Northeastern University（东北大学）

Algorithmic Monocultures in Hiring

招聘中的算法同质化

Rishi Bommasani, Sarah H. Bana, Kathleen A. Creel, Dan Jurafsky, Percy Liang

机构 * Stanford University（斯坦福大学） ； Chapman University（查普曼大学） ； Northeastern University（东北大学） 纠错

AI总结 研究招聘算法同质化导致相同个体和种族群体被拒绝的问题，通过分析300万求职者的400万份申请数据，发现明显的种族差异和结果同质性。

Comments Published at FAccT 2026. Website: https://algorithmichiring.github.io/

Memory-Distilled Selection for Noise-Robust Anomaly Detection

记忆蒸馏选择用于噪声鲁棒异常检测

Sirojbek Safarov, Jaewoo Park, Yoon Gyo Jung, Kuan-Chuan Peng, Wonchul Kim, Seongdeok Bang, Octavia Camps

机构 * AIVEX Inc. ； Northeastern University ； Mitsubishi Electric Research Laboratories (MERL) 纠错

AI总结 提出基于数据选择的训练算法MeDS，通过随机子采样构建部分记忆集成，利用稀疏性作为低通滤波器捕获名义模式，再蒸馏为重建分数网络，实现噪声鲁棒的异常检测。

Comments Accepted by ICML2026. The code is available at https://github.com/SirojbekSafarov/MeDS

Auditing and Fixing Economic Validity in Tabular Foundation Models for Discrete Choice

审计与修复离散选择中表格基础模型的经济有效性

Yingshuo Wang, Xian Sun, Yanhang Li, Zhichao Fan, Zexin Zhuang

机构 * University of California, Berkeley, CA, USA（加州大学伯克利分校） ； Duke University, Durham, NC, USA（杜克大学） ； Northeastern University, Boston, MA, USA（东北大学） ； University of Illinois Urbana-Champaign, IL, USA（伊利诺伊大学厄巴纳-香槟分校） ； Southern Methodist University, Dallas, TX, USA（南方 Methodist 大学） 纠错

AI总结 提出两阶段适配器，将表格基础模型预测嵌入效用最大化框架，在保证经济一致性的同时提升选择预测精度。

Comments 5 pages, 1 table. Accepted at the FMSD Workshop, ICML 2026

Declarative Data Services: Structured Agentic Discovery for Composing Data Systems

声明式数据服务：用于组合数据系统的结构化智能体发现

Shanshan Ye, Duo Lu

机构 * Northeastern University（东北大学） ； Brown University（布朗大学） 纠错

AI总结 提出声明式数据服务（DDS）架构，通过分层类型契约将全局搜索分解为有界子搜索，解决无界智能体发现无法稳定收敛的问题，并在交易后端工作负载上验证其有效性。

Comments Accepted at AI Agents for Discovery in the Wild (AID-Wild), Workshop at ACM CAIS 2026

Learning Decentralized LLM Collaboration with Multi-Agent Actor Critic

基于多智能体Actor-Critic的分散式LLM协作学习

Shuo Liu, Tianle Chen, Ryan Amiri, Christopher Amato

机构 * Northeastern University, Boston, MA（波士顿马萨诸塞大学） 纠错

AI总结 针对分散式LLM协作优化，提出两种多智能体Actor-Critic方法（CoLLM-CC和CoLLM-DC），实验表明在长时域或稀疏奖励任务中集中式Critic方法优于蒙特卡洛方法和分散式Critic方法。

"PhyWorldBench": A Comprehensive Evaluation of Physical Realism in Text-to-Video Models

PhyWorldBench：文本到视频模型中物理真实性的全面评估

Jing Gu, Xian Liu, Yu Zeng, Ashwin Nagarajan, Fangrui Zhu, Daniel Hong, Yue Fan, Qianqi Yan, Kaiwen Zhou, Ming-Yu Liu, Xin Eric Wang

机构 * University of California, Santa Cruz（加州大学圣克ruz分校） ； NVIDIA Research（NVIDIA研究） ； Northeastern University（东北大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） 纠错

AI总结 提出PhyWorldBench基准，通过1050个提示评估12个视频生成模型在物理规律遵循上的表现，并引入反物理类别，利用多模态大语言模型进行零样本评估。

Comments 35 pages, 21 figures

Journal ref ICLR 2026 oral

TailedCore: Few-Shot Sampling for Unsupervised Long-Tail Noisy Anomaly Detection

TailedCore: 面向无监督长尾噪声异常检测的少样本采样

Yoon Gyo Jung, Jaewoo Park, Jaeho Yoon, Kuan-Chuan Peng, Wonchul Kim, Andrew Beng Jin Teoh, Octavia Camps

机构 * Northeastern University（东北大学） ； AiV Co.（AiV公司） ； Yonsei University（延世大学） ； Mitsubishi Electric Research Laboratories（三菱电机研究实验室） 纠错

AI总结 针对正常数据集存在缺陷污染且类别分布未知长尾的挑战，提出TailSampler估计类别大小以独立处理尾类与噪声，并构建基于记忆的异常检测模型TailedCore，在无监督长尾噪声异常检测中达到最先进性能。

Comments Accepted to CVPR2025