Northeastern University（东北大学）

PhotoFlow: Agentic 3D Virtual Photography Missions

PhotoFlow: 智能体式3D虚拟摄影任务

Jiarui Guo, Haojia Wei, Yiming Zhang, Yifei Liu, Yuning Gong, Hongjie Zhang, Xue Yang, Zhihang Zhong

机构 * Shanghai Jiao Tong University（上海交通大学） ； Northeastern University（东北大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Sichuan University（四川大学） 纠错

AI总结 提出PhotoFlow智能体框架，通过导演-评审-反思闭环搜索机制，在任意Blender场景中根据语言指令自动完成虚拟摄影，并引入VPhotoBench基准，实验表明其在外观质量对齐和成功率上优于现有方法。

Progressive $\mathcal{J}$-Invariant Self-supervised Learning for Low-Dose CT Denoising

渐进式 $\mathcal{J}$-不变自监督学习用于低剂量CT去噪

Yichao Liu, Zongru Shao, Yueyang Teng, Junwen Guo

机构 * organization= IWR, Heidelberg University , city= Heidelberg , postcode= 69120 , state= Baden Württemberg , country= Germany ； organization= Silicon Austria Labs , city= Linz , postcode= 4040 , state= Upper Austria , country= Austria ； organization= Institute of Science Tokyo , addressline= , city= Tokyo , country= Japan ； organization= College of Medicine ； Biological Information Engineering, Northeastern University , city= Shenyang , postcode= 110169 , state= Liaoning , country= China ； organization= Key Laboratory of Intelligent Computing in Medical Image, Ministry of Education , city= Shenyang , postcode= 110169 , state= Liaoning , country= China ； organization= Department of Epidemiology \& Global Health, Umeå University , addressline= , city= Umeå , postcode= 90187 , country= Sweden 纠错

AI总结 提出渐进式 $\mathcal{J}$-不变学习，通过逐步盲点去噪机制和噪声注入正则化，提升低剂量CT去噪性能，在Mayo数据集上优于现有自监督方法并接近监督方法。

Detecting Drunk Driving Using Off-the-Shelf Smartwatches

使用现成智能手表检测酒驾

Robin Deuber, Lanlan Yang, Michal Bechny, Christoph Heck, Matthias Pfäffli, Matthias Bantle, Florian von Wangenheim, Elgar Fleisch, Wolfgang Weinmann, Manuel Günther, Felix Wortmann, Varun Mishra

机构 * University of Bern（伯尔尼大学） ； University of St. Gallen（施特加尔伦大学） ； Northeastern University（东北大学） 纠错

AI总结 提出利用智能手表的加速度计和心率变异性数据，通过逻辑回归和双塔一维CNN模型检测酒精影响下的驾驶行为，CNN在检测任何酒精中毒和超过WHO推荐限值时的AUROC分别达到0.88和0.86。

Comments 27 pages, 7 figures

What Training Data Teaches RL Memory Agents: An Empirical Study of Curriculum Effects in Memory-Augmented QA

训练数据教会RL记忆体代理什么：记忆增强问答中课程效应的实证研究

Xinjie He, Zhiyuan Lin, Su Liu, Jialun Wu, Qiyang Xie, Weikai Zhou, Shuai Xiao

机构 * Columbia University（哥伦比亚大学） ； Independent Researcher（独立研究者） ； Johns Hopkins University（约翰霍普金斯大学） ； Northeastern University（东北大学） 纠错

AI总结 通过控制实验，研究训练课程（领域内、混合、领域外）对强化学习记忆体代理在记忆增强问答中的技能获取和专业化影响，发现课程组成作为专业化的细粒度杠杆，混合课程在整体F1上最优，而窄领域外课程可转移特定技能（如时间推理），并报告了将GRPO适配到单GPU环境的实用经验。

Comments 14 pages, 2 figures, 11 tables. Code, checkpoints, and evaluation artifacts available at https://github.com/EvaxHe/rl-memory-curriculum

GazeBehavior Annotation Toolkit (GBAT): AI-powered toolkit for automatic annotation of egocentric eye-tracking and video data of child-caregiver interaction

凝视行为注释工具包 (GBAT): 基于AI的自动注释工具，用于自我中心眼动追踪和儿童-照顾者互动视频数据

Iba Baig, Kevin Li, Yanbin Xu, Seiji Cattelain, Marie Hallo, Hayato Ono, Sho Tsuji, Ming Bo Cai

机构 * Department of Psychology, University of Miami（迈阿密大学心理学系） ； Northeastern University（东北大学） ； Ecole Normale Supérieure, PSL University, EHESS, CNRS（巴黎高等师范学院（PSL大学）、EHESS、CNRS） ； International Research Center for Neurointelligence (WPI-IRCN), The University of Tokyo Institutes for Advanced Study（神经智能国际研究中心（WPI-IRCN）、东京大学高级研究机构） 纠错

AI总结 提出GBAT工具包，利用深度学习实现多视频同步、注视目标半自动注释和参与者姿态手部动作分类，提高从自我中心眼动和视频数据中提取特征的效率和可扩展性。

Comments submitted to IEEE International Conference on Development and Learning (ICDL), 2026

Does Your Wildfire Prediction Model Actually Work, or Just Score Well?

你的野火预测模型真的有效，还是只是得分高？

Yangshuang Xu, Yuyang Dai, Liling Chang, Qi Wang, Yushun Dong

机构 * Florida State University（佛罗里达州立大学） ； Northeastern University（东北大学） 纠错

AI总结 针对现有地球基础模型不专门用于野火预测的问题，提出首个专门预训练的野火基础模型WILDFIRE-FM，并引入固定合约评估框架以解决评估设计对结论敏感性的问题。

Comments 25 pages

Heterogeneous Sheaf Neural Networks

异质层丛神经网络

Luke Braithwaite, Alessio Borgi, Gabriele Onorato, Kristjan Tarantelli, Francesco Restuccia, Fabrizio Silvestri, Pietro Liò

机构 * Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Department of Electrical and Computer Engineering, Northeastern University（电气与计算机工程系，东北大学） ； Department of Computer, Control and Management Engineering, Sapienza University of Rome（计算机、控制与管理工程系，罗马萨皮恩扎大学） 纠错

AI总结 提出HetSheaf框架，通过细胞层丛表示异质图的类型感知局部特征空间和学习限制映射，在节点分类、链接预测和图分类任务上优于现有方法且参数更少。

Comments 48 pages, 2 figures