AAAI

LocDreamer: World Model-Based Learning for Joint Indoor Tracking and Anchor Scheduling

LocDreamer：基于世界模型的联合室内跟踪与锚点调度学习

Geng Wang, Zhouyou Gu, Shenghong Li, Peng Cheng, Jihong Park, Branka Vucetic, Yonghui Li

AI总结 LocDreamer通过基于世界模型的框架，实现了联合室内目标跟踪与高效锚点调度，显著提升跟踪精度与资源利用效率。

Journal ref AAAI-26 Workshop Machine Learning for Wireless Communication and Networks (ML4Wireless), 2026

Investigating Data Pruning for Pretraining Biological Foundation Models at Scale

大规模预训练生物基础模型的数据剪枝研究

Yifan Wu, Jiyue Jiang, Xichen Ye, Yiqi Wang, Chang Zhou, Yitao Xu, Jiayang Chen, He Hu, Weizhong Zhang, Cheng Jin, Jiao Yuan, Yu Li

AI总结 本文提出了一种影响引导的数据剪枝方法，用于大规模预训练生物基础模型，通过有效减少计算成本和数据冗余，提升生物信息学任务的可重复性和可访问性。

Comments Accepted by AAAI 2026

Towards Reinforcement Learning from Neural Feedback: Mapping fNIRS Signals to Agent Performance

迈向基于神经反馈的强化学习：将fNIRS信号映射到智能体表现

Julia Santaniello, Matthew Russell, Benson Jiang, Donatello Sassaroli, Robert Jacob, Jivko Sinapov

AI总结 本文提出通过fNIRS信号预测智能体表现，利用分类器和回归器提升RLHF性能，并验证了跨受试者泛化能力。

Comments Accepted to the Association for the Advancement of Artificial Intelligence (AAAI) 2026. To appear in the AAAI 2026 Proceedings

Beyond the Mean: Fisher-Orthogonal Projection for Natural Gradient Descent in Large Batch Training

超越均值：用于大规模批量训练的自然梯度下降的Fisher-正交投影

Yishun Lu, Wesley Armour

AI总结 本文提出Fisher-正交投影技术，用于在大规模批量训练中提升自然梯度下降的性能，实现更优的泛化能力和更快的收敛速度。

Comments Accepted at Proceedings of the 40th Annual AAAI Conference on Artificial Intelligence (AAAI-26) (Oral)

Faster Game Solving via Hyperparameter Schedules

通过超参数调度更快的游戏求解

Naifeng Zhang, Stephen McAleer, Tuomas Sandholm

AI总结 本文提出一种简单高效的超参数调度框架，通过动态调整CFR折扣率，显著提升不完全信息游戏的求解速度，适用于多种游戏场景。

Comments Accepted at the AAAI Conference on Artificial Intelligence (AAAI), 2026

Lost in Translation? A Comparative Study on the Cross-Lingual Transfer of Composite Harms

迷失在翻译中？复合危害的跨语言迁移比较研究

Vaibhav Shukla, Hardik Sharma, Adith N Reganti, Soham Wasmatkar, Bagesh Kumar, Vrijendra Singh

AI总结 本研究通过复合危害基准测试，探讨了跨语言迁移中安全对齐的稳定性，发现攻击成功率在印度语言中显著上升，但上下文性危害迁移较温和，强调翻译基准在多语言安全测试中的必要性。

Comments Accepted at the AICS Workshop, AAAI 2026

DINO-Mix: Distilling Foundational Knowledge with Cross-Domain CutMix for Semi-supervised Class-imbalanced Medical Image Segmentation

DINO-Mix：通过跨领域CutMix进行基础知识蒸馏以实现半监督类不平衡医学图像分割

Xinyu Liu, Guolei Sun

AI总结 DINO-Mix通过引入预训练视觉模型和渐进性不平衡感知CutMix，解决半监督医学图像分割中少数类识别困难的问题。

Comments AAAI 2026 Workshop on Artificial Intelligence with Biased or Scarce Data (Oral)

Can LLMs Truly Embody Human Personality? Analyzing AI and Human Behavior Alignment in Dispute Resolution

LLMs真的能体现人类个性吗？分析AI与人类行为在纠纷解决中的对齐

Deuksin Kwon, Kaleen Shrestha, Bin Han, Spencer Lin, James Hale, Jonathan Gratch, Maja Matarić, Gale M. Lucas

AI总结 本文研究LLMs在模拟人类人格驱动的冲突行为方面的有效性，通过评估框架和数据集方法，揭示LLMs在纠纷解决中与人类行为的显著差异。

Comments AAAI 2026 (Special Track: AISI)

Realistic Synthetic Household Data Generation at Scale

大规模生成逼真合成家庭数据

Siddharth Singh, Ifrah Idrees, Abraham Dauhajre

机构 * Siddharth Singh（1 西雅图） 纠错

AI总结 本文提出了一种大规模生成逼真合成家庭数据的方法，通过松耦合生成人机交互与环境数据，实现双向影响建模，提升家庭智能设备的开发与测试能力。

Comments Accepted at Agentic AI Benchmarks and Applications for Enterprise Tasks workshop at AAAI 2026

State-Space Hierarchical Compression with Gated Attention and Learnable Sampling for Hour-Long Video Understanding in Large Multimodal Models

具有门控注意力和可学习采样的状态空间分层压缩用于大多模态模型中的小时级视频理解

Geewook Kim, Minjoon Seo

AI总结 本文提出了一种基于状态空间模型和门控注意力的高效压缩方法，用于减少大模型中小时级视频的token消耗，同时保持性能。

Comments AAAI 2026 (Oral). Project page: https://github.com/naver-ai/mambamia

FlashKAT: Understanding and Addressing Performance Bottlenecks in the Kolmogorov-Arnold Transformer

FlashKAT: 解读和解决Kolmogorov-Arnold变换器中的性能瓶颈

Matthew Raffel, Lizhong Chen

AI总结 FlashKAT通过优化内存访问和梯度计算，显著提升了KAT的训练速度，解决了其性能瓶颈问题。

Comments AAAI 2026

Towards Effective and Efficient Context-aware Nucleus Detection in Histopathology Whole Slide Images

迈向有效且高效的上下文感知核检测在病理全滑片图像中

Zhongyi Shui, Honglin Li, Yunlong Zhang, Yuxuan Sun, Yiwen Ye, Pingyi Chen, Ruizhe Guo, Lei Cui, Chenglu Zhu, Lin Yang

AI总结 本文提出一种有效且高效的上下文感知核检测方法，通过聚合历史滑动窗口特征提升效率，并利用周围未标注样本增强模型适应性。

Comments Accepted by AAAI 2026

Risk-Sensitive Exponential Actor Critic

风险敏感指数Actor-Critic

Alonso Granados, Jason Pacheco

AI总结 本文提出rsEAC方法，通过理论支持改进风险敏感策略梯度方法，实现更稳定的更新和在复杂连续任务中学习风险敏感策略。

Comments To appear at AAAI 2026

Privacy in Image Datasets: A Case Study on Pregnancy Ultrasounds

图像数据集中的隐私问题：关于妊娠超声的案例研究

Rawisara Lohanimit, Yankun Wu, Amelia Katirai, Yuta Nakashima, Noa Garcia

AI总结 本研究通过分析LAION-400M数据集发现妊娠超声图像中包含敏感个人信息，提出数据隐私保护和伦理使用建议。

Journal ref Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society (AIES '25), 2025, pp. 1623-1636

From Images to Decisions: Assistive Computer Vision for Non-Metallic Content Estimation in Scrap Metal

从图像到决策：面向废钢中非金属内容估计的辅助计算机视觉

Daniil Storonkin, Ilia Dziub, Maksim Golyadkin, Ilya Makarov

机构 * Department of Computer Science（计算机科学系） ； ITMO University（ITMO大学） ； ISP RAS（俄罗斯科学院信息与通信技术研究所） ； AIRI（AIRI研究所） ； Research Center of the Artificial Intelligence Institute（人工智能研究所研究中心） ； Innopolis University（Innopolis大学） 纠错

AI总结 本文提出了一种辅助计算机视觉管道，用于估计废钢中的非金属含量并分类废钢类型，通过多实例学习和多任务学习方法提升污染评估的准确性和实用性。

Comments AAAI 2026 Workshop on Addressing Challenges and Opportunities in Human-Centric Manufacturing

Towards Adaptive Environment Generation for Training Embodied Agents

面向训练具身智能体的自适应环境生成

Teresa Yeo, Dulaj Weerakoon, Dulanga Weerakoon, Archan Misra

AI总结 本文提出一种闭环环境生成方法，通过反馈驱动调整环境难度，提升具身智能体的训练效率和泛化能力。

Comments Accepted to AAAI-26 Bridge Program B10: Making Embodied AI Reliable with Testing and Formal Verification

Harnessing the Unseen: The Hidden Influence of Intrinsic Knowledge in Long-Context Language Models

挖掘未见：内在知识在长上下文语言模型中的隐性影响

Yu Fu, Haz Sameen Shahgir, Hui Liu, Xianfeng Tang, Qi He, Yue Dong

AI总结 本文研究了长上下文语言模型中参数知识的影响，提出混合针在 haystack 测试以评估模型的双重能力，发现 Qwen-2.5 模型在结合多种能力方面表现更优。

Comments 17 pages,11figures (accepted to AAAI 2026)

IsUMap: Manifold Learning and Data Visualization leveraging Vietoris-Rips filtrations

IsUMap：利用Vietoris-Rips过滤的流形学习与数据可视化

Lukas Silvester Barth, Fatemeh, Fahimi, Parvaneh Joharinad, Jürgen Jost, Janis Keck

机构 * Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学研究所） ； Center for Scalable Data Analytics and Artificial Intelligence (ScaDS,AI)（可扩展数据分析与人工智能中心） ； Santa Fe Institute for the Sciences of Complexity（复杂性科学圣达菲研究所） ； Max Planck Institute for Human Cognitive and Brain Sciences（人类认知与脑科学马克斯·普朗克研究所） 纠错

AI总结 IsUMap结合UMAP、Isomap与Vietoris-Rips过滤，提升数据表示质量，适用于复杂数据结构的流形学习与可视化。

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 39(17), 17699-17706 (2025)

Do It for HER: First-Order Temporal Logic Reward Specification in Reinforcement Learning (Extended Version)

为HER做这件事：在强化学习中使用一阶时间逻辑奖励规范（扩展版）

Pierriccardo Olivieri, Fausto Lasca, Alessandro Gianola, Matteo Papini

机构 * DEIB, Politecnico di Milano（博洛尼亚工程学院，米兰理工大学） ； Politecnico di Milano（米兰理工大学） ； INESC-ID/Instituto Superior Técnico Universidade de Lisboa（里斯本大学超级学院/葡萄牙信息科学与技术研究所） ； Dipartimento di Informatica Università degli Studi di Milano（米兰大学信息学院） 纠错

AI总结 本文提出了一种基于LTLfMT的一阶时间逻辑奖励规范框架，结合奖励机和HER解决奖励稀疏性问题，适用于连续控制任务。

Comments This is the extended version of a paper accepted at AAAI 2026

Consensus-Aligned Neuron Efficient Fine-Tuning Large Language Models for Multi-Domain Machine Translation

共识对齐的神经高效细调大型语言模型用于多领域机器翻译

Shuting Jiang, Ran Song, Yuxin Huang, Yan Xiang, Yantuan Xian, Shengxiang Gao, Zhengtao Yu

AI总结 本文提出一种神经高效微调框架，通过识别和更新共识对齐的神经元，提升大型语言模型在多领域机器翻译中的性能。

Comments Accepted by AAAI 2026

Attention Retention for Continual Learning with Vision Transformers

视觉变换器中的注意力保留用于持续学习

Yue Lu, Xiangyu Zhou, Shizhou Zhang, Yinghui Xing, Guoqiang Liang, Wencong Zhang

AI总结 本文提出一种基于视觉变换器的注意力保留框架，通过约束注意力漂移来减轻持续学习中的灾难性遗忘，通过生成实例自适应二进制掩码并调整梯度更新，有效保留已学习的视觉概念。

Comments AAAI-2026 Camera Ready

Day-Ahead Electricity Price Forecasting for Volatile Markets Using Foundation Models with Regularization Strategy

利用正则化策略的基础模型进行日提前电力价格预测

Kritchanat Ponyuenyong, Pengyu Tu, Jia Wei Tan, Wei Soon Cheong, Jamie Ng Suat Ling, Lianlian Jiang

AI总结 本文提出一种正则化策略，利用基础模型在波动市场中提升电力价格预测的准确性。

Comments Accepted to AI4TS Workshop @ AAAI'26 (Oral and Poster), see https://ai4ts.github.io/aaai2026

Assessing Electricity Demand Forecasting with Exogenous Data in Time Series Foundation Models

基于时间序列基础模型的外生数据电力需求预测评估

Wei Soon Cheong, Lian Lian Jiang, Jamie Ng Suat Ling

AI总结 本文评估了不同基础模型在电力需求预测中的表现，发现基础模型在某些情况下不如简单基线，强调了模型架构和地理环境对预测效果的影响。

Comments 9 pages, 1 Figure and 3 Tables. Accepted to AI4TS Workshop @ AAAI'26 as an oral presentation (see https://ai4ts.github.io/aaai2026)

Data Heterogeneity and Forgotten Labels in Split Federated Learning

分裂联邦学习中的数据异质性与遗忘标签

Joana Tirana, Dimitra Tsigkari, David Solans Noguero, Nicolas Kourtellis

机构 * University College Dublin（都柏林大学学院） ； Telefónica Scientific Research（电信科学研究所） ； Keysight AI Labs（Keysight AI实验室） 纠错

AI总结 本文提出Hydra方法，针对分裂联邦学习中数据异质性和遗忘标签问题，通过多头神经网络设计提升模型性能。

Comments A shorter version of this paper will appear in the proceedings of AAAI 2026

Language Models and Logic Programs for Trustworthy Tax Reasoning

语言模型与逻辑程序用于可信的税务推理

William Jurayj, Nils Holzenberger, Benjamin Van Durme

AI总结 本文提出结合语言模型与符号求解器的方法，用于提升税务推理的准确性与经济可行性。

Comments Accepted to AAAI 2026

A logical re-conception of neural networks: Hamiltonian bitwise part-whole architecture

神经网络的逻辑再认识：哈密顿量位部分整体架构

E Bowen, R Granger, A Rodriguez

AI总结 本文提出了一种基于哈密顿量的位部分整体架构，通过低精度算术实现关系编码，生成具有符号计算特征的表示，能处理标准神经网络任务并提升高层次语义表示能力。

Comments Appears in AAAI 2023

Journal ref Association for the Advancement of Artificial Intelligence (www.aaai.org) 2023

Building Interpretable Models for Moral Decision-Making

构建道德决策的可解释模型

Mayank Goel, Aritra Das, Paras Chopra

机构 * Lossfunk ； Ashoka University（阿什oka大学） 纠错

AI总结 本文提出了一种定制的Transformer模型，用于研究神经网络在道德决策中的表现，并通过可解释性技术揭示了道德推理的分布特性。

Comments 8 pages, 4 figures, accepted to AAAI'26 Machine Ethics Workshop

DuGI-MAE: Improving Infrared Mask Autoencoders via Dual-Domain Guidance

DuGI-MAE：通过双域引导改进红外遮蔽自编码器

Yinghui Xing, Xiaoting Su, Shizhou Zhang, Donghao Chu, Di Xu

AI总结 DuGI-MAE通过双域引导策略提升红外遮蔽自编码器性能，解决信息token遗漏、全局关联建模不足及非均匀噪声问题，展现强泛化能力。

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

QuantVSR: Low-Bit Post-Training Quantization for Real-World Video Super-Resolution

QuantVSR: 低比特后训练量化用于现实世界视频超分辨率

Bowen Chai, Zheng Chen, Libo Zhu, Wenbo Li, Yong Guo, Yulun Zhang

AI总结 QuantVSR通过时空复杂度感知机制和可学习偏置对齐模块，实现低比特后训练量化，提升现实世界视频超分辨率的性能与效率。

Comments Accepted to AAAI 2026. Code is available at: https://github.com/bowenchai/QuantVSR

Continuous Degradation Modeling via Latent Flow Matching for Real-World Super-Resolution

通过潜在流匹配进行连续退化建模以实现真实世界超分辨率

Hyeonjae Kim, Dongjin Kim, Eugene Jin, Tae Hyun Kim

AI总结 本文提出通过潜在流匹配生成真实退化LR图像，从而构建大规模真实世界超分辨率训练数据集，提升SR模型在复杂退化下的性能。

Comments AAAI 2026