Northeastern University（东北大学）

CIDER: A Dataset of Contextual Disclosure Boundaries for Privacy Preference Alignment

CIDER：用于隐私偏好对齐的上下文披露边界数据集

Bingcan Guo, Eryue Xu, Jijie Zhou, Zhiping Zhang, Tianshi Li

机构 * University of Washington（华盛顿大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Northeastern University（东北大学） 纠错

AI总结 本文推出包含169名用户标注的CIDER数据集，用于评估LLM隐私偏好对齐，发现上下文个性化可提升预测准确率，GPT-5.4和Claude Sonnet 4.6表现更优。

Comments Accepted to COLM 2026

Pseudorandom Streams within Diffusion Models Act as Learnable Inputs That Affect Generation Quality

扩散模型中的伪随机流是影响生成质量的可学习输入

Shengzhi Deng, Chenqi Ye, Yanze Guo

机构 * School of Mathematics, Harbin Institute of Technology（哈尔滨工业大学数学学院） ； Software College, Northeastern University（东北大学软件学院） 纠错

AI总结 该研究发现扩散模型的伪随机流是可学习输入，会影响生成质量，相关指标与生成退化相关，伪随机源兼具分布选择与结构化输入属性。

The Illusion of Improvement: Reject Inference Strategies in Credit Scoring

改进的幻觉：信用评分中的拒绝推断策略

Bruno Scarone, Ricardo Baeza-Yates

机构 * Northeastern University（东北大学） ； KTH Royal Institute of Technology（瑞典皇家理工学院） 纠错

AI总结 研究揭示拒绝推断方法在信用评分中因反馈循环导致评估指标误导，提出通过少量探索打破循环并诊断问题。

Comments Accepted to ECML PKDD 2026 (Research Track)

Topics as Proxies for Sociodemographics: How Conversational Context Affects LLM Answers

话题作为社会人口统计的代理：对话上下文如何影响大语言模型的回答

Vera Neplenbroek, Gabriele Sarti, Arianna Bisazza, Raquel Fernández

机构 * Institute for Logic, Language and Computation, University of Amsterdam（逻辑、语言与计算研究所，阿姆斯特丹大学） ； Khoury College of Computer Sciences, Northeastern University（计算机科学学院，东北大学） ； Center for Language and Cognition, University of Groningen（语言与认知中心，格罗宁根大学） 纠错

AI总结 研究大语言模型在高风险场景中对话上下文对回答差异的影响，发现话题是社会人口统计差异的主要驱动因素，且影响方式不可预测。

Bayesian Distributional Models of Executive Functioning

执行功能的贝叶斯分布模型

Robert Kasumba, Zeyu Lu, Dom CP Marticorena, Mingyang Zhong, Paul Beggs, Anja Pahor, Geetha Ramani, Imani Goffney, Susanne M Jaeggi, Aaron R Seitz, Jacob R Gardner, Dennis L Barbour

机构 * Division of Computing and Data Science, Washington University（华盛顿大学计算与数据科学系） ； Department of Computer Science and Engineering, Washington University（华盛顿大学计算机科学与工程系） ； Department of Biomedical Engineering, Washington University（华盛顿大学生物医学工程系） ； Department of Psychology, University of Maribor（马里博大学心理学系） ； Department of Human Development and Quantitative Methodology, University of Maryland（马里兰大学人类发展与定量方法系） ； Department of Teaching and Learning, Policy and Leadership, University of Maryland（马里兰大学教学与学习、政策与领导系） ； Department of Psychology, Northeastern University（东北大学心理学系） ； Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） 纠错

AI总结 本研究使用已知真实参数的受控模拟，评估分布潜变量模型（DLVM）和贝叶斯分布主动学习（DALE）相比传统独立最大似然估计（IMLE）的优势，证明DLVM结合DALE能更高效地估计认知表现分布。

Comments 45 pages, 9 figures, 2 tables + supplemental info