Northeastern University（东北大学）

Open-Set Supervised 3D Anomaly Detection: An Industrial Dataset and a Generalisable Framework for Unknown Defects

开集监督三维异常检测：一个工业数据集和一个通用框架用于未知缺陷

Hanzhe Liang, Luocheng Zhang, Junyang Xia, HanLiang Zhou, Bingyang Guo, Yingxi Xie, Can Gao, Ruiyun Yu, Jinbao Wang, Pan Li

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； School of Computer Science, Hangzhou Dianzi University（杭州电子科技大学计算机学院） ； Software College, Northeastern University（东北大学软件学院） ； Shenzhen Audencia Financial Technology Institute（深圳南特金融科技学院） ； College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院） ； School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院） ； Zhejiang Institute of Artificial Intelligence（浙江省人工智能研究所） ； Northeastern University（东北大学） 纠错

AI总结 本文提出Open3D-AD框架，利用正常样本、模拟异常和部分观察的真实异常，通过对应分布采样减少正常与非正常分布重叠，提升开集监督三维异常检测性能。

Comments Resources: https://github.com/hzzzzzhappy/open-industry

TR-ICRL: Test-Time Rethinking for In-Context Reinforcement Learning

TR-ICRL：基于上下文的强化学习中的测试时重新思考

Wenxuan Jiang, Yuxin Zuo, Zijian Zhang, Xuecheng Wu, Zining Fan, Wenxuan Liu, Li Chen, Xiaoyu Li, Xuezhi Cao, Xiaolong Jin, Ninghao Liu

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Meituan（美团） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Xi’an Jiaotong University（西安交通大学） ； East China Normal University（华东师范大学） ； Northeastern University（东北大学） 纠错

AI总结 TR-ICRL通过在推理过程中重新思考来解决ICRL中的奖励估计问题，通过伪标签生成反馈，提升模型在推理和知识密集型任务中的性能。

Comments 14 pages, 7 figures

Replacing Multi-Step Assembly of Data Preparation Pipelines with One-Step LLM Pipeline Generation for Table QA

用单步LLM管道生成替代数据准备流水线的多步组装

Fengyu Li, Junhao Zhu, Kaishi Song, Lu Chen, Zhongming Yao, Tianyi Li, Christian S. Jensen

机构 * Zhejiang University（浙江大学） ； Northeastern University（东北大学） ； Aalborg University（奥尔堡大学） 纠错

AI总结 本文提出Operation-R1框架，通过强化学习训练轻量LLM生成高质量表格问答数据准备流水线，实现单步推理，提升准确率并降低计算成本。

AgentExpt: Automating AI Experiment Design with LLM-based Resource Retrieval Agent

AgentExpt: 基于LLM的资源检索代理自动化AI实验设计

Yu Li, Lehui Li, Lin Chen, Qingmin Liao, Fengli Xu, Yong Li

机构 * Tsinghua University（清华大学） ； Shandong University（山东大学） ； Northeastern University（东北大学） 纠错

AI总结 本文提出基于LLM的资源检索代理框架，通过自动化数据收集和集体感知增强检索，提升实验设计的自动化和可解释性，实验结果显示在Recall@20和HitRate@5上分别提升5.85%和8.30%。

Comments 10 pages

Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG

代理检索增强生成：关于代理RAG的综述

Aditi Singh, Abul Ehtesham, Saket Kumar, Tala Talaei Khoei, Athanasios V. Vasilakos

机构 * Cleveland State University（克利夫兰州立大学） ； Kent State University（肯特州立大学） ； Northeastern University（东北大学） ； Roux Institute at Northeastern University（东北大学鲁克斯研究所） ； University of Agder (UiA)（阿格德尔大学） 纠错

AI总结 本文综述了代理RAG系统，分析了其架构分类、设计权衡及应用，指出其在灵活性、可扩展性和上下文感知方面的优势，并探讨了未来研究方向。

VMAD: Visual-enhanced Multimodal Large Language Model for Zero-Shot Anomaly Detection

VMAD：视觉增强的多模态大语言模型用于零样本异常检测

Huilin Deng, Hongchen Luo, Wei Zhai, Yang Cao, Yu Kang

机构 * University of Science and Technology of China（中国科学技术大学） ； Northeastern University（东北大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院） 纠错

AI总结 VMAD通过结合视觉信息与多模态大语言模型，提升零样本异常检测的精度与分析能力，提出缺陷敏感结构学习和局部增强令牌压缩等方法，结合RIAD数据集验证了其有效性。