Northeastern University（东北大学）

Causal Diffusion Models for Counterfactual Outcome Distributions in Longitudinal Data

因果扩散模型用于纵向数据中的反事实结果分布

Farbod Alinezhad, Jianfei Cao, Gary J. Young, Brady Post

机构 * Department of Economics, Northeastern University（东北大学经济学系） ； Center for Health Policy and Healthcare Research, Northeastern University（东北大学健康政策与医疗研究中心） ； Department of Public Health and Health Sciences, Bouvé College of Health Sciences, Northeastern University（东北大学布维健康科学学院公共卫生与健康科学系） 纠错

AI总结 本文提出因果扩散模型，用于生成在连续干预下的反事实结果分布，通过新颖的残差去噪架构和关系自注意力机制，提升了复杂时间依赖性和多模态结果轨迹的捕捉能力，同时在高混杂环境下实现了更高的分布准确性。

Distorted or Fabricated? A Survey on Hallucination in Video LLMs

扭曲或伪造？视频大语言模型中幻觉的调查

Yiyang Huang, Yitian Zhang, Yizhou Wang, Mingyuan Zhang, Liang Shi, Huimin Zeng, Yun Fu

机构 * Department of Electrical and Computer Engineering, Northeastern University（东北大学电气与计算机工程系） ； Khoury College of Computer Science, Northeastern University（东北大学科赫里计算机科学学院） 纠错

AI总结 本文调查视频大语言模型中的幻觉问题，提出动态扭曲和内容伪造两大类，分析其成因并提出改进方向，如开发运动感知视觉编码器和整合反事实学习技术。

Comments ACL 2026 findings

Universal NER v2: Towards a Massively Multilingual Named Entity Recognition Benchmark

通用命名实体识别v2：迈向大规模多语言命名实体识别基准

Terra Blevins, Stephen Mayhew, Marek Šuppa, Hila Gonen, Shachar Mirkin, Vasile Pais, Kaja Dobrovoljc, Voula Giouli, Jun Kevin, Eugene Jang, Eungseo Kim, Jeongyeon Seo, Xenophon Gialis, Yuval Pinter

机构 * Northeastern University, USA（东北大学） ； Duolingo, USA（Duolingo） ； Comenius University Bratislava, Slovakia（布拉迪斯拉发康门尼大学） ； University of British Columbia, Canada（不列颠哥伦比亚大学） ； Alpinference, France（Alpinference） ； Research Institute for Artificial Intelligence, Romanian Academy, Romania（罗马尼亚科学院人工智能研究所） ； University of Ljubljana, Slovenia（卢布尔雅那大学） ； Aristotle University of Thessaloniki / ILSP, Athena Research Center, Greece（雅典纳基大学 / ILSP, 雅典研究中心） ； Universitas Pelita Harapan, Indonesia（佩利塔哈盼望大学） ； Seoul National University, South Korea（首尔国立大学） ； Independent Researcher, South Korea（韩国独立研究员） ； Democritus University of Thrace, Greece（特拉布宗大学） ； Ben-Gurion University of the Negev, Israel（贝尼·格里大学） 纠错

AI总结 本文提出Universal NER v2，旨在构建多语言命名实体识别基准数据集，通过通用标签集和详尽标注指南实现标准化跨语言标注，提升多语言NER评估的准确性与一致性。

Comments LREC 2026

GTPBD-MM: A Global Terraced Parcel and Boundary Dataset with Multi-Modality

GTPBD-MM：一种具有多模态的全球梯田地块和边界数据集

Zhiwei Zhang, Xingyuan Zeng, Xinkai Kong, Kunquan Zhang, Haoyuan Liang, Bohan Shi, Juepeng Zheng, Jianxi Huang, Yutong Lu, Haohuan Fu

机构 * Sun Yat-sen University（中山大学） ； Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院） ； China Agricultural University（中国农业大学） ； Southwest Jiaotong University（西南交通大学） ； Northeastern University（东北大学） ； National Supercomputing Center in Shenzhen（深圳国家超算中心） 纠错

AI总结 本文提出GTPBD-MM数据集，用于复杂梯田地块提取，结合高分辨率影像、文本描述和DEM数据，提出ETTerra模型，通过文本和地形信息提升提取精度。

Comments 15 pages, 11 figures. Submitted to ACM Multimedia 2026 Dataset Track

Latent patterns of urban mixing in mobility analysis across five global cities

城市混合的潜在模式：在五个全球城市中的移动分析

Z. Fan, B. P. Y. Loo, F. Duarte, C. Ratti, E. Moro

机构 * Department of Geography, The University of Hong Kong（香港大学地理系） ； Institute of Marine Sustainable Development, Liaoning Normal University（辽宁师范大学海洋可持续发展研究院） ； Senseable City Lab, Massachusetts Institute of Technology（麻省理工学院感知城市实验室） ； ABC Department, Politecnico di Milano（米兰理工大学ABC部门） ； Network Science Institute and Department of Physics, Northeastern University（东北大学网络科学研究院和物理系） ； Media Lab, Massachusetts Institute of Technology（麻省理工学院媒体实验室） 纠错

AI总结 研究通过大规模出行调查揭示五个全球城市中社会混合模式，发现 socioeconomic 状态和年龄对混合影响不同，构建了空间时间场所网络。

Comments Fan, Z., Loo, B.P.Y., Duarte, F., Ratti, C., & Moro, E. (2026). Latent patterns of urban mixing in mobility analysis across five global cities. Nature Cities, accepted

Temporal Flattening in LLM-Generated Text: Comparing Human and LLM Writing Trajectories

时间扁平化在LLM生成文本中的表现：比较人类与LLM写作轨迹

Zhanwei Cao, YeoJin Go, Yifan Hu, Shanu Sushmita

机构 * Northeastern University（东北大学） 纠错

AI总结 研究比较了人类和LLM在不同时间跨度内的写作轨迹，发现LLM生成文本存在时间扁平化现象，其词汇多样性更高但语义和认知情感变化更小，预测准确率高达94%。

Comments 25 pages, 6 figures. To appear in Findings of ACL 2026

GTCN-G: A Residual Graph-Temporal Fusion Network for Imbalanced Intrusion Detection

GTCN-G：一种用于不平衡入侵检测的残差图-时间融合网络

Tianxiang Xu, Zhichao Wen, Xinyu Zhao, Qi Hu, Yan Li, Chang Liu

机构 * Peking University（北京大学） ； RWTH Aachen University（亚琛工业大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Northeastern University（东北大学） ； Thales Group（泰雷兹集团） ； Chinese Medical Information and Big Data Association（中国医学信息与大数据协会） 纠错

AI总结 本文提出GTCN-G模型，结合图卷积网络和门控时间卷积网络，通过残差学习机制解决数据不平衡问题，实验表明在二分类和多分类任务中性能优越。

Comments This preprint was submitted to IEEE TrustCom 2025. The accepted version will be published under copyright 2025 IEEE