University of Southern California（南加州大学）

Enhancing Structural Mapping with LLM-derived Abstractions for Analogical Reasoning in Narratives

通过LLM衍生抽象增强结构映射以提升叙事中的类比推理

Mohammadhossein Khojasteh, Yifan Jiang, Stefano De Giorgis, Frank van Harmelen, Filip Ilievski

机构 * Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； University of Southern California（南加州大学） 纠错

AI总结 本文提出YARN框架，利用LLM分解叙事并抽象单元，提升叙事类比推理能力，实验表明抽象显著提升性能，揭示了抽象层级、隐含因果关系和类比模式分类的挑战。

CounselReflect: A Toolkit for Auditing Mental-Health Dialogues

CounselReflect：用于审计心理健康对话的工具包

Yahan Li, Chaohao Du, Zeyang Li, Christopher Chun Kuizon, Shupeng Cheng, Angel Hsing-Chi Hwang, Adam C. Frank, Ruishan Liu

机构 * University of Southern California（南加州大学） 纠错

AI总结 本文提出CounselReflect工具包，通过多维报告和证据链接片段，提供透明的心理健康对话审计方法，结合模型评估指标和文献库指标，支持可理解、可操作和可信的审计。

Beyond Idealized Patients: Evaluating LLMs under Challenging Patient Behaviors in Medical Consultations

超越理想化患者：在医疗咨询中评估LLM在挑战性患者行为下的表现

Yahan Li, Xinyi Jie, Wanjia Ruan, Xubei Zhang, Huaijie Zhu, Yicheng Gao, Chaohao Du, Ruishan Liu

机构 * University of Southern California（南加州大学） 纠错

AI总结 本文研究了医疗咨询中常见的挑战性患者行为，定义了四种行为类别，并提出了CPB-Bench基准测试集，评估了多种LLM在处理这些行为时的表现，发现模型在处理矛盾或医学上不合理的患者信息时存在困难。

Omni-NegCLIP: Enhancing CLIP with Front-Layer Contrastive Fine-Tuning for Comprehensive Negation Understanding

Omni-NegCLIP：通过前层对比微调增强CLIP以实现全面否定理解

Jingqi Xu

机构 * University of Southern California（南加州大学） 纠错

AI总结 本文提出Omni-NegCLIP，通过修改CLIP的InfoNCE损失函数，改进其对存在性和缺失性否定表达的理解能力，实验显示在否定任务中性能提升显著，且不牺牲图像-文本检索能力。

ORIC: Benchmarking Object Recognition under Contextual Incongruity in Large Vision-Language Models

ORIC：在大视觉-语言模型中基于情境不一致性的物体识别基准测试

Zhaoyang Li, Zhan Ling, Yuchen Zhou, Litian Gong, Erdem Bıyık, Hao Su

机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校） ； University of California, Riverside（加利福尼亚大学河滨分校） ； University of Southern California（南加利福尼亚大学） 纠错

AI总结 研究探讨了大视觉-语言模型在非典型场景中识别物体的困难，提出ORIC框架通过两种策略生成不一致的物体-情境对，并验证了情境不一致是不确定性的重要来源。

Comments We request withdrawal of this paper because one of the listed institutional affiliations was included without proper authorization. This issue cannot be resolved through a simple revision, and we therefore request withdrawal to prevent dissemination of incorrect or unauthorized affiliation information