Xi'an Jiaotong University（西安交通大学）

Code-MUE: Measuring Code LLMs' Uncertainty through Execution-based Semantic Interaction Graphs

Code-MUE：通过基于执行的语义交互图测量代码语言模型的不确定性

Xiaoning Ren, Yinxing Xue, Lei Ma, Yuheng Huang

机构 * Xi’an Jiaotong University（西安交通大学） ； Institute of AI for Industries, Chinese Academy of Sciences（中国科学院人工智能产业研究院） ； The University of Tokyo（东京大学） ； University of Alberta（阿尔伯塔大学） 纠错

AI总结 研究针对代码语言模型内在随机性带来的风险，引入纯黑盒框架Code-MUE，通过基于执行的语义交互图测量不确定性，经大规模实证研究验证其与功能正确性强负相关，优于基线，可实现风险检测和选择性预测。

Comments To appear at The ACM SIGSOFT International Symposium on Software Testing and Analysis (ISSTA) 2026

Song Aesthetics Evaluation with Multi-Stem Attention and Hierarchical Uncertainty Modeling

基于多茎注意力和分层不确定性建模的歌曲美学评估

Yishan Lv, Jing Luo, Boyuan Ju, Yang Zhang, Xinda Wu, Bo Yuan, Xinyu Yang

机构 * School of Computer Science and Technology, Xi’an Jiaotong University, Xi’an, China（计算机科学与技术学院，西安交通大学，西安，中国） ； Central Media Technology Institute, Huawei（中央媒体技术研究院，华为） 纠错

AI总结 针对音乐生成人工智能带来的歌曲美学评估需求，提出含多茎注意力融合与分层粒度感知区间聚合模块的评估框架，在两个数据集上评估并与两个SOTA模型比较，该方法在多维歌曲美学评估中性能更强。

Comments Accepted to the 27th International Society for Music Information Retrieval Conference (ISMIR 2026)