AAAI

Can LLM Code Explanations Adapt to Diverse Problem-Solvers' Needs?

大语言模型代码解释能否适应不同问题解决者的需求？

Andrew Anderson, David Piorkowski, Justin Weisz, Margaret Burnett, Kush Varshney

AI总结 研究LLM代码解释能否适应不同问题解决者需求，基于包容性设计方法开发提示，用自然语言处理技术从六个LLM生成代码解释，发现13种语言适应分类法，贡献两种问题解决适应方法。

Comments To be published in AAAI/ACM conference on AI, Ethics, and Society (AIES 2026)

A Method for Learning Value Systems in Generative AI

一种在生成式人工智能中学习价值系统的方法

Andrés Holgado-Sánchez, Holger Billhardt, Sascha Ossowski

AI总结 研究生成式人工智能中价值系统学习问题，提出将先前验证的方法用于此场景，基于成对偏好数据同时学习价值基础实现与价值系统表示，算法动态排序，评估显示其性能优、权衡小且可解释性强。

Comments Full version of a to be published paper in proceedings of the 9th AAAI/ACM conference in AI, Ethics and Society (AIES 2026). Includes supplementary material. 20 pages, 2 figures

Tied In on TikTok: Tie Strength and Emotional Dynamics in Algorithmic Communities

在TikTok上紧密相连：算法社区中的纽带强度与情感动态

Charles Bickham, Minh Duc Chu, Arianna Yuan, Valerie Lookingbill, Ehsan Mohammadi, Stuart Murray, Kristina Lerman, Emilio Ferrara

AI总结 研究探讨TikTok上进食障碍讨论是否表现出强纽带的行为和情感特征，发现高频互动与积极情感表达相关，且不同内容类型展现不同情感互动模式。

Comments 14 pages, 9 Figures, 4 Tables

Journal ref Proceedings of the International AAAI Conference on Web and Social Media, 20(1), 262-275. 2025

Bridging the Narrative Divide: Cross-Platform Discourse Networks in Fragmented Ecosystems

弥合叙述鸿沟：碎片化生态系统中的跨平台 discourse 网络

Patrick Gerard, Hans W. A. Hanley, Luca Luceri, Emilio Ferrara

AI总结 本文提出一种平台无关框架，用于重建用户跨平台互动的社交图谱，发现潜在叙述和用户参与，提升信息扩散网络分析的效率和准确性。

Comments 22 pages, 5 figures

Journal ref Proceedings of the International AAAI Conference on Web and Social Media, 20(1), 851-873, 2026

Coordinated Inauthentic Behavior on TikTok: Challenges and Opportunities for Detection in a Video-First Ecosystem

在TikTok上协调不真实行为：在以视频为中心的生态系统中检测挑战与机遇

Luca Luceri, Tanishq Vijay Salkar, Ashwin Balasubramanian, Gabriela Pinto, Chenning Sun, Emilio Ferrara

AI总结 本文提出了一种在TikTok上检测协调不真实行为的计算框架，通过分析视频内容和互动模式，揭示了平台独特的协调行为特征。

Journal ref Proceedings of the International AAAI Conference on Web and Social Media, 20(1), 1533-1550, 2026

Tracing the Unseen: Uncovering Human Trafficking Patterns in Job Listings

追溯无形：揭示就业 listings 中的人口贩卖模式

Siyi Zhou, Jiankun Peng, Emilio Ferrara

AI总结 本研究通过分析美国八个地区的就业数据，揭示人口贩卖模式，并指出危机事件与可疑招聘广告的关联，呼吁加强在线平台的监管。

Journal ref Workshop Proceedings of the 18th International AAAI Conference on Web and Social Media 2024

Hidden in Plain Sight: Exploring the Intersections of Mental Health, Eating Disorders, and Content Moderation on TikTok

隐于 plain sight：探索心理健康、饮食障碍与TikTok内容审核的交集

Charles Bickham, Kia Kazemi-Nia, Luca Luceri, Kristina Lerman, Emilio Ferrara

AI总结 研究探讨了TikTok上心理健康、饮食障碍与内容审核的交集，发现用户通过编码标签逃避审查，导致有害内容可能被无意中接触到。

Comments 10 pages, 5 figures, 2 tables

Journal ref Workshop Proceedings of the 18th International AAAI Conference on Web and Social Media 2024

Candidate Attended Dialogue State Tracking Using BERT

使用BERT的候选参与对话状态跟踪

Junyuan Zheng, Onkar Salvi, John Chan

AI总结 本文针对多领域对话状态跟踪问题，提出利用预训练BERT模型的可扩展框架，实现零样本泛化，能快速适应新领域，在基于模式的对话（SGD）数据集上评估，性能相比基线有显著提升。

Comments 7 pages, 4 figures. Presented at the DSTC8 workshop, AAAI-20 (poster session)

AI Watermark Evidence Fails Forensic Readiness: An Empirical Evaluation

人工智能水印证据无法满足法医鉴定要求：一项实证评估

Saifur Rahman Tamim, Amir Labib Khan

AI总结 本文针对政府要求大语言模型生成内容带水印这一规定所基于的假设进行检验，通过FRS框架评估三种水印方法，以意义保留释义为攻击向量，发现这些方法存在诸多问题，不符合法庭证据标准，FRS评分系统也有局限性。

Comments 9 pages, 4 figures. A version of this paper was submitted to the AAAI/ACM Conference on AI, Ethics, and Society (AIES) 2026

MDND: Unsupervised Learning Guided by Non-Differentiable Refinement for Shape Correspondence

MDND：基于不可微细化的无监督形状对应学习

Qinsong Li, Jing Meng, Haibo Wang, Shengjun Liu

AI总结 研究针对形状对应中深度功能映射框架受限于端到端可微性的问题，提出MDND范式，采用双分支架构，通过一致性损失进行无监督训练，能生成稳健对应，在非等距变形和拓扑噪声形状上表现出色，创造了新的先进水平。

Comments This manuscript is the complete version of the supplementary materials for our AAAI 2026 paper

Beyond a Joke: Multi-Angle Reasoning for Detecting and Explaining Harmful Humor in Memes

超越玩笑：用于检测和解释表情包中有害幽默的多角度推理

Shanhong Liu, Pai Chet Ng, De Wen Soh, Malika Meghjani, Konstantinos N. Plataniotis

AI总结 研究如何检测和解释表情包中有害幽默，提出MAR-12框架，利用视觉语言模型，从十二个角度解读表情包，经注意力机制和原型分类器预测，在多数据集上准确率超现有方法，且能给出有说服力的解释。

Comments Accepted for Publication at AAAI-ICWSM 2027

How Does Empowering Users with Greater System Control Affect News Filter Bubbles?

赋予用户更大系统控制权如何影响新闻过滤气泡？

Ping Liu, Karthik Shivaram, Aron Culotta, Matthew Shapiro, Mustafa Bilgic

AI总结 研究探讨赋予用户更大系统控制权对新闻过滤气泡的影响，设计增强界面的政治新闻推荐系统，通过用户研究发现该系统虽提高了用户对过滤气泡的认知，但对新闻消费的影响因用户偏好呈现异质性。

Journal ref In Proceedings of the International AAAI Conference on Web and Social Media, vol. 18, pp. 943-957. 2024

OvAi Focus: AI-based Multi-class Segmentation of Functional Ovaries and Adnexal Masses in Gynecological Ultrasound

OvAi Focus：基于人工智能的妇科超声中功能性卵巢和附件包块的多类别分割

Niccolò Tallone, Francesca Salis, Pio Raffaele Fina, Roberta Massobrio, Rosilari Bellacosa Marotti, Daniele Conti, Luca Fuso, Luca Mariani, Annamaria Ferrero, Alessandro Arena, Stefano Cosma, Dan Grisaru, Angelo Lacalandra, Renato Seracchioli, Marianna Roccio, Federica Gerace

机构 * Academic Division of Gynecology and Obstetrics, University of Turin（妇科与产科学术部，都灵大学） ； Obstetric and Gynecology Unit, Ospedale Sant'Anna, Department of Surgical Sciences, University of Turin（妇产科单元，圣安娜医院，外科科学系，都灵大学） ； Tel Aviv Sourasky Medical Center, Tel Aviv, Israel（特拉维夫 Sourasky 医疗中心，特拉维夫，以色列） 纠错

AI总结 针对卵巢癌这一致命妇科恶性肿瘤，OvAi Focus软件可对妇科超声中的功能性卵巢和附件包块进行多类别语义分割，通过多中心数据集训练和验证，其分割DICE分数表现良好，优于同类先进方法。

Comments Accepted for presentation at Ital-IA 2026 (6th CINI National Conference on Artificial Intelligence) in Rome, Italy. To be published in the CEUR-WS proceedings

CRISP: Constrained Refinement via Iterative Squeezing Process for Robust Medical Image Segmentation under Domain Shift

CRISP：通过迭代挤压过程进行约束细化，以实现域转移下的稳健医学图像分割

Yizhou Fang, Pujin Cheng, Yixiang Liu, Xiaoying Tang, Longxi Zhou

AI总结 针对医学成像域转移问题，提出CRISP模型无关框架，利用“正区域的秩稳定性”假设，通过潜在特征扰动获取双先验并递归细化，经迭代训练框架提升分割精度，在多中心实验中显著优于现有方法。

Comments X pages, 3 figures, 3 tables; submitted to AAAI 2027

CausalGraphX: A Counterfactual Graph Neural Network Framework for Explainable Systemic Risk Assessment

因果图X：用于可解释系统性风险评估的反事实图神经网络框架

Rabimba Karanjai, Hemanth Madhavarao, Lei Xu, Weidong Shi

机构 * University of Houston（休斯顿大学） ； Kent State University（肯特州立大学） ； PayPal Inc.（贝宝公司） 纠错

AI总结 针对传统风险模型无法捕捉金融网络复杂动态及图神经网络缺乏因果解释的问题，提出因果图X框架，结合图神经网络与反事实推理，能有效评估系统性风险并提供可解释的反事实解释，优于传统和深度学习基线。

Comments Accepted in AAAI'26 Workshop, Agentic AI in Financial Services

MicLog: Towards Accurate and Efficient LLM-based Log Parsing via Progressive Meta In-Context Learning

MicLog：通过渐进元内省学习实现准确高效的基于大语言模型的日志解析

Jianbo Yu, Yixuan Li, Hai Xu, Kang Xu, Junjielong Xu, Zhijing Li, Pinjia He, Wanyuan Wang

AI总结 MicLog通过渐进元内省学习提升日志解析准确性和效率，实现更高精度与更快处理速度。

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence 40(2) (2026) 1480-1488

TCAM-Diff: Triplane-Aware Cross-Attention Medical Diffusion Model

TCAM-Diff：三平面感知交叉注意力医学扩散模型

Zhenkai Zhang, Krista A. Ehinger, Tom Drummond

AI总结 研究提出TCAM-Diff这一3D医学图像生成模型，采用仅解码器自动编码器方法学习三平面表示，利用三平面感知交叉注意力扩散模型整合特征，经预训练解码器模块转换为3D体素，在多规模医学数据集实验中结果出色，优于其他类似方法。

Comments Accepted at AAAI 2025. Code is available at https://github.com/Fredy-Zhang/TCAM-Diff

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 39(21): 22732-22740, 2025

The Susceptibility Paradox in Online Social Influence

在线社交影响中的易感悖论

Luca Luceri, Jinyi Ye, Julie Jiang, Emilio Ferrara

AI总结 本文研究在线社交影响中的易感悖论，发现影响驱动行为的易感性高于自发行为，且朋友比用户自身更易受影响，揭示了社交影响机制的复杂性。

Journal ref Proceedings of the Nineteenth International AAAI Conference on Web and Social Media (ICWSM 2025)

Optimizing Against Safety Representations: Activation-Guided Adversarial Suffixes and the Geometry of Refusal

针对安全表示的优化：激活引导的对抗后缀与拒绝几何

Ege Çakar, Hannah Guan, Kayden Kehe

AI总结 研究大语言模型安全表示，引入激活引导的对抗后缀攻击方法，如Activation-Guided GCG和Soft-GCG，发现安全表示分布特点，不同规模模型的抗性不同，结果阐明安全机制编码及破解方式，为设计对齐策略提供指导。

Comments Accepted at the AAAI 2026 Summer Symposium Series. This paper was presented at the ICLR Re-Align workshop under a different name, "Accelerating Adversarial Suffix Optimization via Continuous Relaxation and Activation-Guided Objectives"

Principled Analysis of Deep Reinforcement Learning Evaluation and Design Paradigms

深度强化学习评估与设计范式的原则性分析

Ezgi Korkmaz

AI总结 本文聚焦强化学习研究进展关键要素，分析典型评估与设计范式，介绍缩放定律理论基础，通过大规模实验表明相关研究结论有误，为深度强化学习的缩放、能力和复杂性提供核心分析。

Comments Published in AAAI 2026

Feature-Space Bayesian Adversarial Learning Improved Malware Detector Robustness

特征空间贝叶斯对抗学习改进恶意软件检测器的鲁棒性

Bao Gia Doan, Shuiqiao Yang, Paul Montague, Olivier De Vel, Tamas Abraham, Seyit Camtepe, Salil S. Kanhere, Ehsan Abbasnejad, Damith C. Ranasinghe

AI总结 研究提出在特征空间进行对抗学习训练鲁棒恶意软件检测器的算法，通过证明问题空间受扰恶意软件在特征空间投影是对抗样本子集，制定贝叶斯对抗学习目标，实现对问题空间对抗样本的鲁棒性，对抗训练的BNN达最先进水平。

Comments Accepted to AAAI 2023 conference

Two Sides of the Same Coin: Learning the Backdoor to Remove the Backdoor

同一硬币的两面：学习去除后门的后门

Qi Zhao, Christian Wressnegger

机构 * KASTEL Security Research Labs（KASTEL安全研究实验室） ； Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） 纠错

AI总结 研究如何对抗神经后门，提出HARVEY方法，通过学习有毒样本的预言机来去除后门。该方法在识别有毒样本上更准确，能近乎完美地去除后门，在多方面优于相关方法，降低攻击成功率且自然准确率损失小。

Journal ref AAAI 2025

Video-Text Temporal Localization via Multi-Scale Convolution and Dynamic Routing

通过多尺度卷积和动态路由实现下一代网络的语义视频通信

Gengtian Shi, Jinze Yu, Chenhao Wu, Shaofei Wang, Eiji Fukuzawa, Junjie Tang, Hiroshi Onoda, Jiang Liu

机构 * Graduate School of Fundamental Science and Engineering, Waseda University（早稻田大学基础科学与工程研究生院） ； Generative AI Innovation Center, Amazon Web Services（亚马逊网络服务生成人工智能创新中心） ； Amazon（亚马逊） 纠错

AI总结 针对视频流量增长需求，提出语义视频通信框架，用多尺度时间卷积编码器捕捉运动模式，基于胶囊的动态路由机制优化关联，多任务学习统一组件，在实验中取得显著改进。

Comments Accepted at the AAAI 2026 Workshop on AI for Time Series (AI4TS)

SAVER: Mitigating Hallucinations in Large Vision-Language Models via Style-Aware Visual Early Revision

SAVER：通过风格感知视觉早期修正减轻大型视觉语言模型中的幻觉

Zhaoxu Li, Chenqi Kong, Yi Yu, Qiangqiang Wu, Xinghao Jiang, Ngai-Man Cheung, Bihan Wen, Alex Kot, Xudong Jiang

机构 * ROSE Lab, Interdisciplinary Graduate Programme, Nanyang Technological University, Singapore（南洋理工大学罗思实验室，跨学科研究生项目，新加坡） ； ROSE Lab, School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（南洋理工大学罗思实验室，电子与电气工程学院，新加坡） ； City University of Hong Kong, Hong Kong SAR（香港城市大学，香港特别行政区） ； Shanghai Jiao Tong University, China（上海交通大学，中国） ； Singapore University of Technology and Design, Singapore（新加坡科技设计大学，新加坡） ； VinUniversity, Hanoi, Vietnam（越南文大学，河内，越南） 纠错

AI总结 研究大型视觉语言模型幻觉问题，构建含照片及风格化图像数据集并对比，提出SAVER机制，利用早期层反馈基于视觉注意力模式动态调整输出，减轻风格化图像引起的幻觉，实验证明其性能先进。

Comments Accepted at AAAI 2026. 24 pages, 10 figures. Code: https://github.com/llizhaoxu/SAVER

Holistic Semantic Representation for Navigational Trajectory Generation

整体语义表示用于导航轨迹生成

Ji Cao, Tongya Zheng, Qinghong Guo, Yu Wang, Junshu Dai, Shunyu Liu, Jie Yang, Jie Song, Mingli Song

机构 * Zhejiang University（浙江大学） ； Big Graph Center, Hangzhou City University（杭州城市大学大数据中心） ； State Key Laboratory of Blockchain and Data Security, Zhejiang University（浙江大学区块链与数据安全国家重点实验室） ； Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高新技术区（滨江）区块链与数据安全研究院） 纠错

AI总结 本文提出HOSER框架，通过道路网络编码器、多粒度轨迹编码器和目的地导向导航器，实现导航轨迹生成的全面语义表示，实验表明其在多个数据集上优于现有方法。

Comments Accepted by AAAI 2025

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 39(1), 40-48 (2025)

Bounded Morality: Defining the Space of Moral Computation

有界道德：定义道德计算的空间

Max Kanwal, Caryn Tran, Patrick Mineault

AI总结 提出有界道德框架，通过道德广度和深度两个维度分析有限智能体的道德计算，揭示伦理理论是适应不同需求的高效策略而非绝对真理。

Comments 24 pages, 2 figures; Proceedings of the AAAI-26 Workshop on Machine Ethics

Constructive Alignment: Governing Preference Dynamics in Human-AI Interaction

建构性对齐：人机交互中的偏好动态治理

Max Kanwal, Caryn Tran

机构 * Stanford University（斯坦福大学） ； Northwestern University（西北大学） 纠错

AI总结 提出建构性对齐范式，将对齐问题重构为控制人类偏好轨迹演化的控制问题，而非静态偏好满足，通过控制论框架确保价值轨迹的连贯性与反思性。

Comments 23 pages, 1 figure; Proceedings of the AAAI-26 Workshop on Machine Ethics

Behavior-Adaptive Conversational Agents: Toward a Fluid Personality Framework

行为自适应对话代理：迈向流动人格框架

Hasibur Rahman, Smit Desai

机构 * Northeastern University（东北大学） 纠错

AI总结 提出流动人格框架，根据任务上下文、用户目标和情境紧迫性，动态调整代理的隐喻角色和人格表达强度，以提升用户信任和体验。

Comments Presented at Bridging AI and Behavior Change, a Bridge Program organized at the AAAI Conference on Artificial Intelligence 2026 (AAAI-2026)

FlowPath: Learning Data-Driven Manifolds with Invertible Flows for Robust Irregularly-sampled Time Series Classification

FlowPath: 通过可逆流学习数据驱动的流形以实现鲁棒的不规则采样时间序列分类

YongKyung Oh, Dong-Young Lim, Sungil Kim

机构 * Medical & Imaging Informatics (MII) Group, University of California, Los Angeles (UCLA), CA, USA（加州大学洛杉矶分校医学与影像信息学组） ； Department of Industrial Engineering, Ulsan National Institute of Science and Technology (UNIST), Republic of Korea（韩国蔚山科学技术院工业工程系） ； Artificial Intelligence Graduate School, Ulsan National Institute of Science and Technology (UNIST), Republic of Korea（韩国蔚山科学技术院人工智能研究生院） 纠错

AI总结 FlowPath通过可逆神经流学习控制路径的几何结构，提升不规则采样时间序列分类的鲁棒性，实验表明其在18个基准数据集和实际案例中均优于传统方法。

Comments Published at the 40th Annual AAAI Conference on Artificial Intelligence (AAAI 2026). https://ojs.aaai.org/index.php/AAAI/article/view/39643

DualDynamics: Synergizing Implicit and Explicit Methods for Robust Irregular Time Series Analysis

DualDynamics：协同隐式与显式方法用于鲁棒不规则时间序列分析

YongKyung Oh, Dong-Young Lim, Sungil Kim

AI总结 DualDynamics框架结合隐式与显式方法，提升不规则时间序列分析的鲁棒性与表达能力，优于现有方法。

Comments Published at the 39th Annual AAAI Conference on Artificial Intelligence (AAAI 2025). https://ojs.aaai.org/index.php/AAAI/article/view/34173