Do Sparse Autoencoders Capture Concept Manifolds?
稀疏自编码器能否捕捉概念流形？
机构 * Harvard University（哈佛大学） ； Northeastern University（东北大学） ； Technion IIT（技术学院） ； Stanford University（斯坦福大学）
AI总结 本文探讨了稀疏自编码器捕捉流形的能力，指出现有方法在连续结构恢复上存在不足，并提出应以几何对象而非单个方向作为可解释性基础。
高校专区
Northeastern University（东北大学）
FineState-Bench: Benchmarking State-Conditioned Grounding for Fine-grained GUI State Setting
FineState-Bench：面向细粒度GUI状态设置的状态条件化基准测试
机构 * MBZUAI, United Arab Emirates（阿联酋MBZUAI研究院） ； Northeastern University, China（中国东北大学）
AI总结 FineState-Bench通过精确目标状态评估，检验智能体能否正确映射指令至UI控件，提出FineState-Metrics与VDA诊断工具，实验显示视觉接地仍有提升空间，但整体准确率不足。
DPN-LE: Dual Personality Neuron Localization and Editing for Large Language Models
DPN-LE: 大语言模型双人格神经元定位与编辑
机构 * Southeast University（东南大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Zhongguancun Academy（中关村学院） ； Zhejiang University of Technology（浙江工业大学） ； Kuaishou Technology（快手科技） ； Northeastern University（东北大学） ； Tsinghua University（清华大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
AI总结 本文提出DPN-LE方法，通过对比高特质与低特质样本的MLP激活，定位并编辑双人格神经元，实现精准的人格控制与能力保留。
Journal ref ACL 2026 Findings
Remaining Useful Life Estimation for Turbofan Engines: A Comparative Study of Classical, CNN, and LSTM Approaches
涡轮风扇发动机剩余寿命估计：经典、CNN和LSTM方法的比较研究
机构 * Khoury College of Computer Science, Northeastern University（东北大学计算机科学学院）
AI总结 本文比较了经典方法、CNN和LSTM在NASA C-MAPSS数据集上对涡轮风扇发动机剩余寿命估计的性能，发现LSTM在FD001和FD003上分别取得14.93和14.20的RMSE，优于其他方法。
Comments 7 pages, 5 algorithms, 7 figures, 4 tables
Upskilling with Generative AI: Practices and Challenges for Freelance Knowledge Workers
利用生成式AI进行技能提升：自由职业知识工作者的实践与挑战
机构 * Civic AI Lab, Northeastern University（东北大学Civic AI实验室）
AI总结 本文通过混合方法研究，探讨自由职业者如何利用生成式AI工具进行学习，发现其在技能提升中的应用与挑战，包括技能验证问题。
DeepWeightFlow: Re-Basined Flow Matching for Generating Neural Network Weights
DeepWeightFlow：基于重新基化流匹配的神经网络权重生成
机构 * Northeastern University（东北大学）
AI总结 本文提出DeepWeightFlow，通过在权重空间中直接生成多种架构和规模的神经网络权重，提升生成效率和准确性，无需微调且能处理大规模模型。
Comments 25 pages, 20 tables, 2 figures
Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026): https://openreview.net/forum?id=fOwsr1VTi8
