Agent Safety Is Action Alignment
智能体安全即行动对齐
机构 * University of Southern California（南加州大学）
AI总结 本文指出将内容安全方法（如拒绝训练）直接应用于智能体场景存在根本性错误，提出智能体安全应通过最小权限原则在行动边界外部强制执行，并作为行动对齐（关系性、部署条件属性）来评估。
高校专区
University of Southern California（南加州大学）
Automated Quality Assessment of Geospatial Vector Data: A GeoAI Approach using Spatial Representation Learning
地理空间矢量数据自动化质量评估：基于空间表示学习的GeoAI方法
机构 * Department of Geography, National University of Singapore, Singapore（新加坡国立大学地理系） ； University of Southern California（南加州大学） ； Department of Architecture, National University of Singapore, Singapore（新加坡国立大学建筑系） ； Department of Real Estate, National University of Singapore, Singapore（新加坡国立大学房地产系）
AI总结 提出Topo4Vec框架，通过拓扑错误模拟和空间表示学习，自动化评估地理空间矢量数据质量，在三个城市数据集上达到0.99的建筑物重叠检测准确率。
Robust Multi-Agent LLMs under Byzantine Faults
在拜占庭故障下鲁棒的多智能体大语言模型
机构 * Department of Robotics, University of Michigan, Ann Arbor, USA（密歇根大学机器人系，安娜堡，美国） ； Thomas Lord Department of Computer Science, University of Southern California, USA（南加州大学计算机科学托马斯·劳德系，美国）
AI总结 本文提出Self-Anchored Consensus算法，通过去中心化迭代过滤和优化协议提升多智能体系统在拜占庭故障下的鲁棒性，实验表明其在数学和常识推理任务中表现优异。
Lost in Execution: On the Multilingual Robustness of Tool Calling in Large Language Models
在执行中迷失：大型语言模型在多语言环境下的工具调用鲁棒性研究
机构 * University of Southern California（南加州大学） ； Arizona State University（亚利桑那州立大学）
AI总结 研究探讨了多语言环境下大型语言模型工具调用的鲁棒性，通过MLCL基准测试发现参数值语言不匹配是主要失败模式，尽管策略减少错误但无法恢复英语水平性能。
Comments ACL 2026
Value-Action Alignment in Large Language Models under Privacy-Prosocial Conflict
大语言模型在隐私与亲社会冲突下的价值-行动对齐
机构 * Arizona State University（亚利桑那州立大学） ； University of Southern California（南加州大学）
AI总结 研究探讨大语言模型在隐私与亲社会冲突中的价值-行动对齐，通过多组结构方程模型分析隐私关注与亲社会性对数据共享的影响，提出价值-行动对齐率（VAAR）作为评估指标。
Comments Findings of the Association for Computational Linguistics: ACL 2026
Are LLMs Reliable Rankers? Rank Manipulation via Two-Stage Token Optimization
LLMs的排名可靠性如何？通过两阶段令牌优化实现排名操纵
机构 * National University of Singapore（新加坡国立大学） ； University of Southern California（南加州大学） ； Georgetown University（乔治城大学） ； Arizona State University（亚利桑那州立大学）
AI总结 本文提出RAF方法，通过两阶段令牌优化生成自然语言提示，提升目标项在LLM排名中的位置，同时保持语言自然性，实验显示其在提升排名和保持自然性方面比现有方法更鲁棒。
Comments ACL 2026
The Strongest Teacher Is Not Always the Best Teacher: Student-Centric Answer Selection
最强的教师并不总是最好的教师：以学生为中心的答案选择
机构 * University of Washington（华盛顿大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Southern California（南加州大学） ； Independent Researcher（独立研究者） ； National University of Singapore（新加坡国立大学） ； Microsoft（微软） ； Google（谷歌） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Northwestern University（西北大学） ； Allen Institute for AI (AI2)（人工智能研究院（AI2））
AI总结 提出以学生为中心的答案采样（SCAS）框架，通过估计学生中心的学习成本选择教师生成的答案，从而提升学生模型性能。
Speaking Numbers to LLMs: Multi-Wavelet Number Embeddings for Time Series Forecasting
向LLM讲述数字：用于时间序列预测的多小波数字嵌入
机构 * University of Southern California（南加州大学） ； Meta ； Google DeepMind（谷歌DeepMind）
AI总结 提出TempoWave，一种即插即用的多小波数字嵌入接口，将标量观测映射为数字级嵌入，以对齐LLM的离散分词与连续数值，提升时间序列预测的排序准确性和可靠性。
Comments Camera Ready version of IJCAI 2026
ProtoFlow: Mitigating Forgetting in Class-Incremental Remote Sensing Segmentation via Low-Curvature Prototype Flow
ProtoFlow: 通过低曲率原型流缓解类别增量遥感分割中的遗忘
机构 * Faculty of Health Data Science, Juntendo University（静冈大学健康数据科学学院） ； The Institute of Collaborative Innovation, University of Macau（澳门大学协同创新研究所） ； Department of Information and Computing Sciences, Faculty of Science, Utrecht University（乌得勒支大学科学学院信息与计算科学系） ； Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； School of Computer Science, University of Chinese Academy of Sciences（中国科学院大学计算机科学学院） ； Department of Computer & Information Science & Engineering, University of Florida（佛罗里达大学计算机与信息科学与工程系） ； Department of Computer Science, Juniata College（朱尼塔学院计算机科学系） ； National Engineering Research Center for Beijing Biochip Technology（北京生物芯片工程技术研究中心） ； CapitalBio Corporation（资本生物公司） ； Faculty of Engineering & Information Technology, University of Technology Sydney（悉尼科技大学工程与信息技术学院） ； University Research and Innovation Center (EKIK), Obuda University（布达佩斯大学研究与创新中心（EKIK）） ； Faculty of Science and Technology, University of Macau（澳门大学科学与技术学院） ； Department of Mathematics, University of Southern California（南加州大学数学系）
AI总结 本文提出ProtoFlow，一种时间感知的原型动态框架，通过将类别原型建模为轨迹并学习其演变，以缓解遥感分割中的遗忘问题，实验表明其在多个基准上取得了显著提升。
Comments In the previous version, Juntendo University was erroneously listed as the affiliation; we must clarify that this paper has absolutely no relation to Juntendo University. Therefore, we have replaced this affiliation in the new version
Cross-Modality Structural Guidance in 3D Latent Diffusion for Robust FLAIR Super-Resolution
跨模态结构引导的3D潜在扩散用于鲁棒FLAIR超分辨率
机构 * University of Southern California（南加州大学） ； Yale University（耶鲁大学）
AI总结 提出MR-DiffuSR框架，利用HR T1w结构先验通过跨模态结构swin注意力引导厚层FLAIR超分辨率，采用混合尺度退化策略和DINOv3感知损失，在ADNI-4数据集上优于CNN和2D扩散方法，并在下游白质高信号分割中保持鲁棒性。
Swazure: Swarm Measurement of Pose for Flying Light Specks
Swazure: 飞行光点的群体姿态测量
机构 * University of Southern California（南加州大学）
AI总结 针对飞行光点（FLS）在传感器最佳范围外无法相互跟踪的问题，提出Swazure方法，通过FLS间协作解决缺失传感器数据，实现物理数据独立性，并引入两种启发式算法处理遮挡。
Comments Appeared in Proceedings of the Holodecks Foundation, Vol. 2, No. 3
Speech Codec Probing from Semantic and Phonetic Perspectives
从语义和语音角度探测语音编解码器
机构 * University of Southern California（南加州大学） ； Dolby Laboratories（杜比实验室）
AI总结 本文通过三项任务系统分析多种语音分词器编码的信息，发现当前分词器主要捕获语音结构而非词汇语义，为下一代语音分词方法设计提供指导。
Comments Accepted by Interspeech 2026
SparseGS: Sparse View Synthesis using 3D Gaussian Splatting
SparseGS: 使用3D高斯泼溅的稀疏视角合成
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Southern California（南加州大学） ； USC Institute for Creative Technologies（南加州大学创意技术研究所）
AI总结 针对3D高斯泼溅在稀疏视角下出现伪影的问题，提出SparseGS，通过深度先验、新颖深度渲染、剪枝启发和未见视角正则化模块，实现高质量重建。
Comments Version accepted to 3DV 2025. Project page: https://github.com/ForMyCat/SparseGS
Low-rank Updates in Slowly Time-varying Graphs for Spatial-Temporal Signal Interpolation
慢时变图中的低秩更新用于时空信号插值
机构 * Department of EECS, York University（约克大学电子工程与计算机科学系） ； Dept of ECE, University of Southern California（南加州大学电子工程系）
AI总结 针对节点关系缓慢演变的时空数据，提出将相邻时刻邻接矩阵的差异建模为低秩矩阵，通过联合优化信号平滑先验和低秩先验进行信号插值，并利用快速正交匹配追踪算法近似低秩项，展开为轻量神经网络实现参数调优。
OpenThoughts-Agent: Data Recipes for Agentic Models
OpenThoughts-Agent: 智能体模型的数据配方
机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； JSC（于利希超级计算中心） ； LAION ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Bespoke Labs ； Laude Institute ； UCLA（加州大学洛杉矶分校） ； Harvard University & Harvard Medical School（哈佛大学与哈佛医学院） ； TU Munich & Munich Center for Machine Learning（慕尼黑工业大学与慕尼黑机器学习中心） ； New York University（纽约大学） ； Medical University of South Carolina（南卡罗来纳医科大学） ； The LLM Data Company ； BenchFlow ； Independent Researcher（独立研究员） ； Northeastern University（东北大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Washington（华盛顿大学） ； TU Darmstadt（达姆施塔特工业大学） ； University of Southern California（南加州大学） ； UC San Diego（加州大学圣地亚哥分校） ； Amazon（亚马逊） ； Microsoft（微软） ； Korea University（高丽大学） ； Cornell Tech（康奈尔科技） ； University of Michigan（密歇根大学）
AI总结 提出全开放数据筛选流水线，通过100多次消融实验研究任务来源与多样性，构建10万样本训练集，在7个智能体基准上平均44.8%准确率，较最强开源模型提升3.9个百分点。
ReM-MoA: Reasoning Memory Sustains Mixture-of-Agents Scaling
ReM-MoA：推理记忆维持混合代理的扩展
机构 * University of Southern California（南加州大学） ； Iowa State University（爱荷华州立大学） ； Cisco AI Research（思科人工智能研究院）
AI总结 提出ReM-MoA框架，通过排名推理记忆和策展多样化记忆路由机制，解决混合代理架构随深度增加性能退化问题，在多个推理基准上持续优于现有方法。
Cross-Dataset, Age, and Gender Generalization: A Comprehensive Analysis of Fine-Tuning Strategies for Low-Resource Children's ASR
跨数据集、年龄和性别泛化：低资源儿童语音识别的微调策略综合分析
机构 * Department of Electronics and Communication Engineering, National Institute of Technology Sikkim, India（印度西西姆国立技术学院电子与通信工程系） ； Signal Analysis and Interpretation Laboratory, University of Southern California, Los Angeles, USA（美国南加州大学洛杉矶分校信号分析与解释实验室）
AI总结 针对低资源儿童语音识别，系统分析了不同微调策略在跨数据集、年龄和性别泛化上的表现，发现特定策略能显著提升泛化能力。
Bridging Language and Action: A Survey of Language-Conditioned Robot Manipulation
连接语言与行动：语言引导的机器人操作综述
机构 * Technical University of Munich（慕尼黑技术大学） ； Corporate Research, Robert Bosch GmbH（罗伯特·博世集团企业研究部） ； University of California Berkeley（加州大学伯克利分校） ； Microsoft（微软） ； Google DeepMind（谷歌DeepMind） ； Carnegie Mellon University（卡内基梅隆大学） ； Imperial College London（伦敦帝国理工学院） ； Princeton University（普林斯顿大学） ； University of Southern California（南加州大学） ； Sun Yat-sen University（中山大学） ； University of Michigan（密歇根大学） ； Institute for Artificial Intelligence, University of Stuttgart（斯图加特大学人工智能研究所） ； The State Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室）
AI总结 本文综述了语言引导的机器人操作领域，探讨了语言如何与机器人系统整合，分析了现有方法的分类及最新进展，指出关键争议和未来研究方向。
An Approach to Simultaneous Acquisition of Real-Time MRI Video, EEG, and Surface EMG for Articulatory, Brain, and Muscle Activity During Speech Production
一种用于言语产生过程中发音、大脑和肌肉活动的实时MRI视频、脑电图和表面肌电图同步采集方法
机构 * Signal Analysis and Interpretation Laboratory, University of Southern California（南加州大学信号分析与解释实验室） ； Ming Hsieh Dept. of Electrical and Computer Engineering, University of Southern California（南加州大学明希斯电气与计算机工程系） ； Dept. of Linguistics, University of Southern California（南加州大学语言学系）
AI总结 本文首次实现了言语产生过程中实时MRI、EEG和表面EMG的同步采集，并提出了针对三模态设置的伪影抑制流程，为言语神经科学和脑机接口提供新视角。
Comments Accepted for Interspeech 2026
Relatively Smart: A New Approach for Instance-Optimal Learning
相对智能：实例最优学习的新方法
机构 * University of Southern California（南加州大学） ； Northwestern University（西北大学） ； University of Chicago（芝加哥大学） ； University of Waterloo（滑铁卢大学）
AI总结 针对Smart PAC学习中监督学习无法与半监督学习竞争的问题，提出相对智能学习框架，要求监督学习仅与可认证的半监督保证竞争，并证明One-Inclusion图学习器在平方样本复杂度内实现相对智能。
What's Missing in Vision-Language Models? Probing Their Struggles with Causal Order Reasoning
视觉-语言模型缺少什么？探究它们在因果顺序推理中的困难
机构 * University of Southern California（南加州大学） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； Texas A&M University（德克萨斯A&M大学）
AI总结 针对VLM在因果推理中的不足，提出VQA-Causal和VCR-Causal基准，发现模型在因果任务上仅略优于随机猜测，归因于训练数据缺乏因果表达，并通过难负例微调改善。
Comments 13 pages
DSSCNet: A Transfer Learning Framework for Cross-Corpus Dysarthric Speech Severity Classification
DSSCNet：一种用于跨语料库构音障碍语音严重程度分类的迁移学习框架
机构 * Department of Computer Science and Engineering, Sikkim Manipal Institute of Technology, India（计算机科学与工程系，西基姆曼普尔理工学院，印度） ； Department of Electronics and Communication Engineering, National Institute of Technology Sikkim, India（电子与通信工程系，西基姆国家理工学院，印度） ； Signal Analysis and Interpretation Laboratory (SAIL), University of Southern California, Los Angeles, USA（信号分析与解释实验室（SAIL），南加州大学，美国洛杉矶）
AI总结 提出DSSCNet深度学习模型，利用迁移学习和多语料库学习，在TORGO和UA-Speech数据集上分别达到75.80%和68.25%的准确率，优于现有模型。
How Well Do Self-Supervised Speech Models Encode Age and Gender in Children's Speech? A Layer-Wise Analysis Across Multiple Architectures
自监督语音模型在儿童语音中编码年龄和性别的效果如何？跨多种架构的逐层分析
机构 * National Institute of Technology Sikkim（锡金国立技术学院） ； Signal Analysis and Interpretation Lab (SAIL), University of Southern California（信号分析与解读实验室（SAIL），南加州大学）
AI总结 本研究分析了四种自监督语音模型（Wav2Vec2、HuBERT、Data2Vec、WavLM）在儿童语音中编码年龄和性别的能力，通过逐层特征提取和轻量级CNN分类，发现早期到中间层编码最强副语言线索，HuBERT在年龄分类上表现最佳，且结果对数据不平衡和领域不匹配具有鲁棒性。
Speaker Identity in Non-Verbal Vocalizations: Conditional Distillation and Mixture of Experts Approach
非语言发声中的说话人身份：条件蒸馏与专家混合方法
机构 * University of Michigan（密歇根大学） ； National Taiwan University（国立台湾大学） ； Signal Analysis and Interpretation Laboratory (SAIL)（信号分析与解释实验室） ； University of Southern California（南加州大学） ； National Taiwan University Artificial Intelligence Center of Research Excellence（国立台湾大学人工智能研究中心）
AI总结 针对非语言发声的说话人验证难题，提出结合冻结Data2Vec自监督特征、ECAPA-TDNN和专家混合模块的框架，通过条件蒸馏和对比损失，将等错误率从38.93%降至22.66%。
Comments Accepted by INTERSPEECH 2026
RaMem: Contextual Reinstatement for Long-term Agentic Memory
RaMem: 面向长期智能体记忆的上下文重建
机构 * University of Southern California（南加州大学）
AI总结 针对长期记忆中的上下文坍塌问题，提出RaMem框架，通过证据锚定、回忆条件归纳、有效性感知检索和上下文保留合成四个阶段，将检索到的记忆片段转化为可验证的上下文证据，在多个基准上平均F1提升超10%。
GRADE: Graph Representation of LLM Agent Dependency and Execution
GRADE: LLM智能体依赖与执行的图表示
机构 * University of Southern California（南加州大学）
AI总结 提出GRADE，将LLM智能体的运行建模为具有执行边和依赖边的图，依赖边通过分级推断，在多个数据集上优于运行规模指标，并可用于故障定位。
Comments 18 pages, 5 figures, 8 tables. Code: https://github.com/yzhao062/grade
AgentLens: Interpretable Safety Steering via Mechanistic Subspaces for Multi-Turn Coding Agent
AgentLens: 通过机制子空间实现多轮编码代理的可解释安全引导
机构 * University of Georgia（佐治亚大学） ； University of South Florida（南佛罗里达大学） ； Rutgers University（罗格斯大学） ； University of Southern California（南加州大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 提出AgentLens框架，从内部表示层检测和缓解多轮编码代理的安全风险，通过单层10维子空间干预实现运行时安全控制，并在MAS基准上验证有效性。
Line Drawings using LightBenders: Authoring and Illuminating
使用LightBender绘制线条图：创作与照明
机构 * University of Southern California（南加州大学）
AI总结 提出一种由无人机和LED灯带构成的LightBender系统，用于在空中照明线条图和字母，通过算法优化编队、Blender插件和SVG导入实现创作与部署，实验表明10.1毫米偏差在感知上可接受。
Enhancing Road Safety: An IoT-Based Accident Detection and Prevention Mechanism
增强道路安全：基于物联网的交通事故检测与预防机制
机构 * University of Southern California（美国南加州大学） ； Coimbatore Institute of Technology（科伊巴托尔理工学院）
AI总结 提出一种基于物联网的交通事故预防与检测系统（APDS），通过多层级架构实现实时遥测监控、主动报警和自动紧急通信，以降低事故风险并优化应急响应。
Comments 4 pages, 4 figures, 1 table
When Compression Helps and When It Hurts: Condition-Aware Analysis of Chain-of-Thought Distillation
何时压缩有益，何时有害：链式思维蒸馏的条件感知分析
机构 * Ningbo Institute of Digital Twin, Eastern Institute of Technology, Ningbo（宁波数字孪生研究院，东方理工高等研究院，宁波） ； Viterbi School of Engineering, University of Southern California（南加州大学维特比工程学院） ； The Hong Kong Polytechnic University（香港理工大学） ； LMU Munich（慕尼黑大学） ； Saarland University（萨尔大学）
AI总结 通过系统实验揭示链式思维蒸馏中压缩方法的关键因素：重要性准则的粒度、重构级别和压缩预算在不同领域和模式下的影响，并给出条件感知的部署指南。
