University of Southern California（南加州大学）

Skill Reuse as Compression in Agentic RL

智能体强化学习中的技能重用作为压缩

Zhikun Xu, Yu Feng, Jacob Dineen, Taiwei Shi, Jieyu Zhao, Ben Zhou

机构 * Arizona State University（亚利桑那州立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） 纠错

AI总结 提出ReuseRL方法，基于最小描述长度原则将成功轨迹压缩为可重用技能字典，并通过分割代价惩罚低效编码行为，在多个环境中提升分布内和分布外成功率。

Comments Work in progress

EUDAIMONIA: Evaluating Undesirable Dynamics in AI

EUDAIMONIA: 评估AI中的不良动态

Jun Rui Huang, Wang Bill Zhu, Ziyi Liu, Nathanael Fast, Ravi Iyer, Robin Jia

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

AI总结 提出Social AI Design Code框架，并通过EUDAIMONIA基准测试评估22个最新LLM在社交互动中对用户福祉的符合程度，发现即使最强模型也违反约30%的设计要求。

COFT: Counterfactual-Conformal Decoding for Fair Chain-of-Thought Reasoning in Large Language Models

COFT: 用于大语言模型中公平思维链推理的反事实-保形解码

Arya Fayyazi, Mehdi Kamal, Massoud Pedram

机构 * Department of Electrical and Computer Engineering, University of Southern California, Los Angeles, California, USA（电气与计算机工程系，南加州大学，洛杉矶，加利福尼亚州，美国） 纠错

AI总结 提出COFT，一种无需训练的解码方法，通过反事实提示和保形校准在解码时实现token级公平性控制，显著减少思维链生成中的社会偏见，同时保持任务效用和语言质量。

Comments Proceeding of ICML 2026

Can Subgraph Explanations Be Weaponized to Steal Graph Neural Networks?

子图解释能否被武器化以窃取图神经网络？

Ojas Nimase, Jiate Li, Yue Zhao, Yushun Dong

机构 * University of Southern California（南加州大学） ； Florida State University（佛罗里达州立大学） 纠错

AI总结 本文提出首个针对图分类的黑盒模型提取攻击，利用模型解释输出引导蒙特卡洛边敏感性估计，并利用解释子图缩小边界搜索空间，实验表明该方法优于现有基线。

Comments 28 pages, 8 figures, 10 tables. Under review at NeurIPS 2026

Counterfactual Trace Auditing of LLM Agent Skills

LLM Agent技能的反事实痕迹审计

Xiaolin Zhou, Jinbo Liu, Li Li, Ryan A. Rossi, Xiyang Hu

机构 * Arizona State University（亚利桑那州立大学） ； University of Southern California（南加州大学） ； Adobe Research（Adobe研究） 纠错

AI总结 提出反事实痕迹审计（CTA）框架，通过配对有无技能的Agent轨迹并生成结构化技能影响模式（SIP）注释，揭示技能对行为的重塑效应，弥补仅通过通过率评估的不足。

Comments Code and data are available at https://github.com/WillChow66/CTA.git

Targeted Speaker Poisoning Framework in Zero-Shot Text-to-Speech

零样本文本转语音中的目标说话人投毒框架

Thanapat Trachu, Thanathai Lertpetchpun, Sai Praneeth Karimireddy, Shrikanth Narayanan

机构 * Thomas Lord Department of Computer Science, University of Southern California, USA（汤姆斯·劳德计算机科学系，美国南加州大学） ； Signal Analysis and Interpretation Lab, University of Southern California, USA（信号分析与解释实验室，美国南加州大学） 纠错

AI总结 针对零样本TTS语音克隆的隐私风险，提出说话人生成投毒（SGSP）任务，通过修改训练模型阻止特定身份生成，并评估了推理时过滤和参数修改基线在1、15和100个遗忘说话人上的隐私-效用权衡。

Comments Submitted to Interspeech2026

L2G-Net: Local to Global Spectral Graph Neural Networks via Cauchy Factorizations

L2G-Net：通过柯西分解的局部到全局谱图神经网络

Samuel Fernández-Menduiña, Eduardo Pavez, Antonio Ortega

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

AI总结 提出L2G-Net，通过将图傅里叶变换精确分解为作用于子图的算子并利用柯西矩阵组合，实现局部到全局的谱图神经网络，避免全特征分解，在长程依赖任务上以极少的可学习参数达到竞争性能。

Comments Accepted to ICML 2026

Post-Training Neural Network Pruning using Graph Curvature

使用图曲率的训练后神经网络剪枝

Shuhang Tan, Jayson Sia, Paul Bogdan, Radoslav Ivanov

机构 * Rensselaer Polytechnic Institute（新罕布什尔理工学院） ； University of Southern California（南加州大学） 纠错

AI总结 提出基于Ollivier-Ricci曲率（ORC）的神经曲率（NC）概念，通过计算激活模式下的边曲率来识别神经网络中不重要的连接，实现高效剪枝。