University of Toronto（多伦多大学）

Negation Neglect: When models fail to learn negations in training

否定忽视：当模型在训练中无法学习否定时的失败

Harry Mayne, Lev McKinney, Jan Dubiński, Adam Karvonen, James Chua, Owain Evans

机构 * University of Oxford（牛津大学） ； University of Toronto（多伦多大学） ； Warsaw University of Technology（华沙技术大学） ； NASK National Research Institute（国家研究 institute NASK） ； Truthful AI ； Anthropic ； UC Berkeley（伯克利大学） 纠错

AI总结 研究发现，当模型在训练中接触到标记为假的声明时，会错误地认为这些声明为真，且这种现象不仅发生在否定语句中，还扩展到其他认知限定词，影响模型的行为和安全性。

AI-Generated Slides: Are They Good? Can Students Tell?

AI生成的幻灯片：它们好吗？学生能识别吗？

Juho Leinonen, Lisa Zhang, Arto Hellas

机构 * Aalto University（艾洛大学） ； University of Toronto Mississauga（多伦多大学滑铁卢分校） 纠错

AI总结 本文研究了生成式AI工具在生成幻灯片中的表现，发现编码助手生成的幻灯片更准确且教学效果更好，学生难以区分AI与人工生成的幻灯片，但高质量幻灯片与AI生成标签间存在负相关。

Comments 7 pages, 2 tables. Accepted to Western Canada Conference on Computing Education (WCCCE) 2026

LiBaGS: Lightweight Boundary Gap Synthesis for Targeted Synthetic Data Selection

LiBaGS：轻量级边界间隙合成用于目标合成数据选择

Abhishek Moturu, Anna Goldenberg, Babak Taati

机构 * Department of Computer Science（计算机科学系） ； University of Toronto（多伦多大学） ； The Hospital for Sick Children UHN（Sick Children医院 UHN） ； KITE Research Institute（KITE研究机构） ； T-CAIREM Vector Institute（T-CAIREM向量研究所） ； Vector Institute（向量研究所） 纠错

AI总结 LiBaGS通过结合决策边界接近度、预测不确定性、真实数据密度和支持有效性，选择信息丰富且可能留在真实数据流形上的合成样本，改进了合成数据选择的准确性。

DeCo-DETR: Decoupled Cognition DETR for efficient Open-Vocabulary Object Detection

DeCo-DETR：解耦认知DETR用于高效的开放词汇目标检测

Siheng Wang, Yanshu Li, Bohan Hu, Zhengdao Li, Haibo Zhan, Linshan Li, Weiming Liu, Ruizhi Qian, Guangxin Wu, Hao Zhang, Jifeng Shen, Piotr Koniusz, Zhengtao Yao, Junhao Dong, Qiang Sun

机构 * Jiangsu University（江苏大学） ； Brown University（布朗大学） ； Nanyang Technological University（南洋理工大学） ； MBZUAI ； University of New South Wales（新南威尔士大学） ； USC ； University of Toronto（多伦多大学） ； Data61 CSIRO 纠错

AI总结 DeCo-DETR通过统一解耦范式解决开放词汇目标检测中的计算开销与训练目标冲突问题，构建层次化语义原型空间并解耦语义推理与定位，提升推理效率。

Comments Accepted at ICLR 2026

LiLAW: Lightweight Learnable Adaptive Weighting to Learn Sample Difficulty & Improve Noisy Training

LiLAW: 轻量级可学习自适应加权以学习样本难度并提高噪声训练

Abhishek Moturu, Muhammad Muzammil, Anna Goldenberg, Babak Taati

机构 * Department of Computer Science（计算机科学系） ； University of Toronto（多伦多大学） ； Department of Mathematics（数学系） ； The Hospital for Sick Children（圣·玛利亚医院） ； Department of Statistics（统计学系） ； UHN KITE Research Institute（UHN KITE研究所） ； T-CAIREM ； Vector Institute（向量研究所） ； Institute of Biomedical Engineering（生物医学工程研究所） ； Rehabilitation Sciences Institute（康复科学研究所） 纠错

AI总结 LiLAW通过动态调整样本损失权重，提升噪声训练下的准确性和鲁棒性，适用于多种数据集和架构。

IV-ICL: Bounding Causal Effects with Instrumental Variables via In-Context Learning

IV-ICL：通过上下文学习界定制因变量效应

Vahid Balazadeh, Hamidreza Kamkari, Medha Barath, Ricardo Silva, Rahul G. Krishnan

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； University College London（伦敦大学学院） 纠错

AI总结 本文提出IV-ICL方法，通过上下文学习直接学习因果效应的边际后验分布，并推导出界定制因变量效应的上下限，相比传统方法更高效且更可靠。

CommonWhy: A Dataset for Evaluating Entity-Based Causal Commonsense Reasoning in Large Language Models

CommonWhy：用于评估大语言模型实体基础因果常识推理的数据集

Armin Toroghi, Faeze Moradi Kalarde, Scott Sanner

机构 * University of Toronto（多伦多大学） 纠错

AI总结 CommonWhy数据集通过15000个为什么问题评估大语言模型的因果关系实体推理能力，揭示现有模型在因果推理和事实生成上的不足。

All Circuits Lead to Rome: Rethinking Functional Anisotropy in Circuit and Sheaf Discovery for LLMs

所有电路都通向罗马：重新思考用于大语言模型的电路和sheaf发现中的功能性各向异性

Xi Chen, Mingyu Jin, Jingcheng Niu, Yutong Yin, Jinman Zhao, Bangwei Guo, Dimitris N. Metaxas, Zhaoran Wang, Yutao Yue, Gerald Penn

机构 * Rutgers University（罗格斯大学） ； Northwestern University（西北大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； University of Toronto（多伦多大学） 纠错

AI总结 本文挑战了电路和sheaf发现中关于函数局部化的假设，展示单个任务可由多个结构不同的电路或sheaf支持，并提出Overlap-Aware Sheaf Repulsion方法以发现高表现低重叠的机制。

Comments ICML 2026

Test-Time Training with KV Binding Is Secretly Linear Attention

测试时训练与KV绑定实际上是秘密的线性注意力

Junchen Liu, Sven Elflein, Or Litany, Zan Gojcic, Ruilong Li

机构 * NVIDIA, Toronto, Ontario, Canada（NVIDIA，多伦多，安大略省，加拿大） ； University of Toronto, Toronto, Ontario, Canada（多伦多大学，多伦多，安大略省，加拿大） ； Vector Institute, Toronto, Ontario, Canada（向量研究所，多伦多，安大略省，加拿大） ； Technion -- Israel Institute of Technology, Haifa, Israel（技术ion -- 以色列理工学院，海法，以色列） 纠错

AI总结 本文揭示测试时训练与KV绑定实际上是学习的线性注意力，而非记忆，提出简化架构、并行计算和统一模型形式的改进方法。

Comments ICML 2026, Webpage: https://research.nvidia.com/labs/sil/projects/tttla/

Test of Time: Rethinking Temporal Signal of Benchmark Contamination

时间检验：重新思考基准污染的时序信号

Terry Jingchen Zhang, Gopal Dev, Ning Wang, Max Obreiter, Punya Syon Pandey, Keenan Samway, Wenyuan Jiang, Yinya Huang, Bernhard Schölkopf, Mrinmaya Sachan, Zhijing Jin

机构 * Jinesis Lab, University of Toronto & Vector Institute（Jinesis实验室、多伦多大学及向量研究所） ； ETH Zürich & ETH AI Center（苏黎世联邦理工学院及ETH人工智能中心） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（智能系统马克斯·普朗克研究所，图宾根，德国） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） 纠错

AI总结 本文质疑LLM后截止性能衰减作为基准污染时序信号的假设，发现该信号对问题构造方式敏感，通过LLM转换问题可改变时序模式，验证了其对评估可靠性的启示。

Comments ACL 2026