高校专区
通过解释导向的多目标优化生成中文短文本创意内容
机构 * Tongji University（同济大学） ； Microsoft Research Asia（微软亚洲研究院） ； Northeastern University（东北大学） ； University of British Columbia（不列颠哥伦比亚大学）
AI总结 本文提出MAGIC-HMO框架，通过多目标优化解决中文短文本生成中个性化约束与解释可靠性问题，在中文婴儿命名任务中优于六个基线模型。
Comments 19 pages,10 figures. Submitted to ACM for possible publication
在药物短缺情况下，利用注意力引导的动态分解建模有限理性药剂师
机构 * Khoury College of Computer Sciences, Northeastern University, Boston, MA, USA（东北大学科里学院计算机科学系，波士顿，马萨诸塞州，美国） ； Department of Mechanical and Industrial Engineering, Northeastern University, Boston, MA, USA（东北大学机械与工业工程系，波士顿，马萨诸塞州，美国） ； Department of Psychology, Northeastern University, Boston, MA, USA（东北大学心理学系，波士顿，马萨诸塞州，美国）
AI总结 本文提出一种有限理性注意力引导决策框架，通过动态分解药物为高成本推理子集和低成本监控子集，模拟不同场景显示注意力引导规划能稳定决策而不需完全状态推理。
Comments Accepted at CogSci 2026. 6 pages plus references, 1 figure, 2 tables
学习多模态嵌入用于交通事故预测和因果估计
机构 * Northeastern University（东北大学）
AI总结 本文通过结合道路网络数据与卫星图像，提出多模态学习方法，提升交通事故预测精度，并发现降水、高速道路和季节因素对事故率的影响。
Comments 17 pages. Appeared in KDD 2026
ACE：用于集成大语言模型的应用系统的安全架构
机构 * Northeastern University（东北大学）
AI总结 本文提出ACE架构，通过分离规划阶段提升LLM集成应用系统的安全性和可用性，验证其在对抗性攻击中的有效性。
Comments 25 pages, 13 figures, 8 tables; accepted by Network and Distributed System Security Symposium (NDSS) 2026
Journal ref Network and Distributed System Security (NDSS) Symposium 2026
EvoGround：用于视频时间定位的自进化视频智能体
机构 * Seoul National University（首尔国立大学） ； Northeastern University（东北大学）
AI总结 本文提出EvoGround框架，通过两个自进化智能体自学习视频时间定位，无需人工标注数据，在多个基准上表现优异。
Comments Project page: https://minjoong507.github.io/projects/EvoGround/
如何解释智能体行为
机构 * Johns Hopkins University（约翰霍普金斯大学） ； California Institute of Technology（加州理工学院） ； Northeastern University（东北大学） ； Purdue University（普渡大学）
AI总结 本文提出ACT*ONOMY框架，通过构建行为分类体系和开放仓库，帮助研究人员更一致地解读智能体行为，提升监控与控制能力。
Comments 34 pages in total
激活 verbalization 方法是否传递了特权信息？
机构 * Northeastern University（东北大学） ； Kempner Institute, Harvard University（哈佛大学凯姆纳研究所） ； Boston University（波士顿大学）
AI总结 本文评估了激活 verbalization 方法的有效性，发现其可能反映生成器模型的知识而非目标模型的操作，需更精准的基准测试。
Comments ICML 2026. 41 pages, 23 tables, 6 figures
以状态为中心的决策过程
机构 * University of California, Irvine（加州大学尔湾分校） ； Northeastern University（东北大学）
AI总结 本文提出SDP框架，通过让智能体逐步构建缺失的状态空间和转换规则，解决语言环境缺乏运行时结构的问题，并在多个基准测试中取得最佳无训练结果。
协同参数学习：通过参数级梯度分析缓解遗忘
机构 * Department of Electronic Engineering, Tsinghua University, Beijing, China（清华大学电子工程系，北京，中国） ； Institute of Medical Technology, Peking University Health Science Center, Peking University, Beijing, China（北京大学医学部医学技术研究所，北京大学，北京，中国） ； College of Information Science and Engineering, Northeastern University, Shenyang, China（东北大学信息科学与工程学院，沈阳，中国） ； College of AI, Tsinghua University, Beijing, China（清华大学人工智能学院，北京，中国） ； Beijing National Research Center for Information Science and Technology, Beijing, China（北京信息科学与技术国家研究中心，北京，中国）
AI总结 本文提出协同参数学习方法，通过分析参数级梯度相似性，识别冲突参数和协作参数，冻结冲突参数以减少遗忘，提升模型在多任务和多语言场景下的表现。
推理模型拒绝发生在何处？
机构 * The Alan Turing Institute（艾伦·图灵研究所） ； University of Oxford（牛津大学） ； Northeastern University（东北大学）
AI总结 研究探讨推理模型在生成响应前拒绝决策的位置，发现推理链中的初始句子对拒绝决定有显著影响，并通过激活方向分析揭示了拒绝机制。
Comments v1 accepted to the ICML 2025 Workshop on Reliable and Responsible Foundation Models (R2FM). 20 pages, 12 figures
M3Net：一种受临床诊断流程启发的宏-中-微三级层次3D网络用于肺结节分类
机构 * Hefei Cancer Hospital of CAS, Institute of Health and Medical Technology, Hefei Institutes of Physical Science, Chinese Academy of Sciences（中国科学院合肥医疗健康研究院、健康与医疗技术研究所、物理研究所） ； University of Science and Technology of China（中国科学技术大学） ； Graduate School, Bengbu Medical College（蚌埠医疗学院研究生院） ； Department of Pulmonary and Critical Care Medicine, The First Affiliated Hospital of USTC, Division of Life Sciences and Medicine, University of Science and Technology of China (USTC)（中国科学技术大学附属第一医院呼吸与危重症医学科、生命科学与医学学院） ； Northeastern University（东北大学） ； Institute of Semiconductors, Chinese Academy of Sciences（中国科学院半导体研究所） ； College of Computing and Data Science (CCDS), Nanyang Technological University（南洋理工大学计算与数据科学学院）
AI总结 本文提出M3Net，通过多尺度上下文信息整合，提升肺结节分类的准确性和可解释性，在LIDC-IDRI和USTC-FHLN数据集上取得最佳性能。
Comments Published in Information Fusion (2026), 15 pages, 5 figures
Journal ref Information Fusion, 2026
针对拜占庭攻击者下的分布式代理AI治理的攻击与缓解措施
机构 * Northeastern University（东北大学）
AI总结 本文分析了 compromised Provider 发起的攻击，并提出三种解决方案，在安全与性能之间进行权衡。
Comments 18 pages, 18 figures, 4 tables
从监督微调模型中重建个人身份信息
机构 * Northeastern University（东北大学）
AI总结 本文研究了从监督微调模型中重建个人身份信息的问题，提出COVA算法在前缀攻击下优于现有提取方法，揭示了不同PII类型泄露程度差异。
为广告设计：基于统一自回归模型的个性化广告图像和文本生成
机构 * Sun Yat-Sen University（中山大学） ； Northeastern University（东北大学）
AI总结 本文提出统一广告生成模型Uni-AdGen，通过单个自回归框架生成个性化图文广告，结合前景感知模块和指令微调提升生成质量，并引入大规模广告数据集和新指标提升个性化生成效果。
Comments 22 pages, 19 figures, CVPR 2026
可解释性可以是可操作的
机构 * Kempner Institute at Harvard University（哈佛大学凯默纳研究所） ； University of Southern California（美国南加州大学） ； Mila – Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； Google DeepMind（谷歌DeepMind） ； Tel Aviv University（特拉维夫大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Maryland（马里兰大学） ； University of Oxford（牛津大学） ； Northeastern University（东北大学） ； Boston University（波士顿大学）
AI总结 本文探讨了可解释性研究的核心问题，提出应以可操作性作为评价标准，通过具体性和验证性两个维度分析阻碍实际应用的障碍，并提出五个领域和评估框架。
Comments Accepted to ICML 2026
通过表示层次解析剪枝何时有效
机构 * University of Maryland, College Park, USA（美国马里兰大学学院公园分校） ； Northeastern University, USA（美国东北大学）
AI总结 本文通过分析语言模型内部计算的三个空间，揭示剪枝在非生成任务中有效而在生成任务中失效的原因，为剪枝应用提供指导。
Comments ICML 2026. 24 pages, 21 figures, and 3 tables. Includes an appendix with supplementary experiments and derivations
PhyGround：用于生成世界模型中物理推理的基准测试
机构 * Northeastern University（东北大学） ； Tulane University（路易斯安那州立大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 PhyGround通过250个精心设计的提示和13种物理定律的分类，评估视频生成中的物理推理能力，采用大规模人工研究验证并发布专用VLM评估工具PhyJudge-9B，显著降低偏见。
Comments Preprint. 56 pages, 39 figures, 40 tables. Project page: https://phyground.github.io/
一致性作为可检验的属性：评估AI代理可靠性的统计方法
机构 * Northeastern University（东北大学） ； University of Pécs（佩奇大学） ； University of Michigan（密歇根大学） ； AT&T Chief Data Office（AT&T首席数据办公室） ； Indian Institute of Management Bangalore（班加罗尔印度管理学院）
AI总结 本文提出了一种评估AI代理可靠性的统计方法，通过输出级可靠性和轨迹级稳定性指标，揭示代理核心能力与执行鲁棒性之间的差异，验证了轨迹一致性指标在诊断敏感性上的优势。
Comments 33 pages, 5 figures, 2 tables
LegalCiteBench: 评估法律语言模型中的引文可靠性
机构 * Northeastern University（东北大学） ； Phala
AI总结 本文提出LegalCiteBench，用于评估法律语言模型在闭书环境下引文恢复、验证和案例匹配的能力，发现即使最强模型在引文检索和完成任务上得分低于7/100，且多数模型存在误导性引文问题。
Comments Preprint. 23 pages including references and appendices
ExtraVAR: 用于视觉自回归模型中分辨率外推的阶段感知RoPE重映射
机构 * Beijing Institute of Technology（北京理工大学） ； Xidian University（西安电子科技大学） ； Northeastern University at Qinhuangdao（秦皇岛东北大学） ； Shanghai Jiao Tong University（上海交通大学） ； Department of Automation, Tsinghua University（清华大学自动化系）
AI总结 本文提出ExtraVAR，通过阶段感知RoPE重映射解决视觉自回归模型中分辨率外推的全局重复、局部重复和细节退化问题，引入熵驱动自适应注意力校准提升结构和细节质量。
Comments 10 pages, 7 figures
大语言模型如何被说服：几个被重定向的注意力头
机构 * Northeastern University（东北大学） ； Harvard University（哈佛大学） ； Tsinghua University（清华大学） ； Skywork AI
AI总结 研究揭示大语言模型在被说服时，少量中间层注意力头决定答案，通过重定向注意力产生事实性错误，该机制在开源LLM和现实攻击场景中均有效。
Comments 9 pages, 9 figures
将多模态大语言模型引入红外-可见图像融合质量评估
机构 * Northwestern University（西北大学） ； Northeastern University（东北大学） ； University of Washington（华盛顿大学） ； Hong Kong Baptist University（香港 Baptist大学） ； Beijing Normal - Hong Kong Baptist University（北京师范大学-香港 Baptist大学）
AI总结 本文提出FuScore，利用多模态大语言模型生成连续质量评分，以更精确区分质量相近的融合图像，并结合多维子维度一致性和三重目标函数提升评估性能。
高效估计用于任务归因的核替代模型
机构 * Northeastern University（东北大学）
AI总结 本文提出核替代模型用于高效估计任务归因，通过第二阶分析建立线性替代模型与影响函数的联系，并在多个任务设置中验证其有效性，实现更高的相关性和可扩展性。
Comments 27 pages. Appeared in ICLR 2026
重新思考基于比率的信任区域用于多智能体强化学习中的策略优化
机构 * Northeastern University（东北大学） ； STR ； University of California, Irvine（加州大学尔湾分校）
AI总结 本文提出MARS方法，通过乘法对称几何屏障替代传统比率信任区域机制，提升多智能体策略优化性能。
基于混合策略蒸馏的推理压缩
机构 * Technical University of Munich（慕尼黑技术大学） ； GESIS – Leibniz Institute for the Social Sciences（莱布尼茨社会科学研究所） ； Northeastern University（东北大学） ； LMU Munich（慕尼黑大学） ； Siemens AG（西门子股份公司） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Mina AI
AI总结 本文提出混合策略蒸馏框架，通过从大模型压缩推理轨迹到小模型，有效减少token使用并提升推理性能。
CUDAHercules：用于LLM的硬件感知专家级CUDA优化基准测试
机构 * University of Minnesota（明尼苏达大学） ； Northeastern University（东北大学）
AI总结 CUDAHercules基准测试评估生成CUDA代码与人类专家级优化的差距，揭示自动化CUDA编程在硬件感知和优化策略上的不足。
可靠的基于大语言模型的边缘-云-专家级联系统用于电信知识系统
机构 * College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院） ； Centre for Intelligent Information Processing Systems (CIIPS), Department of Engineering, King’s College London（伦敦国王学院工程系智能信息处理系统中心） ； Intelligent Networked Systems Institute (INSI) at Northeastern University（东北大学智能网络化系统研究所）
AI总结 本文提出一种边缘-云-专家级联的LLM知识系统，通过问答流程实现决策，利用高效边缘模型处理常规查询，云模型处理复杂问题，必要时引入专家。通过统计严谨的阈值选择方法，保证在给定置信水平下可靠性。
Comments This paper has been submitted to a journal
探测人工智能推理的临界点（CritPt）：一个前沿物理研究基准
机构 * Argonne National Laboratory（阿贡国家实验室） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Virginia Tech（弗吉尼亚理工大学） ； Ohio State University（俄亥俄州立大学） ； Independent（独立） ； Northeastern University（东北大学） ； Caltech（加州理工学院） ； University of Florida（佛罗里达大学） ； University of Waterloo（滑铁卢大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Columbia University（哥伦比亚大学） ； Perimeter Institute for Theoretical Physics（理论物理研究所） ； University of Connecticut（康涅狄格大学） ； University of Cologne（科隆大学） ； The Chinese University of Hong Kong（香港中文大学） ； Utrecht University（乌得勒支大学） ； Harvard University（哈佛大学） ； ETH Zürich（苏黎世联邦理工学院） ； Paul Scherrer Institute（保罗·谢尔研究所）
AI总结 本文提出CritPt基准，用于测试LLM在未发表的科研级推理任务中的能力，涵盖现代物理多个领域，发现当前LLM在复杂科研挑战中表现有限，仅能实现5.7%的准确率。
Comments 40 pages, 6 figures, 6 tables
交互式批评-修订训练用于可靠的结构化大语言模型生成
机构 * The George Washington University（乔治华盛顿大学） ； Northeastern University（东北大学） ； United States Military Academy（美国军事学院）
AI总结 本文提出DPA-GRPO方法，通过生成器-验证器游戏中的结构化验证干预，提升结构化决策的准确性与一致性，实验显示其在TaxCalcBench TY24上优于零样本生成和生成器-only RL基线。
分层多保真学习用于预测三维火焰褶皱和湍流燃烧速度
机构 * Department of Mechanical and Industrial Engineering, Northeastern University, Boston, MA 02115, USA（机械与工业工程系，东北大学，波士顿，马萨诸塞州，02115，美国） ； School of Mechanical Engineering, University of Leeds, Leeds, UK（机械工程学院，利兹大学，利兹，英国）
AI总结 本文提出分层多保真神经网络框架MuFiNNs，通过整合稀疏高保真实验数据与结构化低保真表示，有效预测三维火焰褶皱和湍流燃烧速度，克服了高保真实验数据获取的限制。
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