University of Southern California（南加州大学）

SSTQ:Privacy-Preserving Vector Quantization via Subsampled Stochastic TurboQuant

SSTQ：基于子采样随机 TurboQuant 的隐私保护向量量化

Adel Javanmard, David P. Woodruff, Vahab Mirrokni

机构 * University of Southern California（南加州大学） ； Google Research（谷歌研究院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本研究针对分布式优化中隐私保护与通信成本的矛盾，提出 SSTQ 框架，实现了更优的均方误差缩放，在联邦学习任务中展现出良好效用与通信效率。

Comments 42 pages, 4 figures, 2 tables

LoCA: Forward-Only LLM Tuning after One-Shot Calibration with Local Credit Assignment

LoCA：基于局部信用分配的一次性校准后仅前向的大语言模型调优

Linhan Xia, Rui Liu, Zhaofeng Zhang, Yihao Wang, Binrui Shen, Shengxin Zhu

机构 * University of Oklahoma（俄克拉荷马大学） ； Imperial College London（伦敦帝国学院） ； University of Michigan（密歇根大学） ； Tencent（腾讯） ； University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； Beijing Normal University（北京师范大学） ； Beijing Normal-Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院） 纠错

AI总结 本文提出LoCA方法，通过一次性校准替换大语言模型调优的重复反向传播，在多个基准上优于LoRA，降低了GPU峰值内存、CPU稳态内存与前向传递时间。

Angry but Accurate: Detecting and Profiling the Counter-Misinformation Ecosystem on Twitter

愤怒但准确：检测和剖析推特上的反错误信息生态系统

Eun Cheol Choi, Emilio Ferrara

机构 * University of Southern California（南加州大学） ； Thomas Lord Department of Computer Science（托马斯·劳德计算机科学系） 纠错

AI总结 研究推特反错误信息生态系统，用特定领域NLI模型分类新冠推文，对比支持或反对错误信息的两类推文的用户和文本特征，发现反错误信息推文负面情绪更强且发布者多为更成熟用户。

Comments 7 pages, 6 figures. ACM Hypertext 2026

Trustworthy Agent Network: Trust in Agent Networks Must Be Baked In, Not Bolted On

可信代理网络：在代理网络中，信任必须被内置，而非事后添加

Yixiang Yao, Yuhang Yao, Xinyi Fan, Jiechao Gao, Jie Wang, Minjia Zhang, Srivatsan Ravi, Carlee Joe-Wong

机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学） 纠错

AI总结 本文探讨了在代理网络中信任必须被内置而非事后添加的问题，提出了一个综合的概念框架，通过四个设计支柱来建立代理网络中的信任。

Comments Accepted at SIGKDD 2026 Blue Sky Ideas Track

When Do LLMs Admit Their Mistakes? Understanding The Role Of Model Belief In Retraction

LLMs何时会承认错误？理解模型信念在撤回中的作用

Yuqing Yang, Robin Jia

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

AI总结 研究揭示LLMs在生成时基于内部信念而非参数知识进行撤回，监督微调可提升其撤回性能。

Comments CoLM 2026

Better Together: Quantifying the Benefits of AI-Assisted Recruitment

携手共进：量化AI辅助招聘的益处

Ada Aka, Emil Palikot, Ali Ansari, Nima Yazdani

机构 * Stanford University（斯坦福大学） ； University of Southern California（南加州大学） 纠错

AI总结 该研究通过两项实地实验发现，AI辅助招聘可提升候选人最终面试通过率，在简历信息不足的初级候选人中效果更显著，但存在75%的候选人未完成面试的问题，其将筛选成本从企业转移至申请人。