AAAI

Data Attribution in Large Language Models via Bidirectional Gradient Optimization

通过双向梯度优化实现大型语言模型中的数据归因

Frédéric Berdoz, Luca A. Lanzendörfer, Kaan Bayraktar, Roger Wattenhofer

机构 * EPFL, Switzerland（瑞士联邦理工学院） ； ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院） 纠错

AI总结 提出一种基于双向梯度优化的训练数据归因方法，用于自动回归大型语言模型，以识别影响模型输出的关键训练数据，提升模型可解释性。

Comments Presented at the AI Governance (AIGOV) Workshop at AAAI 2026

Forecasting Political News Engagement on Social Media

预测社交媒体上的政治新闻参与度

Karthik Shivaram, Mustafa Bilgic, Matthew Shapiro, Aron Culotta

AI总结 通过分析七年内超过6000万条推文，训练神经网络预测用户将参与的政治新闻倾向，并聚类用户发现长期新闻参与模式。

Journal ref Proceedings of the International AAAI Conference on Web and Social Media. Vol. 18. 2024

Characterizing Online Criticism of Partisan News Media Using Weakly Supervised Learning

使用弱监督学习表征对党派新闻媒体的在线批评

Karthik Shivaram, Mustafa Bilgic, Matthew Shapiro, Aron Culotta

AI总结 提出弱监督学习方法识别批评党派新闻源的推文，发现媒体批评在政治极化事件期间激增，且用户接触不可靠和极端党派媒体后更易产生此类批评。

Journal ref In Proceedings of the International AAAI Conference on Web and Social Media, vol. 18, pp. 1436-1450. 2024

PRECISE: Reducing the Bias of LLM Evaluations Using Prediction-Powered Ranking Estimation

PRECISE: 使用预测驱动的排名估计减少LLM评估的偏差

Abhishek Divekar, Anirban Majumder

机构 * Primary contributor and corresponding author（主要贡献者及通讯作者） 纠错

AI总结 提出PRECISE框架，通过结合少量人工标注与LLM判断，利用预测驱动推断（PPI）方法，在低资源下可靠估计搜索、排序和RAG系统的指标，并校正LLM偏差。

Comments Accepted at AAAI 2026 - Innovative Applications of AI (IAAI-26)

The Great Data Standoff: Researchers vs. Platforms Under the Digital Services Act

数据僵局：数字服务法案下的研究者与平台

Catalina Goanta, Savvas Zannettou, Rishabh Kaushal, Jacob van de Kerkhof, Thales Bertaglia, Taylor Annabell, Haoyang Gui, Gerasimos Spanakis, Adriana Iamnitchi

AI总结 本文通过2024年罗马尼亚总统选举干预案例，分析《数字服务法案》第40条下研究者获取平台内部数据的挑战，提出法律不确定性及数据僵局问题，并给出实际数据获取途径。

Comments Published at the 20th International AAAI Conference on Web and Social Media (ICWSM 2026). Please cite accordingly. This research has been supported by funding from the ERC Starting Grant HUMANads (ERC-2021-StG No 101041824)

DOMBA: Double Model Balancing for Access-Controlled Language Models via Minimum-Bounded Aggregation

DOMBA: 通过最小有界聚合实现访问控制语言模型的双模型平衡

Tom Segal, Asaf Shabtai, Yuval Elovici

机构 * Ben-Gurion University（本·古里安大学） 纠错

AI总结 提出DOMBA方法，通过最小有界平均函数聚合两个不同访问级别文档训练的语言模型的概率分布，在保证安全性的同时实现高效用。

Comments Code: https://github.com/ppo1/DOMBA 11 pages, 3 figures

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 39, pp. 25101-25109, 2025

End-to-End Safe Reinforcement Learning through Barrier Functions for Safety-Critical Continuous Control Tasks

通过障碍函数实现端到端安全强化学习用于安全关键的连续控制任务

Richard Cheng, Gabor Orosz, Richard M. Murray, Joel W. Burdick

机构 * California Institute of Technology（加州理工学院） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出了一种结合模型无关强化学习控制器、基于控制障碍函数的控制器以及在线学习未知系统动力学的控制器架构，以确保学习过程中的安全性，通过Gaussian Processes建模系统动力学并展示在倒立摆和无线车对车自主跟车任务中更高的样本效率和安全性。

Comments Published in AAAI 2019

Rethinking System Health Management

重新思考系统健康管理

Edward Balaban, Stephen B. Johnson, Mykel J. Kochenderfer

机构 * Intelligent Systems Division, NASA Ames Research Center（美国国家航空航天局阿姆斯研究中心智能系统部门） ； Dependable System Technologies, LLC（可靠系统技术有限公司） ； Jacobs ESSCA Group at NASA Marshall Space Flight Center（美国国家航空航天局马歇尔太空飞行中心Jacobs ESSCA小组） ； Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空与航天系） 纠错

AI总结 本文提出将系统健康管理与决策制定统一起来，以提高系统运行效率并降低整体复杂性，通过数值示例展示了传统方法的局限性。

Comments Published in the proceedings of the 2018 AAAI Fall Symposium on Integrating Planning, Diagnosis, and Causal Reasoning

Online Embedding Compression for Text Classification using Low Rank Matrix Factorization

在线文本分类中的低秩矩阵分解用于词嵌入压缩

Anish Acharya, Rahul Goel, Angeliki Metallinou, Inderjit Dhillon

机构 * Amazon Alexa AI（亚马逊Alexa人工智能） ； Amazon Search Technologies（亚马逊搜索技术） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出了一种在线词嵌入压缩方法，利用低秩矩阵分解在训练过程中压缩词嵌入层，从而减少NLP模型的内存瓶颈，同时在下游任务中通过重新训练恢复精度，实验证明该方法在句子分类任务中实现了90%的压缩率，并优于固定点量化等其他方法。

Comments Accepted in Thirty-Third AAAI Conference on Artificial Intelligence (AAAI 2019)

Norm Conflict Resolution in Stochastic Domains

随机领域中的规范冲突解决

Daniel Kasenberg, Matthias Scheutz

AI总结 本文提出一种混合方法，利用线性时序逻辑在马尔可夫决策过程中管理规范冲突，同时适应领域随机性，并在模拟吸尘器领域中提供概念验证。

Comments New version of paper - new evaluations, accepted to AAAI 2018

A Unified Convex Surrogate for the Schatten-$p$ Norm

一种统一的凸替代项用于Schatten-p范数

Chen Xu, Zhouchen Lin, Hongbin Zha

AI总结 本文提出一种统一的凸替代项，用于Schatten-p范数，通过矩阵分解的等价性，使因子矩阵的范数可凸优化，提升矩阵补全任务的性能。

Comments The paper is accepted by AAAI-17. We show that multi-factor matrix factorization enjoys superiority over the traditional two-factor case

A Scalable and Extensible Framework for Superposition-Structured Models

可扩展且可扩展的框架用于叠加结构模型

Shenjian Zhao, Cong Xie, Zhihua Zhang

AI总结 本文提出一种可扩展且可扩展的框架，用于解决叠加结构模型，通过近端牛顿型方法实现高效求解，并在多个数据集上展示了其强大的性能和超线性收敛速度。

Journal ref AAAI 2016: 2372-2378

Scalable Algorithms for Tractable Schatten Quasi-Norm Minimization

可扩展算法用于可计算的Schatten准范数最小化

Fanhua Shang, Yuanyuan Liu, James Cheng

AI总结 本文提出两种可计算的Schatten准范数，设计高效算法以加速大规模问题解决，并通过实验验证其精度和速度优势。

Comments 16 pages, 5 figures, Appears in Proceedings of the 30th AAAI Conference on Artificial Intelligence (AAAI), Phoenix, Arizona, USA, pp. 2016--2022, 2016

Bayesian Matrix Completion via Adaptive Relaxed Spectral Regularization

基于自适应放松谱正则化的贝叶斯矩阵补全

Yang Song, Jun Zhu

AI总结 本文提出一种基于谱正则化的贝叶斯矩阵补全方法，通过放松奇异向量的正交约束，设计出适用于贝叶斯推断的自适应谱正则化方法，无需参数调优即可自动推断潜在因子数量，在稀疏矩阵上表现优异。

Comments Accepted to AAAI 2016

Fast Proximal Linearized Alternating Direction Method of Multiplier with Parallel Splitting

快速近端线性化交替方向乘子法与并行分裂

Canyi Lu, Huan Li, Zhouchen Lin, Shuicheng Yan

AI总结 本文提出快速近端增广拉格朗日法和快速近端ADMM并行分裂法，改进了收敛速度并降低了计算复杂度，实验证明其在合成和真实数据上均优于传统PALM和ADMM。

Comments AAAI 2016

A Generalized Reduced Linear Program for Markov Decision Processes

马尔可夫决策过程的通用缩减线性规划

Chandrashekar Lakshminarayanan, Shalabh Bhatnagar

AI总结 本文提出通用缩减线性规划(GRLP)，通过正线性组合原始约束来解决大规模马尔可夫决策过程的计算问题，提供了新的理论框架和误差界分析。

Comments 24 pages, submitted to AAAI on November 19 2014

Generalized Higher-Order Tensor Decomposition via Parallel ADMM

通过并行ADMM实现广义高阶张量分解

Fanhua Shang, Yuanyuan Liu, James Cheng

AI总结 本文提出一种并行迹范数正则化的张量分解方法，通过优化方案自动确定各模式的因子数，解决传统方法在模型选择、粗腐损和计算效率上的挑战。

Comments 9 pages, 5 figures, AAAI 2014

Proximal Iteratively Reweighted Algorithm with Multiple Splitting for Nonconvex Sparsity Optimization

近端迭代重加权算法与多重分裂用于非凸稀疏优化

Canyi Lu, Yunchao Wei, Zhouchen Lin, Shuicheng Yan

AI总结 本文提出PIRE算法解决非凸稀疏及结构稀疏问题，相比传统方法更高效，且在每轮迭代计算成本接近凸求解器。进一步提出PIRE-PS和PIRE-AU处理多变量问题，理论证明其收敛性，实验显示性能优异。

Journal ref Twenty-Eighth AAAI Conference on Artificial Intelligence, 2014