高校专区
LexRel：中国民事案件法律关系抽取基准测试
机构 * Tsinghua University（清华大学） ； Peking University（北京大学） ； University of Glasgow（格拉斯哥大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； Northeastern University（东北大学）
AI总结 本文提出LexRel基准，用于评估法律关系抽取任务，揭示当前大语言模型在识别民事法律关系上的不足，并展示显式整合法律关系信息对下游法律AI任务的积极影响。
Comments Accepted to ACL 2026 (main conference). 17 pages, 7 figures
集成深度学习模型在ICU早期脑膜炎检测中的应用：多中心研究
机构 * Khoury College of Computer Science, The Roux Institute, Northeastern University（科里学院计算机科学系、罗克斯研究所、东北大学） ； The Roux Institute, Department of Bioengineering, College of Engineering, Northeastern University（罗克斯研究所、生物工程系、工程学院、东北大学） ； Computer Science Department, College of Science, Purdue University（计算机科学系、科学学院、普渡大学）
AI总结 本文提出基于随机森林、LightGBM和DNN的集成模型，用于ICU脑膜炎早期检测，尽管在外部数据集表现略低，但其高NPV和稳健的灵敏度表明其在实际应用中的潜力。
我们是否在使用正确的基准：视觉令牌压缩方法的评估框架
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Shanghai Jiao Tong University（上海交通大学） ； Northeastern University（东北大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； The Hong Kong University of Science and Technology（香港科技大学） ； MBZUAI
AI总结 本文通过实验证明现有基准含大量无关样本， downsampling能有效过滤样本，提出VTC-Bench框架以更公平评估视觉令牌压缩方法。
Comments Accepted by ACL2026 Main. Code: https://github.com/Chenfei-Liao/VTC-Bench; Project Page: https://chenfei-liao.github.io/VTC-Bench-Page/
极化与整合在全球人工智能研究中的作用
机构 * ANETI Lab, Corvinus Institute for Advanced Studies（安奈蒂实验室，科维努斯高级研究院） ； Corvinus University of Budapest（布达佩斯科维努斯大学） ； Center for Social Data Science (SODAS)（社会科学数据科学中心） ； University of Copenhagen（哥本哈根大学） ； Complex Connections Lab, Network Science Institute（复杂连接实验室，网络科学研究所） ； Northeastern University London（伦敦东北大学） ； ISI Foundation（ISI 基金会） ； MTA–ELTE “Momentum” Agglomeration, Networks, and Innovation Research Group（MTA–ELTE “Momentum” 集聚、网络与创新研究组） ； ELTE Centre for Economic and Regional Studies（ELTE 经济与区域研究中心） ； Institute of Data Analytics and Information Systems（数据分析与信息系统研究所）
AI总结 本文通过分析全球人工智能研究的出版数据，发现中美在AI研究中长期分化，形成两大极，而欧洲国家则与两者整合，发展中国家则主要整合于中国，揭示了全球AI研究格局的变化。
MetaMem: 通过自反思符号优化实现元记忆的进化以促进知识利用
机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系） ； School of Computer Science, Beijing University of Posts and Telecommunications, Beijing, China（北京邮电大学计算机学院）
AI总结 本文提出MetaMem框架，通过自反思符号优化增强记忆系统，帮助LLM更有效地利用记忆知识。实验表明，MetaMem在多个任务中显著优于基线模型，提升超过3.6%。
忠实性与安全性：在反事实医学证据下评估LLM行为
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Northeastern University（东北大学） ； MD Anderson Cancer Center（MD安德森癌症中心） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文研究了在反事实医学证据下LLM的行为，构建了MedCounterFact数据集，发现模型在面对危险或不合理证据时仍提供自信回答，表明模型可能过度强调忠实性而忽视安全性。
Comments Accepted to Findings of ACL 2026
IMA-MoE：一种可解释的模态感知专家混合框架，用于表征暴食障碍的神经生物学特征
机构 * Department of Biomedical Engineering, New Jersey Institute of Technology（新泽西理工学院生物医学工程系） ； College of Engineering, Northeastern University（东北大学工程学院） ； Department of Psychiatry, Icahn School of Medicine at Mount Sinai（辛克尔医学中心精神科部门） ； School of Computing, University of Georgia（佐治亚大学计算机科学学院）
AI总结 本文提出IMA-MoE框架，通过整合多模态数据揭示暴食障碍的可泛化神经生物学特征，展示其在区分暴食障碍与健康对照组中的优越性能及性别差异预测。
BIASEDTALES-ML：一个多语言数据集用于分析LLM生成故事中的叙述属性分布
机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院，中国沈阳） ； NiuTrans Research, Shenyang, China（NiuTrans研究院，中国沈阳）
AI总结 本文提出BiasedTales-ML数据集，通过多语言生成分析叙述属性分布，揭示跨语言生成模式的差异，强调英语中心评估的局限性。
Comments Accepted to ACL 2026 Findings. Data are available at https://huggingface.co/spaces/Linyuana/BIASEDTALES-ML
SPS：通过引导概率压缩在大型语言模型强化学习中的更好探索
机构 * Northeastern University（东北大学） ； CAS Key Laboratory of Behavioral Science（中国科学院行为科学重点实验室） ； Independent Researcher（独立研究员） ； Kunming University of Science and Technology（昆明理工大学）
AI总结 本文提出SPS方法，结合传统强化学习与逆强化学习，通过引导轨迹分布提升探索能力，改进多样本性能。
表达社会情绪：大型语言模型与人类文化情绪规范之间的不一致
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Duke University（杜克大学） ； Northeastern University（东北大学） ； Universitat Oberta de Catalunya（巴塞罗那开放大学）
AI总结 研究探讨了大型语言模型在表达社会情绪时与人类文化规范的不一致，通过对比欧洲裔美国人和拉丁美洲人的表现，评估了六种前沿LLM在文化差异表达上的能力，发现模型在情绪表达上存在系统性偏差。
Comments Under Review
机械智能跨学科研讨会：总结报告
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pittsburgh（匹兹堡大学） ； Purdue University（Purdue 大学） ； University of Michigan（密歇根大学） ； Tufts University（塔夫茨大学） ； Oregon State University（俄勒冈州立大学） ； Case Western Reserve University（凯斯西储大学） ； John’s Hopkins University（约翰·霍普金斯大学） ； Boston University（波士顿大学） ； University of Southern California（南加州大学） ； University of California at Berkeley（加州大学伯克利分校） ； Penn State University（宾夕法尼亚州立大学） ； Northeastern University（东北大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Colorado Boulder（科罗拉多大学 Boulder 分校） ； New Mexico State University（新墨西哥州立大学） ； University of Notre Dame（诺丁汉大学） ； Stanford University（斯坦福大学）
AI总结 本报告总结了2024年机械智能跨学科研讨会的成果，探讨了机械结构自身通过响应性、适应性、记忆和学习编码智能的现象，以及其与计算智能的区别。
BASIL：大型语言模型中趋炎附势行为的贝叶斯评估
机构 * Northeastern University（东北大学） ； Johns Hopkins University（约翰霍普金斯大学） ； West Virginia University（西弗吉尼亚大学）
AI总结 本文提出BASIL框架，通过贝叶斯方法区分LLM中的趋炎附势行为与理性信念更新，评估模型在不确定任务中的理性表现，展示校准和微调策略能有效减少贝叶斯不一致性。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈