Northeastern University（东北大学）

From Noisy Historical Maps to Time-Series Oil Palm Mapping Without Annotation in Malaysia and Indonesia (2020-2024)

从嘈杂的历史地图到无需标注的时间序列油棕映射：马来西亚和印度尼西亚（2020-2024）

Nuttaset Kuapanich, Juepeng Zheng, Bohan Shi, Jiaying Liu, Jiayin Jiang, Jiatao Huang, Shenghan Tan, Qingmei Li, Haohuan Fu

机构 * School of Artificial Intelligence, Sun Yat-Sen University, Zhuhai, China.（中山大学人工智能学院，中国珠海） ； National Supercomputing Center in Shenzhen, Shenzhen, China.（深圳国家超算中心，中国深圳） ； Khoury College of Computer Sciences, Northeastern University, Boston, United States of America.（东北大学计算机科学学院，美国波士顿） ； Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China.（清华大学深圳国际研究生院，中国深圳） 纠错

AI总结 本文提出利用哨兵-2影像生成高分辨率油棕种植园地图，通过优化的U-Net架构和DMI算法，在无需人工标注的情况下，实现了2020至2024年马来西亚和印度尼西亚的高精度监测。

HeadRouter: Dynamic Head-Weight Routing for Task-Adaptive Audio Token Pruning in Large Audio Language Models

HeadRouter: 任务自适应音频标记压缩中的动态头部权重路由

Peize He, Yaodi Luo, Xiaoqian Liu, Xuyang Liu, Jiahang Deng, Yaosong Du, Bangyu Li, Xiyan Gui, Yuxuan Chen, Linfeng Zhang

机构 * EPIC Lab, Shanghai Jiao Tong University（上海交通大学EPIC实验室） ； DAIL Tech（DAIL科技） ； Northeastern University（东北大学） ； Sichuan University（四川大学） ； Huazhong University of Science and Technology（华中科技大学） 纠错

AI总结 HeadRouter通过动态评估不同音频任务中注意力头的重要性，实现高效的音频标记压缩，实验表明其在多个基准上均取得最佳压缩效果。

Comments Homepage: https://dabdans.github.io/HeadRouter/

Learning Genetic Circuit Modules with Neural Networks: Full Version

通过神经网络学习遗传回路模块：完整版本

Jichi Wang, Eduardo D. Sontag, Domitilla Del Vecchio

机构 * Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系） ； Department of Electrical and Computer Engineering and Department of Bioengineering, Northeastern University（东北大学电气与计算机工程系和生物工程系） ； Department of Mechanical Engineering and Biological Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程与生物工程系） 纠错

AI总结 本文提出一种模块化学习框架，利用系统组成结构知识，通过减少数据量识别模块输入输出函数，提升合成生物回路设计效率。

MTRouter: Cost-Aware Multi-Turn LLM Routing with History-Model Joint Embeddings

MTRouter: 带成本意识的多轮LLM路由与历史-模型联合嵌入

Yiqun Zhang, Hao Li, Zihan Wang, Shi Feng, Xiaocui Yang, Daling Wang, Bo Zhang, Lei Bai, Shuyue Hu

机构 * School of Computer Science and Engineering, Northeastern University Shenyang 110819, China（东北大学计算机科学与工程学院，中国沈阳110819） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

AI总结 本文提出MTRouter，通过联合历史-模型嵌入和学习轨迹预测器，提升多轮任务的性能-成本平衡，实验显示在ScienceWorld和Humanity's Last Exam上均取得显著成本降低与性能提升。

Comments This work has accepted by ACL 2026

From Edges to Depth: Probing the Spatial Hierarchy in Vision Transformers

从边缘到深度：探测视觉变换器中的空间层次

Jainum Sanghavi

机构 * Northeastern University（东北大学） 纠错

AI总结 研究探讨了视觉变换器中空间层次的编码机制，通过分析局部边缘和深度信息揭示了层次结构，发现边界结构在第5-6层可线性解码，而深度信息在第8层达到峰值，证明了分类训练的ViT能主动维护空间层次。

Comments 12 pages, 6 figures. Code available at https://github.com/JainumSanghavi/ProbingViTs

Vision-Language-Action in Robotics: A Survey of Datasets, Benchmarks, and Data Engines

机器人中的视觉-语言-动作：数据集、基准和数据引擎的综述

Ziyao Wang, Bingying Wang, Hanrong Zhang, Tingting Du, Tianyang Chen, Guoheng Sun, Yexiao He, Zheyu Shen, Wanghao Ye, Ang Li

机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； University of Utah（犹他大学） ； Northeastern University（东北大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文综述了视觉-语言-动作研究中数据基础设施的关键挑战，指出未来进展依赖于数据引擎与评估协议的协同设计，揭示了数据集、基准和数据引擎的四大开放挑战。

Comments This is a survey paper. The survey is already accepted by TMLR after peer-review. The OpenReview link is here: https://openreview.net/forum?id=tAaWFpvnmm

Not All Directions Matter: Towards Structured and Task-Aware Low-Rank Model Adaptation

并非所有方向都重要：迈向结构化和任务感知的低秩模型适应

Xi Xiao, Chenrui Ma, Yunbei Zhang, Chen Liu, Zhuxuanzi Wang, Yanshu Li, Lin Zhao, Guosheng Hu, Tianyang Wang, Hao Xu

机构 * University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； University of Virginia（弗吉尼亚大学） ； Tulane University（路易斯安那州立大学） ； Yale University（耶鲁大学） ； Brown University（布朗大学） ； Northeastern University（东北大学） ； University of Bristol（布里斯托尔大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出StructLoRA框架，通过信息瓶颈引导过滤和图协调器解决低秩适应中的语义漂移和结构不一致问题，实验证明其在多种模型上均优于传统LoRA及其他方法，尤其在低秩和低数据场景下表现突出。

Comments ACL 2026