Northeastern University（东北大学）

GTCN-G: A Residual Graph-Temporal Fusion Network for Imbalanced Intrusion Detection

GTCN-G：一种用于不平衡入侵检测的残差图-时间融合网络

Tianxiang Xu, Zhichao Wen, Xinyu Zhao, Qi Hu, Yan Li, Chang Liu

机构 * Peking University（北京大学） ； RWTH Aachen University（亚琛工业大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Northeastern University（东北大学） ； Thales Group（泰雷兹集团） ； Chinese Medical Information and Big Data Association（中国医学信息与大数据协会） 纠错

AI总结 本文提出GTCN-G模型，结合图卷积网络和门控时间卷积网络，通过残差学习机制解决数据不平衡问题，实验表明在二分类和多分类任务中性能优越。

Comments This preprint was submitted to IEEE TrustCom 2025. The accepted version will be published under copyright 2025 IEEE

GPU Acceleration of Sparse Fully Homomorphic Encrypted DNNs

GPU加速稀疏全同态加密DNN

Lara D'Agata, Carlos Agulló-Domingo, Óscar Vera-López, Kaustubh Shivdikar, Ardhi W. B. Yudha, Ferhat Yaman, David Kaeli, José L. Abellán, Ian Colbert, José Cano

机构 * University of Glasgow（格拉斯哥大学） ； University of Murcia（穆尔西亚大学） ； Northeastern University（东北大学） ； AMD（超威半导体公司） 纠错

AI总结 本文提出在AMD GPU上加速深度神经网络中矩阵乘法的方法，利用FIDESlib库优化稀疏矩阵运算，提升运行效率并降低时间复杂度。

Comments Accepted to the 6th Workshop on Machine Learning and Systems (EuroMLSys) co-located with EuroSys '26

CLASP: Closed-loop Asynchronous Spatial Perception for Open-vocabulary Desktop Object Grasping

CLASP: 闭环异步空间感知用于开放词汇桌面物体抓取

Yiran Ling, Wenxuan Li, Siying Dong, Yize Zhang, Xiaoyao Huang, Jing Jiang, Ruonan Li, Jie Liu

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； National Key Laboratory of Smart Farm Technologies and Systems（智慧农场技术与系统全国重点实验室） ； Peng Cheng Laboratory（鹏城实验室） ； Northeastern University（东北大学） 纠错

AI总结 本文提出CLASP框架，通过异步闭环机制整合多模态感知、逻辑推理与状态反馈，解决低级抓取中多模态演示不足、空间幻觉和开放环执行脆弱性问题，实现87%的成功率和强泛化能力。

Drift-Aware Online Dynamic Learning for Nonstationary Multivariate Time Series: Application to Sintering Quality Prediction

考虑漂移的在线动态学习用于非平稳多变量时间序列：应用于烧结质量预测

Yumeng Zhao, Shengxiang Yang, Xianpeng Wang

机构 * National Frontiers Science Center for Industrial Intelligence and Systems Optimization, Northeastern University（东北大学工业智能与系统优化国家级前沿科学中心） ； De Montfort University（德蒙福特大学） ； Innovative Artificial Intelligence Cluster, Digital Future Institute, De Montfort University（德蒙福特大学数字未来研究所创新人工智能集群） ； Key Laboratory of Data Analytics and Optimization for Smart Industry (Northeastern University), Ministry of Education（东北大学智能工业数据解析与优化教育部重点实验室） 纠错

AI总结 本文提出DA-MSDL框架，通过在线自适应机制在非平稳数据流中保持鲁棒的多输出预测性能，利用多尺度双分支卷积网络分离局部波动与长期趋势，并通过最大均值差异检测漂移，实现快速分布对齐和灾难性遗忘缓解。

StaRPO: Stability-Augmented Reinforcement Policy Optimization

StaRPO：稳定性增强的强化策略优化

Jinghan Zhang, Fengran Mo, Tharindu Cyril Weerasooriya, Ruimin Dai, Xiaoyan Han, Yanjie Fu, Dakuo Wang, Kunpeng Liu

机构 * Clemson University（克莱姆森大学） ； Université de Montréal（蒙特利尔大学） ； Accenture (United States)（埃森哲（美国）） ； Arizona State University（亚利桑那州立大学） ； Northeastern University（东北大学） 纠错

AI总结 StaRPO通过引入推理稳定性指标提升强化学习在复杂推理任务中的表现，通过ACF和PE指标增强逻辑稳定性和响应准确性。

What do Language Models Learn and When? The Implicit Curriculum Hypothesis

语言模型学习了什么以及何时？隐式课程假说

Emmy Liu, Kaiser Sun, Millicent Li, Isabelle Lee, Lindia Tjuatja, Jen-tse Huang, Graham Neubig

机构 * Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） ； Department of Computer Science, Data Science and AI Institute, Johns Hopkins University（约翰霍普金斯大学计算机科学系、数据科学与人工智能研究所） ； Khoury College of Computer Science, Northeastern University（东北大学Khoury计算机科学学院） ； Department of Computer Science, University of Southern California（南加州大学计算机科学系） 纠错

AI总结 研究通过设计简单可组合任务，发现模型技能以可组合顺序出现，且在不同模型间一致，表明预训练过程具有结构性。

How Far Are Large Multimodal Models from Human-Level Spatial Action? A Benchmark for Goal-Oriented Embodied Navigation in Urban Airspace

大型多模态模型距离人类水平的空间行动还有多远？一个面向城市空域目标导向的具身导航基准测试

Baining Zhao, Ziyou Wang, Jianjie Fang, Zile Zhou, Yanggang Xu, Yatai Ji, Jiacheng Xu, Qian Zhang, Weichen Zhang, Chen Gao, Xinlei Chen

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Northeastern University（东北大学） ； National University of Defense Technology（国防科技大学） ； Shandong University（山东大学） ； BNRist, Tsinghua University（清华大学北京信息科学与技术国家研究中心） 纠错

AI总结 本文通过构建包含5037个高质量目标导向导航样本的数据集，评估17种代表性模型在城市3D空间中具身空间行动的能力，发现尽管LMMs展现出新兴行动能力，但仍远未达到人类水平，并揭示导航误差在关键决策分歧后迅速发散的现象。

The Condition-Number Principle for Prototype Clustering

原型聚类的条件数原理

Romano Li, Jianfei Cao

机构 * Department of Economics, Duke University（杜克大学经济系） ； Department of Economics, Northeastern University（东北大学经济系） 纠错

AI总结 本文提出一个几何框架，将目标准确性与结构恢复联系起来，定义了聚类条件数，并揭示了鲁棒性与聚类不平衡之间的根本权衡，提供了可靠的聚类结构解释。

Auto-Configured Networks for Multi-Scale Multi-Output Time-Series Forecasting

多尺度多输出时间序列预测的自配置网络

Yumeng Zha, Shengxiang Yang, Xianpeng Wang

机构 * National Frontiers Science Center for Industrial Intelligence and Systems Optimization, Northeastern University（东北大学工业智能与系统优化国家级前沿科学中心） ； Innovative Artificial Intelligence Cluster, Digital Future Institute, De Montfort University（德蒙福特大学数字未来研究所创新人工智能集群） ； Key Laboratory of Data Analytics and Optimization for Smart Industry (Northeastern University), Ministry of Education（教育部智能工业数据解析与优化重点实验室（东北大学）） 纠错

AI总结 本文提出自配置框架，通过多尺度双分支卷积神经网络和混合多目标进化算法，实现预测误差与复杂度的平衡，优于现有基线方法。

M-ArtAgent: Evidence-Based Multimodal Agent for Implicit Art Influence Discovery

M-ArtAgent：基于证据的多模态代理用于隐式艺术影响发现

Hanyi Liu, Zhonghao Jiu, Minghao Wang, Yuhang Xie, Heran Yang

机构 * China Electronics Technology Group Co., Ltd.（中国电子科技集团有限公司） ； School of Information Science and Engineering, Southeast University（东南大学信息科学与工程学院） ； Department of Chemical and Biological Engineering, Hong Kong University of Science and Technology（香港科技大学化学与生物工程系） ； University of California San Diego（加州大学圣迭戈分校） ； Northeastern University（东北大学） 纠错

AI总结 本文提出M-ArtAgent，通过概率裁决框架解决隐式艺术影响发现问题，结合多模态感知与领域约束的反驳机制，实现83.7%的F1分数和0.910的ROC-AUC。

Comments 13 pages, 5 figures, submitted to IEEE Access

Lang2Act: Fine-Grained Visual Reasoning through Self-Emergent Linguistic Toolchains

Lang2Act: 通过自涌现语言工具链实现细粒度视觉推理

Yuqi Xiong, Chunyi Peng, Zhipeng Xu, Zhenghao Liu, Zulong Chen, Yukun Yan, Shuo Wang, Yu Gu, Ge Yu

机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系） ； Alibaba Group, Hangzhou, China（阿里巴巴集团） 纠错

AI总结 Lang2Act通过自涌现语言工具链提升视觉感知与推理能力，采用强化学习框架优化VLMs的视觉感知和下游任务性能，实验显示其在视觉感知能力上有显著提升。

Chunks as Arms: Multi-Armed Bandit-Guided Sampling for Long-Context LLM Preference Optimization

片段作为手臂：多臂老虎机引导的长上下文LLM偏好优化采样

Shaohua Duan, Pengcheng Huang, Xinze Li, Zhenghao Liu, Xiaoyuan Yi, Yukun Yan, Shuo Wang, Yu Gu, Ge Yu, Maosong Sun

机构 * School of Computer Science and Engineering, Northeastern University, China（东北大学计算机科学与工程学院） ； Microsoft Research Asia, China（微软亚洲研究院） ； Department of Computer Science and Technology, Institute for AI, Tsinghua University, China（清华大学计算机科学与技术系及人工智能研究院） 纠错

AI总结 本文提出LongMab框架，利用多臂老虎机策略从长上下文中选择最有信息量的片段，生成高质量多样化的响应，用于直接偏好优化训练，提升长上下文推理能力。

Comments 17 pages

Scientific Knowledge-driven Decoding Constraints Improving the Reliability of LLMs

基于科学知识的解码约束：提升大语言模型的可靠性

Maotian Ma, Zheni Zeng, Zhenghao Liu, Yukun Yan

机构 * Nanjing University（南京大学） ； Tsinghua University（清华大学） ； Northeastern University（东北大学） 纠错

AI总结 本文提出SciDC方法，通过整合领域知识与强约束提升LLM在科学任务中的可靠性，实验显示在工业配方设计、肿瘤诊断和逆合成规划中平均准确率提升12%。

Do MLLMs Really Understand Space? A Mathematical Reasoning Evaluation

大规模语言模型真的能理解空间吗？一项数学推理评估

Shuo Lu, Jianjie Cheng, Yinuo Xu, Yongcan Yu, Lijun Sheng, Peijie Wang, Siru Jiang, Yongguan Hu, Run Ling, Yihua Shao, Ao Ma, Wei Feng, Lingxiao He, Meng Wang, Qianlong Xie, Xingxing Wang, Nicu Sebe, Ran He, Jian Liang

机构 * Meituan Inc.（美团） ； Northeastern University（东北大学） ； University of Trento（特伦托大学） 纠错

AI总结 本文通过MathSpatial数据集评估了大规模语言模型在数学空间推理上的能力，发现其在空间推理任务上表现不佳，提出该数据集有助于提升模型的空间推理能力。

MedGRPO: Multi-Task Reinforcement Learning for Heterogeneous Medical Video Understanding

MedGRPO：异构医学视频理解的多任务强化学习

Yuhao Su, Anwesa Choudhuri, Zhongpai Gao, Benjamin Planche, Van Nguyen Nguyen, Meng Zheng, Yuhan Shen, Arun Innanje, Terrence Chen, Ehsan Elhamifar, Ziyan Wu

机构 * Northeastern University（东北大学） ； United Imaging Intelligence（联影智能） 纠错

AI总结 本文提出MedGRPO框架，通过跨数据集奖励归一化和医学LLM评判器提升医学视频理解的训练效果，建立基础基准和训练方法。

Comments Accepted at CVPR 2026

Joint Knowledge Base Completion and Question Answering by Combining Large Language Models and Small Language Models

通过结合大语言模型和小语言模型实现知识库补全与问答的联合处理

Yinan Liu, Dongying Lin, Sigang Luo, Xiaochun Yang, Bin Wang

机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院，沈阳，中国） ； National Frontiers Science Center for Industrial Intelligence and Systems optimization, Northeastern University, Shenyang, China（东北大学工业智能与系统优化国家级前沿科学中心，沈阳，中国） 纠错

AI总结 本文提出JCQL框架，结合大语言模型与小语言模型，通过迭代增强知识库补全与问答任务，提升两者性能。

Comments 20 pages, 11 figures

Journal ref ACL 2026

EAGLE: Edge-Aware Graph Learning for Proactive Delivery Delay Prediction in Smart Logistics Networks

EAGLE：面向智能物流网络主动交付延迟预测的边感知图学习

Zhiming Xue, Menghao Huo, Yujue Wang

机构 * College of Engineering, Northeastern University（东北大学工程学院） ； School of Engineering, Santa Clara University（圣克拉拉大学工程学院） ； Department of Chemistry and Chemical Biology, University of New Mexico（新墨西哥大学化学与化学生物学系） 纠错

AI总结 本文提出EAGLE框架，结合轻量级Transformer和边感知图注意力网络，通过多任务学习优化，实现对供应链风险的主动预测，实验显示其在F1-score和AUC-ROC指标上均优于基线方法。

This Treatment Works, Right? Evaluating LLM Sensitivity to Patient Question Framing in Medical QA

这种治疗有效吗？评估LLM在医疗问答中对患者问题表述的敏感性

Hye Sun Yun, Geetika Kapoor, Michael Mackert, Ramez Kouzy, Wei Xu, Junyi Jessy Li, Byron C. Wallace

机构 * Northeastern University（东北大学） ； UC Berkeley（加州大学伯克利分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UT MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 研究评估了LLM在医疗问答中对问题表述方式的敏感性，发现不同表述方式会导致不一致结论，尤其在多轮对话中更为明显，强调了在高风险场景中需重视表述鲁棒性。

Comments 31 pages, 4 tables, 19 figures

Framing Effects in Independent-Agent Large Language Models: A Cross-Family Behavioral Analysis

独立代理大语言模型中的框架效应：跨家族行为分析

Zice Wang, Zhenyu Zhang

机构 * Northeastern University（东北大学） ； Beijing Institute of Technology（北京理工大学） 纠错

AI总结 研究探讨了在非交互多代理部署中，提示框架如何影响独立代理在阈值投票任务中的决策，发现框架效应显著影响选择分布，倾向于风险规避选项，揭示了非交互多代理部署中的重要偏差源。

RLAIF-SPA: Structured AI Feedback for Semantic-Prosodic Alignment in Speech Synthesis

RLAIF-SPA: 结构化AI反馈用于语音合成中的语义-语调对齐

Qing Yang, Zhenghao Liu, Yangfan Du, Pengcheng Huang, Tong Xiao

机构 * School of Computer Science and Engineering, Northeastern University, China（东北大学计算机科学与工程学院） 纠错

AI总结 本文提出RLAIF-SPA框架，通过整合强化学习从AI反馈来优化语音合成中的情感表达和可懂度，实验显示其在多个数据集上均取得显著提升。

The Indra Representation Hypothesis for Multimodal Alignment

多模态对齐的Indra表示假说

Jianglin Lu, Hailing Wang, Kuo Yang, Yitian Zhang, Simon Jenni, Yun Fu

机构 * Northeastern University（东北大学） ； Adobe Research（Adobe研究院） 纠错

AI总结 本文提出Indra表示假说，通过范畴论中的V富化Yoneda嵌入，定义样本间关系轮廓，提升多模态对齐的鲁棒性和一致性。

A Model of Understanding in Deep Learning Systems

深度学习系统中的理解模型

David Peter Wallis Freeborn

机构 * Northeastern University London（伦敦东北大学） 纠错

AI总结 本文提出深度学习系统中系统性理解的模型，指出其虽能实现理解但缺乏科学理解的象征一致性、明确还原性和强统一性。

Brittlebench: Quantifying LLM robustness via prompt sensitivity

Brittlebench: 通过提示敏感性量化大语言模型的鲁棒性

Angelika Romanou, Mark Ibrahim, Candace Ross, Chantal Shaib, Kerem Oktar, Samuel J. Bell, Anaelia Ovalle, Jesse Dodge, Antoine Bosselut, Koustuv Sinha, Adina Williams

机构 * FAIR at Meta（Meta FAIR） ； EPFL（瑞士联邦理工学院洛桑） ； Northeastern University（东北大学） 纠错

AI总结 本文提出Brittlebench框架，通过提示变异量化大语言模型的鲁棒性，揭示模型在真实输入下的性能波动，强调对更鲁棒模型和评估的需求。

Restore-R1: Efficient Image Restoration Agents via Reinforcement Learning with Multimodal LLM Perceptual Feedback

Restore-R1: 通过多模态大语言模型感知反馈的强化学习图像修复代理

Jianglin Lu, Yuanwei Wu, Ziyi Zhao, Hongcheng Wang, Felix Jimenez, Abrar Majeedi, Yun Fu

机构 * Amazon（亚马逊） ； Northeastern University（东北大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出Restore-R1框架，利用强化学习和多模态大语言模型感知反馈，高效解决图像修复问题，无需标注数据即可实现高质量修复。

Mixture-of-Retrieval Experts for Reasoning-Guided Multimodal Knowledge Exploitation

基于推理引导的多模态知识利用的检索专家混合

Chunyi Peng, Zhipeng Xu, Zhenghao Liu, Yishan Li, Yukun Yan, Shuo Wang, Yu Gu, Minghe Yu, Ge Yu, Maosong Sun

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

AI总结 本文提出MoRE框架，通过动态选择检索专家提升多模态大语言模型的知识利用效率，实验表明在开放领域问答基准上性能提升超过7%。

When Models Know More Than They Say: Probing Analogical Reasoning in LLMs

当模型知道更多 than 它说：探测类比推理在 LLMs 中

Hope McGovern, Caroline Craig, Thomas Lippincott, Hale Sirin

机构 * Cambridge University（剑桥大学） ； Northeastern University（东北大学） ； Athenahealth ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 研究探讨了LLMs在类比推理任务中的表现，发现探测内部表示比提示性能更优，揭示了任务依赖性和提示机制的局限性。

SecureAFL: Secure Asynchronous Federated Learning

SecureAFL: 安全的异步联邦学习

Anjun Gao, Feng Wang, Zhenglin Wan, Yueyang Quan, Zhuqing Liu, Minghong Fang

机构 * University of Louisville（路易斯维尔大学） ； Northeastern University（东北大学） ； National University of Singapore（新加坡国立大学） ； University of North Texas（北德克萨斯大学） 纠错

AI总结 本文提出SecureAFL框架，通过检测并丢弃异常更新、估计缺失客户端贡献以及采用坐标中位数聚合技术，提升异步联邦学习的安全性与鲁棒性。

Comments To appear in ACM AsiaCCS 2026

Fusion and Alignment Enhancement with Large Language Models for Tail-item Sequential Recommendation

基于大语言模型的尾项序列推荐融合与对齐增强

Zhifu Wei, Yizhou Dang, Guibing Guo, Chuang Zhao, Zhu Sun

机构 * Northeastern University（东北大学） ； Tianjin University（天津大学） ； Singapore University of Technology and Design（新加坡科技设计大学） 纠错

AI总结 本文提出FAERec框架，通过自适应门控机制和双层对齐方法提升尾项序列推荐中物品表示的质量，解决协同信号与语义知识融合不足及嵌入空间结构不一致的问题。

Love Me, Love My Label: Rethinking the Role of Labels in Prompt Retrieval for Visual In-Context Learning

爱我，爱我的标签：重新思考标签在视觉上下文学习中的提示检索中的作用

Tianci Luo, Haohao Pan, Jinpeng Wang, Niu Lian, Xinrui Chen, Bin Chen, Shu-Tao Xia, Chun Yuan

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） 纠错

AI总结 本文提出LaPR框架，通过增强标签信息提升视觉上下文学习中提示检索的性能，实验表明其在分割、检测和着色任务中表现优异。

Comments Accepted to CVPR 2026. 10 pages, 5 figures, 3 tables

CAGMamba: Context-Aware Gated Cross-Modal Mamba Network for Multimodal Sentiment Analysis

CAGMamba：基于上下文的门控跨模态Mamba网络用于多模态情感分析

Minghai Jiao, Jing Xiao, Peng Xiao, Ende Zhang, Shuang Kan, Wenyan Jiang, Jinyao Li, Yixian Liu, Haidong Xin

机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Xingning Power Supply Bureau, Guangdong Power Grid Co., Ltd.（广东电网有限责任公司兴宁供电局） 纠错

AI总结 本文提出CAGMamba网络，通过门控机制实现跨模态信息融合，有效建模上下文依赖和情感演变，实验表明在多模态情感分析任务中表现优异。