University of California, San Diego（加州大学圣迭戈分校）

StructAgent: Harness Long-horizon Digital Agents with Unified Causal Structure

StructAgent：利用统一因果结构驾驭长时程数字智能体

Wenyi Wu, Sibo Zhu, Kun Zhou, Aayush Salvi, Zixuan Song, Biwei Huang

机构 * University of California, San Diego（加利福尼亚大学圣地亚哥分校） ； Aether AI Lab（以太人工智能实验室） 纠错

AI总结 研究针对长时程任务中智能体任务进展难解释、验证和恢复的问题，提出StructAgent框架，通过统一因果结构维护任务进展并规范工作流程，实验证明其能提升多种模型性能且具有通用性。

MED-DSLC: Multi-Expert-Domain Classification via Domain Supervision and Logit Calibration

MED-DSLC：通过域监督和对数校准进行多专家域分类

Zheng Zeng, Deepak Sridhar, Nuno Vasconcelos

机构 * University of California, San Diego（加利福尼亚大学圣地亚哥分校） 纠错

AI总结 研究针对视觉语言模型在多域零样本分类中存在的问题，提出MED-DSLC方法，结合域监督训练和域内对数缩放，恢复全局对数可比性，是轻量级方案，经实验验证可提升准确率、鲁棒性和可扩展性。

Comments Accepted to ECCV 2026. Code is available at https://github.com/Leonard-Zeng/MED-DSLC

Normative Alignment of Recommender Systems via Internal Label Shift

通过内部标签转移实现推荐系统的规范对齐

Johannes Kruse, Kasper Lindskow, Michael Riis Andersen, Ryotaro Shimizu, Julian McAuley, Pierre-Alexandre Mattei, Jes Frellsen

机构 * Technical University of Denmark（技术大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Inria, Université Côte d'Azur（Inria与普罗旺斯大学） ； Copenhagen Business School（哥本哈根商学院） ； ZOZO Research（ZOZO研究） ； Pioneer Centre for Artificial Intelligence（先锋人工智能中心） 纠错

AI总结 研究如何使推荐系统输出与目标分布对齐，提出NAILS方法，通过修改用户条件项目分布，在保留原偏好且无需重训模型的情况下，将问题转化为层次分类框架内的标签转移，实现与全局规范目标对齐，且对用户参与度影响小。

Comments 6 pages. Published in the Proceedings of the Nineteenth ACM Conference on Recommender Systems (RecSys '25), Prague, Czech Republic, September 22-26, 2025. Code available at https://github.com/johanneskruse/nails

ZoRRO: A Zero-Weight Personalized Recommender System for Scalable News Recommendation

ZoRRO：用于可扩展新闻推荐的零权重个性化推荐系统

Johannes Kruse, Ryotaro Shimizu, Kasper Lindskow, Jon Tofteskov, Michael Riis Andersen, Julian McAuley, Jes Frellsen

机构 * Technical University of Denmark（丹麦技术大学） ； ZOZO Research（ZOZO研究公司） ； University of California San Diego（加州大学圣地亚哥分校） ； Pioneer Centre for Artificial Intelligence（先锋人工智能中心） 纠错

AI总结 研究针对可扩展新闻推荐提出零权重、无需训练的ZoRRO框架，在离线评估中优于神经基线，在线测试中点击率性能与先进模型相近且速度快600多倍，并揭示相关性能差距，凸显该框架对大规模新闻推荐的实用性及多指标评估的重要性。

Comments 6 pages, 2 figures. Accepted at the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26), Melbourne, Australia, July 20-24, 2026. Code available at https://github.com/johanneskruse/zorro

LeRoPE: Learnable RoPE Frequencies Improve Language Modeling

LeRoPE：可学习的RoPE频率提升语言建模

Petros Karypis, Sean O'Brien, Shreyas Kadekodi, Rui Zhu, Julian McAuley

机构 * UC San Diego（加利福尼亚大学圣地亚哥分校） 纠错

AI总结 研究改进语言模型中位置编码的方法，提出可学习RoPE频率的LeRoPE方法，通过训练不同规模语言模型验证，该方法在各规模下均优于RoPE和部分RoPE，提升了语言建模性能。

Comments 27 pages, 10 figures, 12 tables

A Low-Latency Fraud Detection Layer for Detecting Adversarial Interaction Patterns in LLM-Powered Agents

面向LLM代理的低延迟欺诈检测层：用于检测对抗性交互模式

Sheldon Yu, Yingcheng Sun, Hanqing Guo, Qianqian Tong

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Indiana University Bloomington（印第安纳大学布卢明顿分校） 纠错

AI总结 本文提出一种低延迟欺诈检测机制，通过交互轨迹的结构化运行时特征检测对抗性交互模式，采用轻量模型实现实时部署，实验表明交互层面行为检测应成为LLM代理部署时的核心防护措施。

Learnable Mixed Nash Equilibria are Collectively Rational

可学习的混合纳什均衡具有集体理性

Geelon So, Yi-An Ma

机构 * University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 研究将博弈学习扩展到非渐近稳定性动态，通过一致稳定性概念，发现一致稳定的混合均衡是弱帕累托最优，还表明其决定特定动态过程的收敛行为，揭示混合纳什均衡附近个体行为能导致集体理性。