AAAI

GAICo: A Deployed and Extensible Framework for Evaluating Diverse and Multimodal Generative AI Outputs

GAICo：一个用于评估多样化和多模态生成式人工智能输出的部署和可扩展框架

Nitin Gupta, Pallav Koppisetti, Kausik Lakkaraju, Biplav Srivastava

AI总结 GAICo提供统一框架，支持多种参考指标，用于评估生成式AI输出，提升评估标准化和可复现性，加速AI系统开发。

Comments 11 pages, 7 figures; accepted at IAAI/AAAI 2026; (updated) extended version

Symmetrical Flow Matching: Unified Image Generation, Segmentation, and Classification with Score-Based Generative Models

对称流匹配：基于分数生成模型的统一图像生成、分割与分类

Francisco Caetano, Christiaan Viviers, Peter H. N. De With, Fons van der Sommen

AI总结 本文提出对称流匹配方法，通过联合建模正反向变换实现图像生成、分割和分类的统一，采用对称学习目标确保双向一致性并保留生成多样性，实验表明其在多个基准上取得SOTA性能。

Comments AAAI 2026

Gesture2Speech: How Far Can Hand Movements Shape Expressive Speech?

Gesture2Speech: 手部动作能多大程度上塑造表现性语音？

Lokesh Kumar, Nirmesh Shah, Ashishkumar P. Gudmalwar, Pankaj Wasnik

AI总结 本文提出Gesture2Speech框架，利用视觉手势线索调节合成语音的语调，通过多模态MoE架构动态融合语言内容和手势特征，提升语音自然度和手势与语调的同步性。

Comments Accepted at The 2nd International Workshop on Bodily Expressed Emotion Understanding (BEEU) at AAAI 2026 [non-archival]

PA2D-MORL: Pareto Ascent Directional Decomposition based Multi-Objective Reinforcement Learning

PA2D-MORL：基于帕累托上升方向分解的多目标强化学习

Tianmeng Hu, Biao Luo

AI总结 本文提出PA2D-MORL方法，通过帕累托上升方向选择标量化权重并计算多目标策略梯度，实现高效多目标问题分解与策略优化，提升帕累托策略集的逼近质量。

Comments AAAI 2024

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 38(11), 12547-12555, 2024

FinMMDocR: Benchmarking Financial Multimodal Reasoning with Scenario Awareness, Document Understanding, and Multi-Step Computation

FinMMDocR：基于场景意识、文档理解与多步骤计算的金融多模态推理基准测试

Zichen Tang, Haihong E, Rongjin Li, Jiacheng Liu, Linwei Jia, Zhuodi Hao, Zhongjun Yang, Yuanze Li, Haolin Tian, Xinyi Hu, Peizhi Zhao, Yuan Liu, Zhengyu Wang, Xianghe Wang, Yiling Huang, Xueyuan Lin, Ruofei Bai, Zijian Xie, Qian Huang, Ruining Cao, Haocheng Gao

AI总结 FinMMDocR通过引入场景意识、文档理解和多步骤计算，推动多模态大语言模型在现实金融场景中的推理能力提升，其包含12种隐含金融场景、9类丰富文档及平均11步推理任务。

Comments Accepted by AAAI-26 Main Track

Journal ref Proc. AAAI 2026 (Vol. 40, No. 30), pages 25858-25866

L2V-CoT: Cross-Modal Transfer of Chain-of-Thought Reasoning via Latent Intervention

L2V-CoT：通过潜在干预实现链式推理的跨模态转移

Yuliang Zhan, Xinyu Tang, Han Wan, Jian Li, Ji-Rong Wen, Hao Sun

AI总结 本文提出L2V-CoT方法，通过潜在干预将链式推理从LLM转移到VLM，利用低频潜在表示提升多步推理能力，实验表明优于无训练基线和监督方法。

Comments AAAI 2026 oral

HalluClean: A Unified Framework to Combat Hallucinations in LLMs

HalluClean：一种用于对抗大语言模型幻觉的统一框架

Yaxin Zhao, Yu Zhang

AI总结 HalluClean通过规划、执行和修订三阶段推理增强方法，有效检测并修正LLM生成文本中的幻觉，提升事实一致性并优于基线方法。

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(42), 36092-36100 (2026)

Whose Values? Measuring the (Subjective) Expression of Basic Human Values in Social Media

谁的价值？在社交媒体中测量（主观）基本人类价值观的表达

Ziv Epstein, Farnaz Jahanbakhsh, Tiziano Piccardi, Isabel Gallegos, Dora Zhao, Johan Ugander, Michael Bernstein

AI总结 本文基于Schwartz价值观体系，提出一种规模化测量社交媒体中价值观表达的框架，通过个性化校准注释提升预测准确性，揭示人类价值观测量的新方法。

Comments Proceedings of the International AAAI Conference on Web and Social Media. 2026

Divide-and-Conquer Decoupled Network for Cross-Domain Few-Shot Segmentation

分治解耦网络用于跨域少样本分割

Runmin Cong, Anpeng Wang, Bin Wan, Cong Zhang, Xiaofei Zhou, Wei Zhang

AI总结 本文提出分治解耦网络，通过对抗学习和对比学习解耦特征，提升跨域少样本分割的泛化能力与适应速度。

Journal ref AAAI 2026

MAFA: A Multi-Agent Framework for Enterprise-Scale Annotation with Configurable Task Adaptation

MAFA：一种用于企业级标注的多智能体框架，支持可配置的任务适应

Mahmood Hegazy, Aaron Rodrigues, Azzam Naeem

AI总结 MAFA通过可配置的多智能体协作解决金融行业标注积压问题，实现86%的人工标注一致性，每年节省5000小时人工标注工作，提升标注准确率和效率。

Journal ref AAAI Conference on Artificial Intelligence 2026

LiRA: A Multi-Agent Framework for Reliable and Readable Literature Review Generation

LiRA：一种用于生成可靠且易读文献综述的多智能体框架

Gregory Hok Tjoan Go, Khang Ly, Anders Søgaard, Amin Tabatabaei, Maarten de Rijke, Xinyi Chen

AI总结 LiRA通过多智能体协作流程生成综合且全面的文献综述，优于现有基线方法，在写作和引用质量上表现更优，同时保持与人工写作相似度。

Comments Published at the 40th AAAI Conference on Artificial Intelligence. Please cite the published version here: https://ojs.aaai.org/index.php/AAAI/article/view/41489

Consistency-based Abductive Reasoning over Perceptual Errors of Multiple Pre-trained Models in Novel Environments

基于一致性的多预训练模型感知误差的归纳推理

Mario Leiva, Noel Ngu, Joshua Shay Kricheli, Aditya Taparia, Ransalu Senanayake, Paulo Shakarian, Nathaniel Bastian, John Corcoran, Gerardo Simari

AI总结 本文提出利用多个预训练模型减少感知误差的归纳推理方法，通过逻辑程序编码预测和错误检测规则，采用整数规划和启发式搜索算法提升预测覆盖度和一致性，实验表明在复杂分布偏移场景中性能优于单一模型和传统集成基线。

Comments Accepted to AAAI 2026. Code available at https://github.com/lab-v2/EDCR_PyReason_AirSim

Framework GNN-AID: Graph Neural Network Analysis Interpretation and Defense

图神经网络分析解释与防御框架 GNN-AID

Kirill Lukyanov, Mikhail Drobyshevskiy, Georgii Sazonov, Mikhail Soloviov, Ilya Makarov

机构 * ISP RAS Research Center for Trusted Artificial Intelligence（俄罗斯科学院可信人工智能研究信息与处理中心） ； Ivannikov Institute for System Programming of the Russian Academy of Sciences（俄罗斯科学院伊万诺夫系统编程研究所） ； Moscow Institute of Physics and Technology (National Research University)（莫斯科物理技术学院（国家研究大学）） ； Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学） ； AIRI 纠错

AI总结 本文提出GNN-AID框架，旨在解决图数据中可解释性与鲁棒性结合的问题，提供分析、解释和防御工具，支持多种攻击与防御方法，并提供可视化和MLOps技术以提升可重复性。

Journal ref 2026 Proceedings of the AAAI Conference on Artificial Intelligence, 40(48), 41634-41636

Control Illusion: The Failure of Instruction Hierarchies in Large Language Models

控制幻觉：大型语言模型中指令层级的失效

Yilin Geng, Haonan Li, Honglin Mu, Xudong Han, Timothy Baldwin, Omri Abend, Eduard Hovy, Lea Frermann

AI总结 研究探讨了大型语言模型中指令层级机制的有效性，发现模型在处理简单格式冲突时难以保持一致的优先级，且系统/用户提示分离方法无法建立可靠层级，社会层级框架对模型行为影响更大。

Comments Accepted to AAAI-26 Main Technical Track Proceedings

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(36): 30816-30824, 2026

DanceHA: A Multi-Agent Framework for Document-Level Aspect-Based Sentiment Analysis

DanceHA：一种用于文档级基于方面的情感分析的多智能体框架

Lei Wang, Min Huang, Eduard Dragut

AI总结 本文提出DanceHA多智能体框架，用于文档级基于方面的情感强度分析，通过分解任务和人机协作提升处理复杂任务的能力，并展示了其在多领域数据集上的有效性。

Journal ref AAAI 2026

Beyond Monotonicity: Revisiting Factorization Principles in Multi-Agent Q-Learning

超越单调性：重新审视多智能体Q学习中的分解原理

Tianmeng Hu, Yongzheng Cui, Rui Tang, Biao Luo, Ke Li

机构 * Department of Computer Science, University of Exeter, U.K.（埃克塞特大学计算机科学系） ； School of Automation, Central South University, China（中南大学自动化学院） 纠错

AI总结 本文通过动力系统分析非单调值分解，证明非单调分解能可靠恢复IGM最优解并优于单调基线。

Comments Accepted at AAAI 2026

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(26), 21876-21884, 2026

Invisible Triggers, Visible Threats! Road-Style Adversarial Creation Attack for Visual 3D Detection in Autonomous Driving

不可见的触发器，可见的威胁！面向自动驾驶视觉3D检测的路式对抗生成攻击

Jian Wang, Lijun He, Yixing Yong, Haixia Bi, Fan Li

AI总结 本文提出AdvRoad，通过生成自然道路风格的对抗性贴纸，提升自动驾驶系统在视觉3D检测中的鲁棒性，实验表明其在不同检测器和场景中均有效。

Comments Accepted by the AAAI 2026 (Main Track)

Journal ref AAAI Conference on Artificial Intelligence, 40(12), 9903-9911. (2026)

Generating Sketches in a Hierarchical Auto-Regressive Process for Flexible Sketch Drawing Manipulation at Stroke-Level

通过分层自回归过程生成草图以实现灵活的笔触级草图操作

Sicong Zang, Shuhui Gao, Zhijun Fang

机构 * Sicong Zang, Shuhui Gao, Zhijun Fang 纠错

AI总结 本文提出分层自回归生成过程，实现灵活的笔触级草图操作，通过自回归方式生成笔触嵌入并引导模型生成合适笔触。

Comments Accepted by AAAI 2026

DRMD: Deep Reinforcement Learning for Malware Detection under Concept Drift

DRMD：基于概念漂移的深度强化学习恶意软件检测

Shae McFadden, Myles Foley, Mario D'Onghia, Chris Hicks, Vasilios Mavroudis, Nicola Paoletti, Fabio Pierazzi

机构 * King’s College London（伦敦国王学院） ； The Alan Turing Institute（艾伦·图灵研究所） ； University College London（伦敦大学学院） 纠错

AI总结 本文提出DRMD，通过深度强化学习在Android恶意软件检测中应对概念漂移，提升检测性能和抗漂移能力，实验显示其在时间感知评估中优于传统方法。

Comments The Fortieth AAAI Conference on Artificial Intelligence (AAAI-26)

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 40, No. 2, pp. 854-862, 2026

LiteGE: Lightweight Geodesic Embedding for Efficient Geodesics Computation and Non-Isometric Shape Correspondence

LiteGE：轻量级测地嵌入用于高效测地线计算和非等距形状对应

Yohanes Yudhi Adikusuma, Qixing Huang, Ying He

AI总结 LiteGE通过PCA处理信息体素的无符号距离场样本，构建紧凑且类别感知的形状描述符，实现高效测地线计算和非等距形状对应，显著降低内存使用和推理时间。

Journal ref Proceedings of the 40th AAAI Conference on Artificial Intelligence (AAAI-26), 2026

iSeal: Encrypted Fingerprinting for Reliable LLM Ownership Verification

iSeal：用于可靠LLM所有权验证的加密指纹法

Zixun Xiong, Gaoyi Wu, Qingyang Yu, Mingyu Derek Ma, Lingfeng Yao, Miao Pan, Xiaojiang Du, Hao Wang

AI总结 iSeal通过在模型和外部模块中注入独特特征，结合纠错机制和相似性验证策略，实现对模型窃贼全程控制下的可靠LLM所有权验证，有效抵御指纹反学习和响应操控等攻击。

Comments Accepted by AAAI 2026

Journal ref Proc. AAAI Conf. Artif. Intell. 40(42): 23984-23992, 2026

Otter: Mitigating Background Distractions of Wide-Angle Few-Shot Action Recognition with Enhanced RWKV

Otter: 通过增强的RWKV缓解宽角少样本动作识别中的背景干扰

Wenbo Huang, Jinghui Zhang, Zhenghao Chen, Guang Li, Lei Zhang, Yang Cao, Fang Dong, Takahiro Ogawa, Miki Haseyama

AI总结 本文提出Otter，通过Compound Segmentation和Temporal Reconstruction模块提升宽角少样本动作识别性能，有效突出主体并重建时间关系，实验表明其在多个数据集上达到最优效果。

Comments Accepted by AAAI 2026 Oral

The Geometry of Dialogue: Graphing Language Models to Reveal Synergistic Teams for Multi-Agent Collaboration

对话的几何学：基于图谱的语言模型揭示多智能体协作的协同团队

Kotaro Furuya, Yuichi Kitagawa

AI总结 本文提出一种基于交互的自动团队组建框架，通过构建语言模型图谱揭示多智能体协作的协同团队，实验表明其能发现功能一致的团队并优于随机基线。

Comments Accepted at the AAAI-26 Workshop on LLM-based Multi-Agent Systems: Towards Responsible, Reliable, and Scalable Agentic Systems (LaMAS 2026) as an oral presentation

From Detection to Diagnosis: Advancing Hallucination Analysis with Automated Data Synthesis

从检测到诊断：通过自动化数据合成推进幻觉分析

Yanyi Liu, Qingwen Yang, Tiezheng Guo, Feiyu Qu, Jun Liu, Yingyou Wen

AI总结 本文提出从检测到诊断的新范式，通过自动化数据合成生成高质量训练样本，训练出HDM-4B-RL模型，在幻觉诊断任务中超越现有检测模型，实现更可靠的生成式AI系统。

Comments Accepted at The 40th Annual AAAI Conference on Artificial Intelligence

Do Language Models Associate Sound with Meaning? A Multimodal Study of Sound Symbolism

语言模型是否将声音与意义关联？一种多模态研究声音象征主义

Jinhong Jeong, Sunghyun Lee, Jaeyoung Lee, Seonah Han, Youngjae Yu

机构 * Yonsei University（延世大学） ； Seoul National University（首尔国立大学） ； Korea University（韩国大学） 纠错

AI总结 研究语言模型在多模态输入中对声音象征性的处理，通过分析不同语义维度下的音节注意力分数，揭示模型对声音与意义关联的理解机制。

Comments 33 pages, 27 tables, 10 figures, accepted to AAAI 2026 (Oral)

Flexible Concept Bottleneck Model

灵活的概念瓶颈模型

Xingbo Du, Qiantong Dou, Lei Fan, Rui Zhang

AI总结 本文提出灵活的概念瓶颈模型（FCBM），通过动态概念适应和改进的稀疏max模块，提升模型在新概念下的适应性与灵活性，实验表明其在多个基准上的表现优异。

Comments To appear in AAAI 2026

StoryBox: Collaborative Multi-Agent Simulation for Hybrid Bottom-Up Long-Form Story Generation Using Large Language Models

StoryBox：基于大型语言模型的混合自底向上长篇故事生成的协作多智能体模拟

Zehao Chen, Rong Pan, Haoran Li

AI总结 本文提出混合自底向上长篇故事生成方法，利用多智能体模拟生成超过10000字的连贯故事，通过智能体交互产生有机情节发展，优于传统自顶向下的结构化方法。

Comments Accepted by AAAI 2026. Project: https://storyboxproject.github.io

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 2026, 40(36), 30359-30367

SVGBuilder: Component-Based Colored SVG Generation with Text-Guided Autoregressive Transformers

SVGBuilder：基于组件的带颜色SVG生成与文本引导自回归变换

Zehao Chen, Rong Pan

AI总结 SVGBuilder基于组件的文本引导自回归变换生成高质量彩色SVG，显著降低计算开销，提升效率，引入ColorSVG-100K数据集提升模型多样性与颜色信息。

Comments Accepted by AAAI 2025. Project: https://svgbuilder.github.io

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 2025, 39(3), 2358-2366

EchoGen: Cycle-Consistent Learning for Unified Layout-Image Generation and Understanding

EchoGen：基于循环一致性的统一布局-图像生成与理解学习

Kai Zou, Hongbo Liu, Dian Zheng, Jianxiong Gao, Zhiwei Zhao, Bin Liu

机构 * School of Cyber Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学与技术学院） ； Tongji University（同济大学） ； Sun Yat-sen University（中山大学） ； Fudan University（复旦大学） ； Hefei University of Technology（合肥工业大学） ； Anhui Province Key Laboratory of Digital Security（安徽省数字安全重点实验室） 纠错

AI总结 本文提出EchoGen框架，通过统一模型联合训练布局到图像生成和图像定位任务，提升生成图像的布局准确性与文本描述一致性，同时增强图像定位的鲁棒性。

Comments 9 pages, Accepted at the 40th AAAI Conference on Artificial Intelligence (AAAI 2026)

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(16), 2026

Discovering Decoupled Functional Modules in Large Language Models

在大型语言模型中发现解耦的功能模块

Yanke Yu, Jin Li, Ying Sun, Ping Li, Zhefeng Wang, Yi Zheng

AI总结 研究通过提出ULCMOD框架，解耦LLM中的神经元并发现输入样本的主题模块，提升模型可解释性和性能。

Comments AAAI-26 Oral