Shanghai Jiao Tong University（上海交通大学）

FedDOSE: Federated Learning Framework Decomposing Site Effects for Modeling Brain Dynamic Functional Connectivity

FedDOSE：分解站点效应以建模脑动态功能连接的联邦学习框架

Deepank Girish, Yi Hao Chan, Yubin Zheng, Sukrit Gupta, Jagath C. Rajapakse

机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Indian Institute of Technology Ropar（罗帕尔印度理工学院） 纠错

AI总结 FedDOSE是分解站点效应的联邦学习框架，通过模块化引导Tucker分解等技术处理多站点fMRI的动态功能连接，在ASD和ADHD检测中性能优于现有方法。

From Test-Time Scaling to Reusable Memory: Measuring Crystallization in Text-to-SQL

从测试时扩展到可复用记忆：测量文本到SQL中的结晶现象

Jiaqian Wang, Yutao Qi, Wenjin Hou, Yuanxi Che, Muning Wen

机构 * Xidian University（西安电子科技大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 该研究提出文本到SQL的结晶问题，通过受控评估发现存储已验证修正查询可提升BIRD数据集的保留首次尝试准确率，确定数据库特定内容是关键要素，明确验证与检索覆盖的作用。

Comments 18 pages, 6 figures. Open-source code, evaluation artifacts, and reproduction instructions: https://github.com/ai-jiaqian/text-to-sql-memory-crystallization

Modular TTT: Rethinking Test-Time Training as Composable Modules

模块化测试时训练（TTT）：将测试时训练重新思考为可组合模块

Bohao Tang, Zhen Qin, Yuqi Pan, Zheng Li, Pengfei Liu, Ya Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； ByteDance Seed（字节跳动Seed） 纠错

AI总结 该研究提出Modular TTT框架，将TTT各组件设为显式设计维度，通过消融实验明确关键组件对性能的影响，训练的大参数模型性能可与Gated DeltaNet媲美。

Comments Code: https://github.com/ByteDance-Seed/Modular-TTT

M2-SMap: Memory-Efficient Semantic Mapping with Hierarchical Multi-Model Representation

M2-SMap：基于分层多模型表示的内存高效语义建图

QiYing Deng, ZhongLai Wang, Yuan Gao, Wei Dong

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出基于分层多模型表示的内存高效语义建图框架M2-SMap，通过分层几何分解等策略提升场景表达，在三个RGB-D序列上实现低基元数、无物体粘连的实时建图。

Comments 8 pages, 10 figures

MMAG: A Multi-Control Mixed Audio Generation Benchmark

MMAG：多控制混合音频生成基准

Zihao Zheng, Xuenan Xu, Jiahao Mei, Yixuan Li, Minghao Lv, Wen Wu, Chao Zhang, Mengyue Wu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Lab（上海人工智能实验室） 纠错

AI总结 本研究针对现有音频生成基准的不足，推出MMAG混合音频生成基准，构建含4000个标注音频的数据集，提出系统评估协议，测试发现各类模型在多控制能力间存在性能权衡，为该领域提供综合基准。

Comments 15 pages, 6 figures

MemPrism: Task-Conditioned Relational Memory Views for Long-Horizon Agents

MemPrism：面向长程智能体的任务条件关系记忆视图

Zhisheng Chen, Bingfan Zeng, Bangde Cao, Zhengwei Xie, Yuxuan Li, Jinhan Li, Zheng Lu, Xiangchen Guan, Zikai Xiao, Rui Qian, Jingwei Song

机构 * Nanyang Technological University（南洋理工大学） ； South China University of Technology（华南理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 该研究针对长程智能体记忆系统的表示不匹配问题，提出MemPrism任务条件关系记忆框架，经实验验证可提升长程任务性能、减少记忆消耗且视图策略可跨VLM迁移。

Solver-Guided Reasoning for Mixed-Equilibrium Strategies

求解器引导的混合策略均衡推理

Han Wang, Philippe Beardsell, Boning Li, Aaron Sasmita, Shuai Li, Hongyuan Zha, Baoxiang Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； GTO Wizard ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Vector Institute（向量研究所） 纠错

AI总结 本研究提出混合策略决策树（MDT），用求解器输出引导LLM在博弈中的均衡推理，在无限制德州扑克8种LLM配置下，将与均衡的L1距离降低52.6%，且策略可移植性良好。

Interpretable Unsupervised Community Detection with LLM-Symbolized Structured Processes

基于LLM符号化结构化过程的可解释无监督社区检测

Aoting Zeng, Kai Wang, Jianwei Wang, Yuxiang Sun, Yizhang He, Wenjie Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of New South Wales（新南威尔士大学） 纠错

AI总结 本研究提出LLM引导的无监督社区检测方法LUCID，通过四阶段流程结合LLM生成规则实现可解释性，在真实数据集上性能优于主流无监督与半监督基线。