AAAI

RFKG-CoT: Relation-Driven Adaptive Hop-count Selection and Few-Shot Path Guidance for Knowledge-Aware QA

RFKG-CoT: 基于关系的自适应步数选择与少样本路径引导用于知识感知问答

Chao Zhang, Minghan Li, Tianrui Lv, Guodong Zhou

机构 * Chao Zhang, Minghan Li, Tianrui Lv, Guodong Zhou（张超，李明翰，吕天睿，周国栋） 纠错

AI总结 RFKG-CoT通过关系驱动的自适应步数选择和少样本路径引导，提升知识感知问答的准确性与可靠性。

Comments 9pages, 5 figures, accepted by AAAI 2026

Feature-Centric Unsupervised Node Representation Learning Without Homophily Assumption

以特征为中心的无监督节点表示学习无需同质性假设

Sunwoo Kim, Soo Yong Lee, Kyungho Kim, Hyunjin Hwang, Jaemin Yoo, Kijung Shin

AI总结 FUEL通过自适应学习图卷积的使用程度，提升嵌入空间中的类间分离性和类内相似性，从而在无监督节点表示学习中取得最佳性能。

Comments Published in AAAI 2026

Factor(U,T): Controlling Untrusted AI by Monitoring their Plans

Factor(U,T): 通过监控其计划来控制不可信的AI

Edward Lue Chee Lip, Anthony Channg, Diana Kim, Aaron Sandoval, Kevin Zhu

AI总结 Factor(U,T)通过监控AI分解计划来控制不可信AI，实验表明在仅观察自然语言指令时，监控恶意活动效果有限，而结合子任务监控则能实现高区分度和安全性。

Comments Accepted to AAAI 2026 Workshop on Trust and Control in Agentic AI (TrustAgent). 6 pages body, 8 pages total, 3 figures

SoMe: A Realistic Benchmark for LLM-based Social Media Agents

SoMe：一种用于基于大语言模型的社会媒体代理的现实基准

Dizhan Xue, Jing Cui, Shengsheng Qian, Chuanrui Hu, Changsheng Xu

AI总结 SoMe是一个用于评估基于大语言模型的社会媒体代理能力的现实基准，通过多样化任务和大量数据揭示了现有LLM在处理社交媒体任务中的局限性。

Comments Accepted by AAAI 2026

Attention as Binding: A Vector-Symbolic Perspective on Transformer Reasoning

注意力作为绑定：一种向量符号视角下的Transformer推理

Sahil Rajesh Dhayalkar

机构 * Sahil Rajesh Dhayalkar（独立研究者） 纠错

AI总结 本文提出将Transformer的注意力机制视为软向量符号计算，通过向量符号架构视角解释其推理行为，并提出改进架构和训练目标以提升逻辑可靠性和可解释性。

Comments 12 pages with references. Submitted to 'Logical and Symbolic Reasoning in Language Models @ AAAI 2026' conference and is under review

Human-Centric Open-Future Task Discovery: Formulation, Benchmark, and Scalable Tree-Based Search

以人为中心的开放未来任务发现： formulation、基准和可扩展的树基搜索

Zijian Song, Xiaoxin Lin, Tao Pu, Zhenlong Yuan, Guangrun Wang, Liang Lin

机构 * Zijian Song 1（Song 研究所） ； Xiaoxin Lin 1（Lin 研究所） ； Tao Pu 1（Pu 研究所） ； Zhenlong Yuan 4（Yuan 研究所） ； Guangrun Wang 1,2,3（Wang 研究所） ； Liang Lin 1,2,3（Lin 研究所） 纠错

AI总结 本研究提出HOTD问题，通过CMAST框架在开放未来任务发现中实现最佳性能，显著超越现有LMMs。

Comments accepted to AAAI 2026, 10 pages, 9 figures

Tab-PET: Graph-Based Positional Encodings for Tabular Transformers

Tab-PET：基于图的表格变压器位置编码

Yunze Leng, Rohan Ghosh, Mehul Motani

AI总结 Tab-PET通过基于图的位置编码提升表格变压器的泛化能力，采用关联和因果两种图估计方法，实验证明在多个数据集上显著提升性能。

Comments Accepted to AAAI-26

Learning 3D Texture-Aware Representations for Parsing Diverse Human Clothing and Body Parts

学习3D纹理感知表示以解析多样化的人类服装和身体部位

Kiran Chhatre, Christopher Peters, Srikrishna Karanam

AI总结 Spectrum通过改进的3D纹理生成模型，实现了对多样化人类服装和身体部位的精细解析与分割。

Comments Association for the Advancement of Artificial Intelligence (AAAI) 2026, 14 pages, 11 figures. Webpage: https://s-pectrum.github.io/

Reasoning or Memorization? Unreliable Results of Reinforcement Learning Due to Data Contamination

推理还是记忆？由于数据污染导致强化学习不可靠的结果

Mingqi Wu, Zhihao Zhang, Qiaole Dong, Zhiheng Xi, Jun Zhao, Senjie Jin, Xiaoran Fan, Yuhao Zhou, Huijie Lv, Ming Zhang, Yanwei Fu, Qin Liu, Songyang Zhang, Qi Zhang

AI总结 本文发现Qwen2.5系列模型易受数据污染影响，通过生成清洁算术问题验证了准确奖励信号对数学推理性能的提升作用

Comments 28 pages, AAAI 2026

Causal Structure Learning for Dynamical Systems with Theoretical Score Analysis

动态系统因果结构学习的理论分数分析

Nicholas Tagliapietra, Katharina Ensinger, Christoph Zimmer, Osman Mian

AI总结 CaDyT通过理论分数分析方法，改进动态系统因果结构学习，优于现有方法，适用于规则和非规则采样数据。

Comments Accepted as Oral at AAAI 2026 Conference

Debiasing Diffusion Priors via 3D Attention for Consistent Gaussian Splatting

通过3D注意力解偏扩散先验以实现一致的高斯点散布

Shilong Jin, Haoran Duan, Litao Hua, Wentao Huang, Yuan Zhou

AI总结 通过3D注意力解偏扩散先验以实现一致的高斯点散布，解决T2I模型中的视角偏见问题，提升3D任务的多视角一致性。

Comments Accepted by AAAI 2026, Code is available at: https://github.com/kimslong/AAAI26-TDAttn

Exo2Ego: Exocentric Knowledge Guided MLLM for Egocentric Video Understanding

Exo2Ego：基于外部知识引导的多模态大语言模型用于第一人称视频理解

Haoyu Zhang, Qiaohui Chu, Meng Liu, Haoxiang Shi, Yaowei Wang, Liqiang Nie

AI总结 Exo2Ego通过迁移学习提升内向视频理解能力，利用外向知识增强模型性能。

Comments This paper is accepted by AAAI 2026

LWGANet: Addressing Spatial and Channel Redundancy in Remote Sensing Visual Tasks with Light-Weight Grouped Attention

LWGANet: 通过轻量级分组注意力解决遥感视觉任务中的空间和通道冗余

Wei Lu, Xue Yang, Si-Bao Chen

AI总结 LWGANet通过轻量级分组注意力模块有效解决遥感任务中的空间和通道冗余问题，提升模型效率与准确率。

Comments Accepted by AAAI 2026 (Oral)

AnchorHOI: Zero-shot Generation of 4D Human-Object Interaction via Anchor-based Prior Distillation

AnchorHOI: 通过基于锚点的先验蒸馏实现零样本4D人-物交互生成

Sisi Dai, Kai Xu

AI总结 AnchorHOI通过基于锚点的先验蒸馏策略，结合视频扩散模型提升4D人-物交互生成的多样性和泛化能力。

Comments AAAI 2026

Intention Chain-of-Thought Prompting with Dynamic Routing for Code Generation

具有动态路由的意图链式思维提示法用于代码生成

Shen Li, Li Huang, Shaoxiong Zhan, Weifeng Sun, Tao Yin, Zhongxin Liu, Meng Yan

AI总结 RoutingGen通过动态路由策略优化代码生成，结合少样本提示与结构化推理策略ICoT，提升生成效率与质量。

Comments Accepted at AAAI-2026

Verification-Guided Context Optimization for Tool Calling via Hierarchical LLMs-as-Editors

通过分层大语言模型作为编辑器进行工具调用的验证引导上下文优化

Henger Li, Shuangjie You, Flavio Di Palo, Yiyue Qian, Ayush Jain

AI总结 通过分层LLM作为编辑器，验证引导上下文优化提升工具调用的准确性和泛化能力。

Comments Accepted by AAAI 2026 Workshop on Agentic AI Benchmarks and Applications for Enterprise Tasks

Human-AI Collaboration Mechanism Study on AIGC Assisted Image Production for Special Coverage

面向特殊报道的AIGC辅助图像生成中的人机协作机制研究

Yajie Yang, Yuqing Zhao, Xiaochao Xi, Yinan Zhu

AI总结 本文提出了一种人机协作机制，用于在特殊报道中通过AIGC辅助图像生成，结合高精度分割、语义对齐和风格调节技术，确保内容准确性和可验证性。

Comments AAAI-AISI 2026

Plug-and-Play Parameter-Efficient Tuning of Embeddings for Federated Recommendation

即插即用的嵌入参数高效调优用于联邦推荐

Haochen Yuan, Yang Zhang, Xiang He, Quan Z. Sheng, Zhongjie Wang

AI总结 本文提出一种参数高效调优的联邦推荐框架，通过减少嵌入参数传输量来提升通信效率和模型准确性。

Comments This paper has been accepted for publication at AAAI 2026

Scaling and Transferability of Annealing Strategies in Large Language Model Training

在大语言模型训练中退火策略的扩展性与可迁移性

Siqi Wang, Zhengyu Chen, Teng Xiao, Zheqi Lv, Jinluan Yang, Xunliang Cai, Jingang Wang, Xiaomeng Li

AI总结 本研究提出了一种通用框架，用于优化大语言模型训练中的退火策略，通过实验表明退火策略可跨不同模型配置迁移，提高了学习率调度的效率和实用性。

Comments Accepted to AAAI 2026 (camera-ready version)

MMhops-R1: Multimodal Multi-hop Reasoning

MMhops-R1: 多模态多跳推理

Tao Zhang, Ziqi Zhang, Zongyang Ma, Yuxin Chen, Bing Li, Chunfeng Yuan, Guangting Wang, Fengyun Rao, Ying Shan, Weiming Hu

AI总结 MMhops-R1通过动态规划和多模态知识整合，提升多跳推理能力，提出新型mRAG框架并提供挑战性基准。

Comments Acceped by AAAI 2026

IdealTSF: Can Non-Ideal Data Contribute to Enhancing the Performance of Time Series Forecasting Models?

IdealTSF: 非理想数据能否提升时间序列预测模型的性能？

Hua Wang, Jinghao Lu, Fan Zhang

AI总结 IdealTSF通过整合理想正负样本提升时间序列预测性能，利用非理想数据增强模型表现。

Comments Accepted at AAAI 2026

Cog-RAG: Cognitive-Inspired Dual-Hypergraph with Theme Alignment Retrieval-Augmented Generation

Cog-RAG: 基于认知的双超图主题对齐检索增强生成

Hao Hu, Yifan Feng, Ruoxue Li, Rundong Xue, Xingliang Hou, Zhiqiang Tian, Yue Gao, Shaoyi Du

AI总结 Cog-RAG通过双超图结构和主题对齐策略，提升检索增强生成的语义对齐与生成一致性。

Comments Accepted by AAAI 2026 main conference

Journal ref AAAI 2026

Guideline-Consistent Segmentation via Multi-Agent Refinement

通过多智能体细化实现指南一致的分割

Vanshika Vats, Ashwani Rathee, James Davis

AI总结 本文提出一种多智能体无训练框架，通过Worker-Supervisor迭代细化架构实现指南一致的分割，有效应对复杂文本指南。

Comments To be published in The Fortieth AAAI Conference on Artificial Intelligence (AAAI 2026)

Transparent Networks for Multivariate Time Series

透明网络用于多变量时间序列

Minkyu Kim, Suan Lee, Jinho Kim

AI总结 本文提出了一种名为GATSM的透明神经网络模型，用于处理多变量时间序列，通过独立特征网络和透明时间模块有效捕捉时间模式，同时保持模型的可解释性。

Comments AAAI-26 Special Track on AI Alignment

SkipCat: Rank-Maximized Low-Rank Compression of Large Language Models via Shared Projection and Block Skipping

SkipCat: 通过共享投影和块跳过实现大型语言模型的秩最大化低秩压缩

Yu-Chen Lu, Sheng-Feng Yu, Hui-Hsien Weng, Pei-Shuo Wang, Yu-Fang Hu, Liang Hung-Chun, Hung-Yueh Chiang, Kai-Chiang Wu

AI总结 SkipCat通过共享投影和块跳过技术实现低秩压缩，无需额外微调即可在相同压缩率下提升零样本任务的准确率7%。

Comments Accepted by AAAI 2026

Towards a Common Framework for Autoformalization

迈向自动形式化的一个共同框架

Agnieszka Mensfelt, David Tena Cucala, Santiago Franco, Angeliki Koutsoukou-Argyraki, Vince Trencsenyi, Kostas Stathis

机构 * Department of Computer Science, Royal Holloway, University of London（伦敦大学皇家霍洛威学院计算机科学系） ； Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系） 纠错

AI总结 本文旨在提出一个统一框架，以促进不同领域之间的交叉融合，推动下一代人工智能系统的发展。

Comments Presented at NeLaMKRR@KR, 2025 (arXiv:2511.09575). A shorter version of this work will appear in the Proceedings of the AAAI Conference on Artificial Intelligence (AAAI 2026)

AI Copilots for Reproducibility in Science: A Case Study

人工智能辅助科学可重复性：案例研究

Adrien Bibal, Steven N. Minton, Deborah Khider, Yolanda Gil

AI总结 本文提出了一种AI驱动的可重复性助手，通过生成Jupyter笔记本和建议，帮助科学家更高效地实现计算重现，减少重现时间并提高结果的透明度。

Comments Reproducible Artificial Intelligence (RAI2026) Workshop, AAAI 2026

Less Is More: Sparse and Cooperative Perturbation for Point Cloud Attacks

少即是多：用于点云攻击的稀疏与协作扰动

Keke Tang, Tianyu Hao, Xiaofei Wang, Weilong Peng, Denghui Zhang, Peican Zhu, Zhihong Tian

AI总结 本文提出SCP框架，通过稀疏且协作的点扰动方法，实现高攻击成功率和更强的对抗效果，适用于点云攻击场景。

Comments Accepted by AAAI'2026 (Oral)

Towards Test-time Efficient Visual Place Recognition via Asymmetric Query Processing

通过非对称查询处理实现测试时高效的视觉位置识别

Jaeyoon Kim, Yoonki Cho, Sung-Eui Yoon

AI总结 本文提出一种非对称VPR框架，通过地理记忆库和隐式嵌入增强技术，实现低计算成本的高效视觉位置识别。

Comments AAAI 2026

JoDiffusion: Jointly Diffusing Image with Pixel-Level Annotations for Semantic Segmentation Promotion

JoDiffusion: 通过像素级标注联合扩散图像以促进语义分割

Haoyu Wang, Lei Zhang, Wenrui Liu, Dengyang Jiang, Wei Wei, Chen Ding

AI总结 JoDiffusion通过联合扩散图像与像素级标注，提升语义分割的性能和可扩展性。

Comments Accepted at AAAI 2026