Northeastern University（东北大学）

Similarity-Aware Mixture-of-Experts for Data-Efficient Continual Learning

基于相似性感知的专家混合模型用于数据高效持续学习

Connor Mclaughlin, Nigel Lee, Lili Su

机构 * Northeastern University（东北大学） ； The Charles Stark Draper Laboratory, Inc.（查尔斯·斯塔克·德拉珀实验室） 纠错

AI总结 本文提出一种适应性混合专家框架，通过增量全局池化和实例级提示遮蔽，解决数据有限和任务重叠带来的持续学习挑战，提升样本效率。

Comments 9 pages

Caterpillar of Thoughts: The Optimal Test-Time Algorithm for Large Language Models

思维 caterpillar：大型语言模型的最优测试时间算法

Amir Azarmehr, Soheil Behnezhad, Alma Ghafari

机构 * Northeastern University（东北大学） 纠错

AI总结 本文提出Caterpillar of Thoughts算法，通过理论分析证明最优算法生成caterpillar树，从而减少生成次数并提升性能。

Synthetic or Authentic? Building Mental Patient Simulators from Longitudinal Evidence

合成还是真实？从纵向证据构建心理健康患者模拟器

Baihan Li, Bingrui Jin, Kunyao Lan, Ming Wang, Mengyue Wu

机构 * SJTU Paris Elite Institute of Technology（上海交通大学巴黎精英理工学院） ； X-LANCE Lab（X-LANCE实验室） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算机与信息系统学院） 纠错

AI总结 本文提出DEPROFILE框架，通过整合多源数据构建统一患者档案，提升对话真实性和行为多样性。

Data-Efficient and Robust Trajectory Generation through Pathlet Dictionary Learning

通过路径片段字典学习实现高效且鲁棒的轨迹生成

Yuanbo Tang, Yan Tang, Zixuan Zhang, Zihui Zhao, Yang Li

机构 * Tsinghua University International Campus Phase I（清华大学国际校区第一期） ； College of Software, Northeastern University（东北大学软件学院） 纠错

AI总结 本文提出基于路径片段表示的深度生成模型，通过学习轨迹片段字典提升轨迹生成的鲁棒性和可解释性，实验显示在噪声数据下效果优于基线模型，且在效率上具有显著优势。