ； University of Maryland, College Park（马里兰大学帕克分校） 纠错

AI总结 本文针对现有多模态融合检测的过拟合问题，提出Attention-Driven Complementarity Resampling框架，通过语义掩码交换与可学习通道竞争实现跨模态目标检测的性能提升，在多数据集上取得了有竞争力的结果。

Can LLMs Understand the Impact of Trauma? Costs and Benefits of LLMs Coding the Interviews of Firearm Violence Survivors

大型语言模型能理解创伤的影响吗？对枪支暴力幸存者访谈的LLM编码的成本与收益

Jessica H. Zhu, Shayla Stringfield, Vahe Zaprosyan, Michael Wagner, Michel Cukier, Joseph B. Richardson

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 本文研究了使用LLM对枪支暴力幸存者访谈进行主题编码的可行性，发现尽管某些配置能识别重要代码，但整体相关性低且易受数据处理影响，同时指出LLM的限制和伦理挑战。

Comments Accepted to Findings of the Association for Computational Linguistics (2026)

Journal ref Findings of the Association for Computational Linguistics (2026)

StoryScope: Investigating idiosyncrasies in AI fiction

StoryScope：探究人工智能小说中的个体差异

Jenna Russell, Rishanth Rajendhran, Chau Minh Pham, Mohit Iyyer, John Wieting

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 本文提出StoryScope方法，通过分析叙事层面的特征区分AI和人类生成的故事，发现AI故事在主题解释和情节结构上更单一，而人类故事更具道德模糊性和时间复杂性。

TS-Reasoner: Aligning Time Series Foundation Models with LLM Reasoning

TS-Reasoner：将时间序列基础模型与大语言模型推理能力对齐

Fangxu Yu, Hongyu Zhao, Tianyi Zhou

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 TS-Reasoner通过两阶段训练将时间序列基础模型与大语言模型对齐，在多个基准上性能优于同类模型且数据效率更高，解决了时间序列模型推理能力不足的问题。

Comments Accepted to Transactions on Machine Learning Research, 2026