University of Southern California（南加州大学）

Manufactured Divisiveness: Decomposing the Hostile Content of Seven Social Media Influence Operations

人为制造的分裂：剖析七种社交媒体影响行动中的恶意内容

Emilio Ferrara

机构 * Department of Computer Science University of Southern California（计算机科学系 美国南加州大学） 纠错

AI总结 研究推特中七种政府认定活动推文里的恶意内容，通过双提示大语言模型检测器和可审计规则区分仇恨与其他分裂形式，发现将所有相关内容计为仇恨会高估，有助于重新定义影响活动及在线话语中仇恨的研究。

MemoHarness: Agent Harnesses That Learn from Experience

MemoHarness：从经验中学习的智能体控制层

Yue Huang, Wenjie Wang, Han Bao, Yuchen Ma, Xiaonan Luo, Yi Nian, Haomin Zhuang, Zheyuan Liu, Yue Zhao, Xiangliang Zhang

机构 * University of Notre Dame（圣母大学） ； LMU Munich（慕尼黑大学） ； University of Southern California（南加州大学） 纠错

AI总结 研究针对智能体控制层设计影响行为但改进方法窄且多重用单一全局控制层的问题，提出自适应框架MemoHarness，通过分解控制层、存储经验并检索应用，在多基准测试中优于固定控制层，证明执行经验可构建更具适应性的控制层。

L-MARS: Legal Multi-Agent System with Agentic Search and Citation-Faithfulness Audit

L-MARS：具有协调推理和代理搜索的法律多智能体工作流

Boqin Yuan, Ziqi Wang

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

AI总结 L-MARS是一种多代理检索框架，通过分解查询为结构化子问题，利用代理网络搜索获取证据，并通过验证代理过滤结果，从而在法律问答中实现高准确率。

Comments Accepted at the AI4Law Workshop at ICML 2026

Neural Architectures for Amortized Bayesian Inference: Statistical Foundations and Empirical Assessments

用于摊销贝叶斯推理的神经架构：统计基础与实证评估

Roy Shivam Ram Shreshtth, Arnab Hazra, Gourab Mukherjee

机构 * Department of Mathematics and Statistics, Indian Institute of Technology Kanpur（数学与统计学系，印度理工学院坎浦尔分校） ； Marshall School of Business, University of Southern California（马歇尔商学院，南加州大学） 纠错

AI总结 探讨用于摊销贝叶斯推理的神经架构，从统计角度分析前馈网络等架构如何支持摊销推理，通过模拟研究评估其在不同场景下的表现，展现其优势与局限。

Comments 32 pages, 8 figures, 3 tables

A Machine Learning Benchmarking Framework for Lipid Nanoparticle Transfection Efficiency Prediction

用于脂质纳米颗粒转染效率预测的机器学习基准框架

Asal Mehradfar, Mohammad Shahab Sepehri, Jose Miguel Hernandez-Lobato, Glen S. Kwon, Mahdi Soltanolkotabi, Salman Avestimehr, Morteza Rasoulianboroujeni

机构 * Department of Electrical and Computer Engineering, University of Southern California（电气与计算机工程系，南加州大学） ； University of Cambridge（剑桥大学） ； School of Pharmacy, University of Wisconsin-Madison（威斯康星大学麦迪逊分校药学院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； East Tennessee State University（东田纳西州立大学） 纠错

AI总结 研究针对脂质纳米颗粒转染效率预测，提出机器学习基准框架，系统测试不同分子表示与机器学习架构，用特定数据集评估模型，显示利用显式分子子结构编码的模型准确性最高，为相关预测模型发展建立基线。

Comments Published in Communications AI & Computing (Nature Portfolio), 2026

Journal ref Commun. AI Comput. 1, 2 (2026)