Northeastern University（东北大学）

MME-CoF-Pro: Evaluating Reasoning Coherence in Video Generative Models with Text and Visual Hints

MME-CoF-Pro：基于文本和视觉提示评估视频生成模型中的推理一致性

Yu Qi, Xinyi Xu, Ziyu Guo, Siyuan Ma, Renrui Zhang, Xinyan Chen, Ruichuan An, Ruofan Xing, Jiayi Zhang, Haojie Huang, Pheng-Ann Heng, Jonathan Tremblay, Lawson L. S. Wong

机构 * Northeastern University（东北大学） ； The Chinese University of Hong Kong（香港中文大学） ； Westlake University（西湖大学） ； ByteDance Seed（字节跳动种子） ； Peking University（北京大学） ； NVIDIA（英伟达） 纠错

AI总结 本文提出MME-CoF-Pro视频推理基准，评估视频模型的推理一致性，发现生成模型推理一致性弱，文本提示提升正确性但导致不一致，视觉提示在结构化任务中表现较好但难以处理细粒度感知。

Pitfalls in Evaluating Interpretability Agents

评估可解释性代理中的陷阱

Tal Haklay, Nikhil Prakash, Sana Pandey, Antonio Torralba, Aaron Mueller, Jacob Andreas, Tamar Rott Shaham, Yonatan Belinkov

机构 * Kempner Institute at Harvard University（哈佛大学 Kempner 机构） ； Northeastern University（东北大学） ； Boston University（波士顿大学） ； MIT（麻省理工学院） 纠错

AI总结 本文研究了自动化电路分析中可解释性代理的评估挑战，提出基于模型组件功能互换性的无监督内在评估方法，揭示了复制评估的局限性。

PoC: Performance-oriented Context Compression for Large Language Models via Performance Prediction

PoC：通过性能预测实现面向性能的上下文压缩

Runsong Zhao, Shilei Liu, Jiwei Tang, Langming Liu, Haibin Chen, Weidong Zhang, Yujin Yuan, Tong Xiao, Jingbo Zhu, Wenbo Su, Bo Zheng

机构 * Northeastern University, China（东北大学，中国） ； Tsinghua University（清华大学） ； Future Living Lab of Alibaba（阿里巴巴未来生活实验室） 纠错

AI总结 本文提出PoC方法，通过设定性能底线而非压缩比来优化大语言模型的上下文压缩，设计两种预测器并验证其在问答和摘要任务中的性能优势。

Retrieval-Augmented LLMs for Security Incident Analysis

增强检索的大型语言模型用于安全事件分析

Xavier Cadet, Aditya Vikram Singh, Harsh Mamania, Edward Koh, Alex Fitts, Dirk Van Bruggen, Simona Boboila, Peter Chin, Alina Oprea

机构 * Dartmouth College（达特茅斯学院） ； Northeastern University（东北大学） 纠错

AI总结 本文提出基于RAG的系统，通过针对性查询过滤和LLM语义推理分析安全事件，展示LLM在恶意软件和Active Directory攻击中的高召回率和精度，证明RAG架构在安全分析中的有效性。

Exploring Subnetwork Interactions in Heterogeneous Brain Network via Prior-Informed Graph Learning

通过先验知识引导的图学习探索异质脑网络中的子网络交互

Siyu Liu, Guangqi Wen, Peng Cao, Jinzhu Yang, Xiaoli Liu, Fei Wang, Osmar R. Zaiane

机构 * Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Key Laboratory of Intelligent Computing in Medical Image of Ministry of Education, Northeastern University（教育部医学图像智能计算重点实验室） ； College of Artificial Intelligence, Shandong Normal University（山东师范大学人工智能学院） ； National Frontiers Science Center for Industrial Intelligence and Systems Optimization（工业智能与系统优化国家级前沿科学中心） ； AiShiWeiLai AI Research（AiShiWeiLai人工智能研究） ； Early Intervention Unit, Department of Psychiatry, Affiliated Nanjing Brain Hospital, Nanjing Medical University（南京医科大学附属南京脑科医院精神科早期干预单元） ； Amii, University of Alberta（阿尔伯塔大学Amii） 纠错

AI总结 本文提出KD-Brain框架，通过注入语义先验和临床先验，改进子网络交互建模，提升精神疾病诊断性能并发现可解释生物标志物。

BrainSCL: Subtype-Guided Contrastive Learning for Brain Disorder Diagnosis

BrainSCL: 亚型引导的对比学习用于脑部疾病诊断

Xiaolong Li, Guiliang Guo, Guangqi Wen, Peng Cao, Jinzhu Yang, Honglin Wu, Xiaoli Liu, Fei Wang, Osmar R. Zaiane

机构 * Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院） ； School of Computer Science and Artificial Intelligence, Shandong Normal University, Jinan, China（山东师范大学计算机科学与人工智能学院） ； AiShiWeiLai AI Research, Beijing, China（艾世维来人工智能研究所） ； Early Intervention Unit, Department of Psychiatry, Affiliated Nanjing Brain Hospital, Nanjing Medical University, Nanjing, China（南京医科大学附属南京脑科医院早期干预科） ； Amii, University of Alberta, Edmonton, AB, Canada（阿尔伯塔大学Amii） 纠错

AI总结 本文提出一种亚型引导的对比学习框架，通过建模患者异质性为潜在亚型并将其作为结构先验，引导判别表示学习。在MDD、BD和ASD数据集上验证了该方法的有效性。

Prompt-based Adaptation in Large-scale Vision Models: A Survey

基于提示的大规模视觉模型适应：综述

Xi Xiao, Yunbei Zhang, Lin Zhao, Yiyang Liu, Xiaoying Liao, Zheda Mai, Xingjian Li, Xiao Wang, Hao Xu, Jihun Hamm, Xue Lin, Min Xu, Qifan Wang, Tianyang Wang, Cheng Han

机构 * University of Alabama at Birmingham, USA（美国阿拉巴马大学伯明翰分校） ； Tulane University, USA（美国路易斯安那大学） ； Northeastern University, USA（美国东北大学） ； University of Missouri-Kansas City, USA（美国密苏里大学堪萨斯城分校） ； Johns Hopkins University, USA（约翰霍普金斯大学） ； Ohio State University, USA（俄亥俄州立大学） ； Carnegie Mellon University, USA（卡内基梅隆大学） ； Oak Ridge National Laboratory, USA（橡树岭国家实验室） ； Harvard University, USA（哈佛大学） ； Mohamed bin Zayed University of Artificial Intelligence, UAE（阿联酋Mohamed bin Zayed人工智能大学） ； Meta AI, USA（Meta AI） 纠错

AI总结 本文综述了基于提示的视觉模型适应方法，探讨了VP和VPT的核心机制及在不同领域的应用，揭示了其在测试时适应和可信AI中的作用，并总结了当前基准和未来研究方向。

Comments Accepted by TMLR 2026