University of Pennsylvania（宾夕法尼亚大学）

Formalizing the Binding Problem

形式化绑定问题

Lianghuan Huang, Yihao Li, Saeed Salehi, Yingshan Chang, Ansh Soni, Konrad P. Kording

机构 * Department of Physics and Astronomy, University of Pennsylvania, Philadelphia, PA, USA（物理与天文学系，宾夕法尼亚大学） ； Department of Neuroscience, University of Pennsylvania, Philadelphia, PA, USA（神经科学系，宾夕法尼亚大学） ； Department of Computer and Information Science, University of Pennsylvania（计算机与信息科学系，宾夕法尼亚大学） ； Department of Psychology, University of Pennsylvania（心理学系，宾夕法尼亚大学） ； Machine Learning Group, Technical University of Berlin, Berlin, Germany（机器学习组，柏林技术大学） ； Language Technology Institute, Carnegie Mellon University, Pittsburgh, PA, USA（语言技术研究所，卡内基梅隆大学） 纠错

AI总结 本文用信息论方法形式化绑定问题，提出一种探测方法测量模型表示中的绑定信息，并在视觉Transformer上实验，证明绑定是强视觉识别和推理的关键要素。

Comments Accepted to ICML 2026

Limit Analysis of Graph Neural Networks with Wireless Conflict Graphs

基于无线冲突图的图神经网络极限分析

Romina Garcia Camargo, Zhiyang Wang, Alejandro Ribeiro

机构 * Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系） ； Halıcıoğlu Data Science Institute, UCSD（加州大学圣地亚哥分校Halıcıoğlu数据科学研究所） 纠错

AI总结 针对稀疏随机几何图上的图神经网络，通过分析其与确定性网格图的接近性，建立了跨尺度迁移性的理论界限，并在链路调度问题中验证了学习策略的优越性。

Neural Navigation Functions for Zero-Shot Generalizable Motion Planning

神经导航函数用于零样本泛化运动规划

Benjamin D. Shaffer, Pei-An Hsieh, Brooks Kinch, Nathaniel Trask, M. Ani Hsieh

机构 * University of Pennsylvania, United States（宾夕法尼亚大学，美国） ； Department of Mechanical Engineering and Applied Mechanics（机械工程与应用力学系） ； Department of Electrical and Systems Engineering（电气与系统工程系） 纠错

AI总结 提出神经导航函数（Neural-NF），通过将数据驱动适应嵌入结构化椭圆规划器，实现跨未见环境几何的零样本迁移，并保证无碰撞、单调下降和全局最小值。

Comments 17 pages, 10 figures

LLM-Assisted Reranking to Operationalize Nuanced Objectives in Recommender Systems

LLM辅助重排序以在推荐系统中实现细微目标

Amir Ghasemian, Homa Hosseinmardi, Upasana Dutta, Duncan J. Watts

机构 * Department of Communication, University of California, Los Angeles, CA 90095（通信系，加州大学洛杉矶分校，CA 90095） ； Department of Computer and Information Science, University of Pennsylvania, Philadelphia, PA 19104（计算机与信息科学系，宾夕法尼亚大学，Philadelphia, PA 19104） ； Amenenberg School of Communication, University of Pennsylvania, Philadelphia, PA 19104（安纳伯格通信学院，宾夕法尼亚大学，Philadelphia, PA 19104） ； Operations, Information, and Decisions Department, University of Pennsylvania, Philadelphia, PA 19104（运营、信息与决策系，宾夕法尼亚大学，Philadelphia, PA 19104） 纠错

AI总结 本研究通过零样本指令提示对YouTube侧边栏候选进行重排序，发现无约束的LLM辅助重排序会放大极端和阴谋论内容，而轻量级提示正则化可在轻微损失相关性的情况下减少极端内容并增加意识形态多样性。

Comments 30 pages total; 11 pages, 5 figures, 2 tables (main text); 19 pages, 11 figures, 9 tables (appendix)

MultiTurnPSB: Evaluating Multi-Turn Jailbreak Attacks an dClassifier-Based Defenses for Medical AI Safety

MultiTurnPSB：评估多轮越狱攻击与基于分类器的防御在医疗AI安全中的应用

Anushka Sheoran, Yiduo Hao

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 提出多轮对抗基准MultiTurnPSB，通过四轮对话评估医疗聊天机器人的安全漏洞，发现多轮攻击下不安全响应率从35%升至近80%，并验证了轻量级输入分类器可降低52个百分点的不安全响应但存在高误报率。

NBQ: Next-Best-Question for Dynamic Profiling

NBQ: 动态画像中的下一最佳问题

Yimin Shi, Clarice Wang, Haixun Wang, Xiaokui Xiao

机构 * National University of Singapore（国立新加坡大学） ； University of Pennsylvania（宾夕法尼亚大学） ； EvenUp 纠错

AI总结 提出NBQ框架，通过自适应选择信息增益最大的问题，从对话中动态构建用户画像，并引入QuickMatch加速双向匹配。

Journal ref KDD 2026

MIND: Multi-Scale Intent Diffusion for Text-Driven Physics-Based Humanoid Control

MIND: 多尺度意图扩散用于文本驱动的基于物理的人形控制

Bin Li, Ruichi Zhang, Han Liang, Jingyan Zhang, Juze Zhang, Xin Chen, Jingya Wang

机构 * ShanghaiTech University（上海科技大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Bytedance Seed（字节跳动种子） ； Stanford University（斯坦福大学） ； InstAdapt 纠错

AI总结 提出MIND框架，通过多尺度意图扩散机制将文本命令与低级动作语义对齐，实现基于物理的人形机器人行为生成。

Mechanism Design Is Not Enough: Prosocial Agents for Cooperative AI

机制设计是不够的：面向合作AI的亲社会智能体

Xuanqiang Angelo Huang, Charlie Tharas, Samuele Marro, Van Q. Truong, Bernhard Schölkopf, Emanuele La Malfa, Zhijing Jin

机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； Institute for Decentralized AI（去中心化人工智能研究所） ； Jinesis Lab, University of Toronto & Vector Institute（多伦多大学Jinesis实验室及向量研究所） ； EuroSafeAI ； University of Pennsylvania（宾夕法尼亚大学） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（德国图宾根最大计划智能系统研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） 纠错

AI总结 本文证明仅靠机制设计无法最大化LLM智能体的社会福利，并提出亲社会智能体（兼顾他人福利）能弥补这一差距，实现更优的社会与个体结果。

Comments 42 pages