Northeastern University（东北大学）

Learn What's Left, Not What's Mastered: Saturation Aware Advantage Reweighting for Multi-Reward Policy Optimization

学习剩余内容，而非已掌握内容：面向多奖励策略优化的饱和感知优势重加权方法

Yixuan Wang, Yifei Chen, Haichao Zhang, Haozheng Luo, Xander Wu, Jie Ni, Yun Fu, Nuno Vasconcelos, Yijiang Li

机构 * University of Florida（佛罗里达大学） ； UC San Diego（加州大学圣迭戈分校） ； Northeastern University（东北大学） ； Northwestern University（西北大学） ； Stanford University（斯坦福大学） ； Universität Innsbruck（因斯布鲁克大学） 纠错

AI总结 针对多奖励策略优化中现有方法的缺陷，提出SA-MRPO方法，动态分配优化资源，在数学推理、自适应推理、编码任务中均实现性能提升。

Comments 14 pages, 2 figures

ConceptFormer: Learning Adaptive Latent Concepts for Query-Document Alignment in Visual Document Retrieval

ConceptFormer：学习自适应潜在概念以实现视觉文档检索中的查询-文档对齐

Peng Chunyi, Xu Zhipeng, Yan Yukun, Liu Zhenghao, Yu Shi, Mei Sen, Sun Yubo, Zhang Yongheng, Zhou Jie, Gu Yu, Yu Ge, Sun Maosong

机构 * Northeastern University（东北大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） 纠错

AI总结 针对视觉文档检索中现有监督信号的局限，本文提出ConceptFormer框架，以自适应潜在概念为中间表示衔接语义鸿沟，在基准测试中较最强基线实现了16.7%、22.1%的NDCG@10相对提升，性能优异。

Accelerating Mixed Discrete-Continuous Motion Planning via Neural Graphs of Convex Sets

通过凸集神经图加速混合离散-连续运动规划

Ananya Trivedi, Sarvesh Prajapati, Mohamed Khalid M Jaffar, Zhexin Xu, David Rosen, Taskin Padir

机构 * Northeastern University（东北大学） ； University of Maryland（马里兰大学） ； Amazon（亚马逊公司） 纠错

AI总结 本研究针对混合离散-连续运动规划的计算瓶颈，提出基于图注意力网络的凸集神经图策略，实现最高两个数量级加速且保持100%成功率，适用于多种机器人任务。

LightLoc++: Sensor-Robust Representation Learning for Efficient Outdoor LiDAR Localization

LightLoc++：面向高效室外激光雷达定位的传感器鲁棒性表示学习

Wen Li, Shangshu Yu, Dunqiang Liu, Qiming Xia, Sheng Ao, Siqi Shen, Chenglu Wen, Cheng Wang

机构 * Xiamen University（厦门大学） ； University of Bristol（布里斯托大学） ； Northeastern University（东北大学） 纠错

AI总结 LightLoc++通过引入SULID数据集与跨传感器一致性学习预训练传感器鲁棒骨干，结合样本分类引导与冗余样本下采样，实现高效室外激光雷达定位，性能最优且新场景训练成本最低。

Comments 19 pages, 10 figures

No Task Fails Every Time: Why One-Shot Audits Are Structurally Blind to Agent Damage

Shiven Khurdi

机构 * Northeastern University（东北大学） 纠错

Comments 25 pages, 4 figures, 16 tables, 6 appendices. Code, task suite, released per-run verdicts, and a one-command reproduction of every reported number: this https URL (https://github.com/shivenkk/agentrelbench)

Memory-Bounded Continuation of Greedy Sampling for Continual Anomaly Detection

面向持续异常检测的内存受限贪心采样的延续方法

Yoon Gyo Jung, Jaewoo Park, Kuan-Chuan Peng, Seongdeok Bang, Octavia Camps

机构 * Northeastern University（东北大学） ； AIVEX Inc.（AIVEX公司） ； Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室） 纠错

AI总结 该研究针对持续异常检测提出ContCore方法，通过延续贪心采样构建固定内存的核心集，在MVTecAD、VisA数据集的11种任务调度及在线设置下实现最优性能。

Comments Accepted by BMVC2026

Left-Branching Transformers Excel at Right-Branching Languages: Data Shapes Word Order Preferences in Language Models

左分支Transformer在右分支语言中表现优异：数据塑造语言模型的词序偏好

Varvara Arzt, Allan Hanbury, Terra Blevins

机构 * Khoury College of Computer Sciences, Northeastern University（东北大学科里计算机科学学院） ； Faculty of Informatics TU Wien（维也纳技术大学信息学院） 纠错

AI总结 研究对比仅解码器Transformer在192种人工及自然语言中的词序偏好，发现其在人工语言呈左分支偏好、自然语言随数据增长偏好SVO，证实词序偏差由数据驱动，或减少语言词序多样性。

Comments paper under revision

One Frozen Simulator Is Not Enough: Simulator Collapse in Multi-Agent RL

单个冻结模拟器不够：多智能体强化学习中的模拟器崩溃问题

Simon Yu, Nicholas Tomlin, Marwa Abdulhai, Ximing Lu, Derek Chong, Abe Hou, Dilara Soylu, Sergey Levine, Christopher D. Manning, Weiyan Shi

机构 * Northeastern University（东北大学） ； New York University（纽约大学） ； UC Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） 纠错

AI总结 针对人机交互多智能体强化学习中单个LLM模拟器导致的策略泛化缺陷，提出Verbalized Sampling和Co-Training两种方案，在多轮基准测试和真实用户研究中显著提升了性能，发布了开源框架SCOPE。

Comments 42 pages, 29 figures

Dissecting Embodied Abilities in Multimodal Language Models through Skill-level Evaluation and Diagnosis

通过技能级评估与诊断解构多模态语言模型的具身能力

Yu Qi, Haibo Zhao, Ziyu Guo, Siyuan Ma, Ziyan Chen, Yaokun Han, Renrui Zhang, Zitiantao Lin, Yizhe Zhu, Shiji Xin, Yijian Huang, Boce Hu, Kai Cheng, Peiheng Wang, Jiazheng Liu, Jiayi Zhang, Yizhe Zhu, Wenqing Wang, Yiran Qin, Haojie Huang, Lawson L.S. Wong

机构 * Northeastern University, Boston, MA, USA ； The Chinese University of Hong Kong, Hong Kong, China ； Peking University, Beijing, China ； Westlake University, Hangzhou, China ； Harvard University, Cambridge, MA, USA ； Purdue University, West Lafayette, IN, USA ； University of Oxford, Oxford, United Kingdom 纠错

AI总结 本文提出BEAR基准，通过分解具身任务为14个原子技能进行细粒度评估，发现感知能力是推理失败的主要瓶颈，并提出BEAR-Agent多模态对话代理，显著提升具身技能性能。

Comments Accepted to ICML 2026

Leakage-Audited Benchmarking Reveals Limited Evidence for Cross-Subject Auditory-Evoked EEG Vowel Perception Decoding

我们能从听觉EEG解码元音有多好——一个严格的跨受试基准测试与诚实评估

Xiaoyang Li, Zeyan Tao

机构 * College of Medicine and Biological Information Engineering, Northeastern University（医学与生物信息工程学院，东北大学） 纠错

AI总结 本文提出一个跨受试基准测试，评估从听觉EEG解码五类元音的性能，比较了14种方法，发现XGBoost模型在低信号条件下表现最佳，且经典方法与深度学习模型竞争。

Comments Revised manuscript with 6 main figures

SimulRAG: Simulator-based RAG for Grounding LLMs in Long-form Scientific QA

SimulRAG：基于模拟器的检索增强生成（RAG）框架，用于将大型语言模型（LLMs）落地到长篇科学问答任务中

Haozhou Xu, Dongxia Wu, Matteo Chinazzi, Ruijia Niu, Rose Yu, Yi-An Ma

机构 * University of California San Diego（加州大学圣迭戈分校） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） 纠错

AI总结 针对LLMs在长篇科学问答中易幻觉的问题，本文提出SimulRAG框架，引入UE+SBA机制，发布相关基准，实验表明其信息量与事实性较基线分别提升30.4%、16.3%

Comments Haozhou Xu and Dongxia Wu are co-first authors