高校专区
合成角色预训练：从零开始的对齐
机构 * EPFL（洛桑联邦理工学院） ； University of Toronto（多伦多大学） ； Northeastern University（东北大学） ； SJTU（上海交通大学） ； Saarland University（萨尔大学） ； Hereon（亥姆霍兹极地与海洋研究中心） ； TUHH（汉堡工业大学） ； Ontocord AI（Ontocord人工智能公司） ； TUC（德累斯顿工业大学） ； DFKI（德国人工智能研究中心）
AI总结 该研究提出合成角色预训练（SPP），在预训练token零阶段植入助手角色，通过标注反思、预训练及角色绑定，提升模型价值构成遵循度与鲁棒性，降低对齐错误率，证明预训练时角色干预是对齐的有效方法。
更好的分解，自由聚合：面向多语言多跳问答的合成器折叠框架
机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Kunming University of Science and Technology（昆明理工大学）
AI总结 针对多语言多跳问答中现有方法的翻译噪声与错误放大问题，提出Syfer框架，通过推迟翻译、格式受限分解与质量检查实现性能与成本的良好平衡。
Comments Accepted by NLPCC 2026
基于多AUV自组织网络的目标跟踪：一种值梯度引导多智能体扩散强化学习方法
机构 * Software College, Northeastern University（东北大学软件学院） ； Hohai University（河海大学）
AI总结 针对多AUV自组织网络目标跟踪的训练不稳定、跟踪性能差问题，提出VGG-MADiffRL算法与MDCA架构，实现了更快收敛、更高跟踪精度与平稳训练动态，具有工程应用价值。
CIDER：用于隐私偏好对齐的上下文披露边界数据集
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）
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
扩散模型中的伪随机流是影响生成质量的可学习输入
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）
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。
改进的幻觉：信用评分中的拒绝推断策略
机构 * Northeastern University（东北大学） ； KTH Royal Institute of Technology（瑞典皇家理工学院）
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)
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
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）
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。
执行功能的贝叶斯分布模型
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）
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
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
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）
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 41 pages, 28 figures
Mechanist：作为科学仪器的AI，用于发现智能的机制
机构 * Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； Heriot-Watt University（赫瑞瓦特大学） ； Southern University of Science and Technology（南方科技大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） ； Northeastern University（东北大学）
AI总结 本研究推出智能体系统Mechanist，以AI为科学仪器自主发现AI智能机制，其生成假设更有价值、实验更可靠，还能发现安全风险、构建信念机制理论并转化为提升模型性能的干预措施。
Comments Work in progress
基于技能-工具链进化的自演化具身智能体
机构 * Microsoft Research（微软研究院） ； Northeastern University（东北大学）
AI总结 提出免训练的SHAPER框架，通过演化技能与工具链实现冻结模型驱动的自演化具身智能体，在VLABench等数据集上验证其适配优势。
基于监督扩散辅助多智能体强化学习的多水下机器人协作目标跟踪
机构 * Software College, Northeastern University（东北大学软件学院） ； Key Laboratory of Maritime Intelligent Network Information Technology, Ministry of Education, Hohai University（河海大学教育部海事智能网络信息技术重点实验室） ； College of Computer Science and Software Engineering, Hohai University（河海大学计算机与软件学院） ； College of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院）
AI总结 本文提出基于监督扩散辅助多智能体强化学习（SDA-MARL）的多水下机器人协作目标跟踪方法，通过分层架构和创新算法解决非平稳性、稀疏奖励探索和水扰动鲁棒性等挑战，提升水下目标跟踪精度。
揭秘大型推理模型中基于熵的思维链压缩选择方法
机构 * University of Trieste（的里雅斯特大学） ； University of Milano-Bicocca（米兰-比科卡大学） ； University of Groningen（格罗宁根大学） ； Khoury College of Computer Sciences, Northeastern University（东北大学科里计算机学院）
AI总结 该研究测试了大型推理模型中基于熵的思维链压缩方法的鲁棒性，发现其效果不优于随机剪枝，且任务信息分布在整个推理链上而非小部分令牌中。
过度自信且忽视细节：通过归纳偏好学习修复提示不敏感
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Northeastern University（东北大学） ； Uniphore（Uniphore公司）
AI总结 本文提出归纳偏好学习方法，通过优化归纳策略提升模型对罕见提示的敏感度，显著提高在VLMBias和Inverse-IFEval基准测试中的性能。
Comments 26 pages, 15 tables, 3 figures
CoRCi：跨域序列推荐中连贯兴趣建模的跨重建方法
机构 * Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； Shanghai University of Finance and Economics（上海财经大学）
AI总结 针对跨域序列推荐中域差异破坏兴趣连贯性的问题，本文提出CoRCi框架，通过跨重建方法和FocalNCE损失实现域不变兴趣对齐，在四个数据集上性能优于现有最优方法。
CoInS-Net：用于联合医学图像插值与分割的连续位置感知网络
机构 * College of Medicine and Biological Information Engineering, Northeastern University（东北大学医学与生物信息工程学院）
AI总结 CoInS-Net是一种联合医学图像插值与分割的连续位置感知网络，通过双向交互实现两任务相互促进，在多数据集上优于传统单任务方案，为临床医学图像分析提供可靠通用技术。
EFFEKT：面向基础模型的高效联邦知识迁移
机构 * Northeastern University（东北大学） ； University of Padua（帕多瓦大学）
AI总结 EFFEKT是一种联邦学习框架，通过双向跨蒸馏策略，结合轻量级客户端代理模型与服务器端基础模型，实现高效的领域特定LoRA适配器训练，在低功耗边缘设备上性能优于基线。
Comments 12 main content pages, 8 appendix pages; 3 main figures, 9 appendix figures; 8 main tables, 9 appendix tables; 1 main algorithm, 4 appendix algorithms; accepted at TMLR
通过信息多视图投影可视化高维图嵌入
机构 * Khoury College of Computer Sciences, Northeastern University（东北大学库里计算机科学学院） ； School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院）
AI总结 提出在高维空间中嵌入图，并通过可微分的边交叉代理搜索优化美学和可读性指标的二维视角，优于标准布局，并引入交互系统DataFly。
Comments 20 pages, 15 figures
自主性重塑个性化对隐私担忧和对LLM代理信任的影响
机构 * Northeastern University（东北大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Waterloo（滑铁卢大学）
AI总结 研究探讨了LLM代理自主性如何影响个性化对用户隐私担忧和信任的影响，发现风险驱动的自主性可缓解个性化带来的负面影响。
Comments Accepted to COLM 2026
不确定性缓解与意图推断：一种双模式人机联合规划系统
机构 * Department of Electrical and Computer Engineering, George Washington University（电气与计算机工程系，乔治华盛顿大学） ； Department of Mechanical and Aerospace Engineering, George Washington University（机械与航空航天工程系，乔治华盛顿大学） ； Department of Electrical and Computer Engineering, Northeastern University（电气与计算机工程系，东北大学）
AI总结 本文提出一种双模式人机联合规划系统，通过缓解不确定性与推断意图，提升人机协作效率。
多模态大语言模型（MLLMs）能否解码创造性飞跃？推出面向跨概念理解的C4框架
机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院） ； School of Computer Science and Engineering, Shandong University of Science and Technology（山东科技大学计算机科学与工程学院）
AI总结 该研究推出受认知启发的C4成语跨概念创造力评估框架，构建含884个案例的C4-Eval集，评估10款MLLMs发现闭源模型准确率最高达50.7%，揭示当前MLLMs创造性解码能力存在显著差距。
通过选择性上下文偏好优化学习何时信任
机构 * Duke University（杜克大学） ； National University of Singapore（新加坡国立大学） ； UC Berkeley（加州大学伯克利分校） ； UC Irvine（加州大学欧文分校） ； Northeastern University（东北大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本研究针对语言模型易受误导性外部信号影响的问题，提出SCOPE方法，在含四种条件的MIST基准上优化DPO目标，降低SC2W的同时保持正常上下文下的准确率，主张以选择性信任评判模型。
Comments Project Page at https://worldbench.github.io/scope GitHub Repo at https://github.com/worldbench/SCOPE HF Dataset at https://huggingface.co/datasets/worldbench/MIST-Bench
RRC：基于排序的奖励构造解锁LLM强化学习中的生成式奖励模型
机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； NiuTrans Research（NiuTrans研究院） ； Institute of Psychology, CAS（中国科学院心理研究所） ； Kunming University of Science and Technology（昆明理工大学）
AI总结 本研究针对生成式奖励模型在LLM强化学习中潜力未充分发挥的问题，提出RRC方法，通过两种互补策略提升RL训练效果，在多基准上取得一致增益。
显式规划与反应分解的轨迹预测统一框架
机构 * Software College, Northeastern University（东北大学软件学院）
AI总结 针对现有轨迹预测方法未充分区分社会影响功能角色的问题，提出INTraJ框架，将社会影响分解为规划与反应两阶段，在四个基准上实现性能提升，验证了阶段性社会建模的重要性。
Comments Accepted by ACM MM 2026
利用级联语义适配视觉基础模型
机构 * University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Missouri–Kansas City（密苏里大学堪萨斯城分校） ； Northeastern University（东北大学） ； Tulane University（杜兰大学） ； University of Bristol（布里斯托大学） ； Oak Ridge National Laboratory（橡树岭国家实验室）
AI总结 该研究针对现有视觉提示调优（VPT）未利用先验知识的问题，提出向VPT注入两类语义先验的级联方案，在34个图像分类数据集上仅调优0.74%的ViT参数即实现优异下游适配效果。
Comments Accepted by Transactions on Machine Learning Research (TMLR), 2026. Project page: https://xixiaouab.github.io/Cascaded-Semantics/
大语言模型中的条件认知偏差：有偏差的用户对话轮次如何调控上下文推理
机构 * Northeastern University（东北大学）
AI总结 本研究通过三条件实验框架与含24300条提示的基准数据集，评估8个前沿LLMs在多轮交互中受有偏差用户轮次的影响，发现多数模型偏差表现变化，明确相关动态并发布研究资源。
英语源多语言检索增强生成（RAG）系统的隐私风险所在：五种查询语言下的阶段分解审计
机构 * Northeastern University（东北大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Southern Methodist University（南卫理公会大学）
AI总结 该研究针对英语源多语言RAG系统，通过含五种查询语言的两阶段防御审计发现，非英语语言仍存在残留PII泄露，附加黄金文档可阻断多数残留单元，后续计划开展独立MT与非Qwen判别器的复现工作。
MARS：面向奖励建模的边界与语义感知数据增强
机构 * University of Arizona（亚利桑那大学） ； Northeastern University London（伦敦东北大学）
AI总结 提出MARS框架，通过优先增强低边界偏好对并利用语义距离细化，提升奖励模型质量和对齐性能。
D²F-ReAG：面向多跳推理增强生成的动态分解与过滤
机构 * Northeastern University（东北大学） ； Kunming University of Science and Technology（昆明理工大学） ； NiuTrans Research（NiuTrans研究院）
AI总结 针对现有检索增强生成（RAG）处理多跳问题时缺乏动态分解与有效过滤的缺陷，提出D²F-ReAG范式，通过判断根级推理可靠性自适应控制推理深度，经实验验证其处理复杂多跳问题的有效性。
NodeJEPA：面向节点级图自监督学习的结构条件隐式预测
机构 * Northeastern University（东北大学）
AI总结 本文提出NodeJEPA，一种节点级图自监督学习的联合嵌入预测架构，通过结构条件隐式预测避免依赖输入重构，经节点分类基准评估有效，为相关研究提供实用方案。
Comments 20 pages, 10 figures
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈