University of Toronto（多伦多大学）

Formal Methods Meet LLMs: Auditing, Monitoring, and Intervention for Compliance of Advanced AI Systems

形式方法与大语言模型交汇：面向高级AI系统合规性的审计、监控与干预

Parand A. Alamdari, Toryn Q. Klassen, Sheila A. McIlraith

机构 * University of Toronto, Vector Institute（多伦多大学，向量研究所） 纠错

AI总结 本文提出结合形式方法与机器学习的审计和监控技术，用于检测AI系统中时间扩展行为约束的违规，实验表明其在检测违规方面优于LLM基方法，且能有效降低LLM代理的违规率。

Attention Dispersion in Dynamic Graph Transformers: Diagnosis and a Transferable Fix

动态图变换器中的注意力分散：诊断与可迁移的修复

Jinhao Zhang, Kangfei Zhao, Qiuhao Zeng, Long-Kai Huang

机构 * Beijing Institute of Technology（北京理工大学） ； University of Toronto（多伦多大学） ； Hong Kong Baptist University（香港 Baptist 大学） 纠错

AI总结 本文识别动态图变换器在时间分布偏移下的注意力分散问题，并提出可迁移的差分注意力机制以提升性能，尤其在高偏移数据集上表现显著。

LDGuid: A Framework for Robust Change Detection via Latent Difference Guidance

LDGuid: 一种通过潜在差异引导实现鲁棒变化检测的框架

Jiaxuan Zhao, Ali Bereyhi

机构 * University of Toronto（多伦多大学） 纠错

AI总结 本文提出LDGuid框架，通过学习并注入语义差异提升变化检测性能，实验显示其在多个数据集上显著提升分割效果，尤其在受光谱噪声影响的挑战性场景中表现突出。

Comments Accepted to IGARSS 2026. Code is available at: https://github.com/zjxyoyo/LDGuid

SurvivalPFN: Amortizing Survival Prediction via In-Context Bayesian Inference

SurvivalPFN: 通过上下文贝叶斯推断实现生存预测的 amortization

Shi-ang Qi, Vahid Balazadeh, Michael Cooper, Russell Greiner, Rahul G. Krishnan

机构 * Vector Institute（向量研究所） ； University of Toronto（多伦多大学） ； University of Alberta（阿尔伯塔大学） ； Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所） 纠错

AI总结 SurvivalPFN 通过上下文学习实现生存预测的 amortization，利用预训练的网络在单次前向传递中处理右删失数据，避免了参数假设，产生校准的生存分布，在61个数据集上表现优异。

Laplacian Heads Improve Transformers by Smoothing Token Representations

拉普拉斯头通过平滑标记表示来改进变换器

Yuchong Zhang, Vardan Papyan

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） 纠错

AI总结 本文提出在变换器中引入拉普拉斯头，通过平滑标记表示提升性能，发现特定形式的平滑对任务有帮助。