Bridging the Gap Between Molecule and Textual Descriptions via Substructure-aware Alignment
Korea University（高丽大学）；Hankuk University of Foreign Studies（韩国外国语大学）
分子和文本表示学习由于其增强化学信息理解的潜力而受到越来越多的关注。然而，现有的模型往往难以捕捉分子及其描述之间的细微差异，因为它们缺乏学习分子子结构和化学短语之间细粒度对齐的能力。为了解决这个问题，我们引入了MolBridge，一种基于子结构感知对齐的新型分子文本学习框架。具体来说，我们增加了原来的分子描述对额外的对齐信号来自分子的子结构和化学短语。为了有效地从这些丰富的比对中学习，MolBridge采用了子结构感知的对比学习，并结合了过滤噪声比对信号的自细化机制。实验结果表明，MolBridge有效地捕获细粒度的对应关系，并在广泛的分子基准上优于最先进的基线，突出了子结构感知对齐在分子文本学习中的重要性。
2025-10-30 cs.AI cs.LG
MMLDSum-LLM: Multimodal Long-Document Summarization with Visual-Alignment and Keyword-Aware
针对多模态长文档摘要的关键信息遗漏与跨模态幻觉问题，提出结合视觉对齐与关键词感知的两阶段训练框架MMLDSum-LLM，在自研基准MMLDSum-Bench上验证了其性能优势。
2026-07-31 cs.AI
Bridging Social Psychology and LLM Reasoning: Conflict-Aware Meta-Review Generation via Cognitive Alignment
Beihang University（北京航空航天大学）；Chinese Academy of Sciences（中国科学院）；Zhongguancun Laboratory（中关村实验室）
针对现有大语言模型生成元评审时难以处理冲突观点、易引入认知偏差的问题，提出基于双过程理论的认知对齐框架CAF，通过三步认知流水线实现冲突感知的元评审生成，在情感和内容一致性上均优于现有方法。
2025-03-21 cs.AI
GOAL: Geometrically Optimal Alignment for Continual Generalized Category Discovery
GOAL通过引入固定ETF分类器，实现持续泛化类别发现中的几何最优对齐，有效减少遗忘并提升新类别发现
2026-02-23 cs.AI cs.CV
Neural Video Compression Based on Deformable Temporal Alignment and Difference-aware Fusion
Google（谷歌）；Nanjing University（南京大学）
针对神经视频压缩中时间上下文易受误差干扰的问题，提出结合可变形时间对齐与差异感知融合的方法，提升了率失真性能。
2026-09-04 cs.AI cs.CV
Reliability-Aware LLM Alignment from Inconsistent Human Feedback
研究如何解决人类反馈强化学习中人类注释不一致问题，提出可靠性引导的偏好优化框架RGPO，通过估计注释者可靠性、推断潜在真实标签及动态调整训练目标，有效减少训练数据不一致性和噪声，性能优于现有基线。
2026-07-24 cs.AI
Focus Is All You Need: Adaptive Goal-aware Attention Orchestration for Multi-Agent Graph Systems
研究多智能体图系统中注意力分配问题，提出自适应目标感知注意力编排框架AGAO，结合目标、拓扑、资源感知注意力，将静态图转变为自适应系统，经实验验证其能提高任务有效性并减少计算等消耗，确立注意力工程方向。
2026-07-28 cs.AI
MyGram: Modality-aware Graph Transformer with Global Distribution for Multi-modal Entity Alignment
MyGram通过模态感知图变换器与全局分布机制，提升多模态实体对齐的性能。
2026-01-17 cs.AI
From Instructions to Intrinsic Human Values -- A Survey of Alignment Goals for Big Models
Microsoft Research Asia（微软亚洲研究院）
本文综述大模型对齐目标，从定义与评估两视角分析三层目标，揭示从能力到价值取向的转变，提出内在人类价值观为关键对齐目标并讨论挑战与资源。
2023-09-04 cs.AI cs.CL cs.CY
Conflict-Aware Pseudo Labeling via Optimal Transport for Entity Alignment
Discipline of Business Analytics（业务分析学科）；The University of Sydney（悉尼大学）；Department of Data Science & AI（数据科学与人工智能系）；Monash University（墨尔本大学）
针对实体对齐中忽略对齐冲突的问题，提出CPL-OT模型，结合全局-局部聚合的嵌入学习与基于最优传输的迭代冲突感知伪标签机制，确保一对一精准对齐，在基准数据集上显著优于现有基线。
2025-05-31 cs.AI cs.LG
Dangling-Aware Entity Alignment with Mixed High-Order Proximities
National University of Singapore（新加坡国立大学）；Nanjing University（南京大学）；Alibaba Group（阿里巴巴集团）；University of Southern California（南加州大学）
本文研究了知识图谱中的悬挂感知实体对齐问题。由于不同的KG自然地由不同的实体集合构成，因此KG通常包含一些在其他KG中找不到对应物的悬挂实体。因此，悬垂感知实体对齐比传统的实体对齐更现实，在传统的实体对齐中，先前的研究简单地忽略了悬垂实体。我们提出了一个框架，使用混合高阶近似的悬垂感知实体对齐。我们的框架利用了本地的高阶接近最近邻子图和嵌入空间中的全局高阶接近悬空检测和实体对齐。两个评估设置的广泛实验表明，我们的框架更精确地检测悬空实体，更好地对齐匹配的实体。进一步的研究表明，我们的框架可以减轻hubness问题的悬垂感知实体对齐。
2022-05-05 cs.AI cs.CL cs.LG
Confidence-Aware Alignment Makes Reasoning LLMs More Reliable
Zhejiang University（浙江大学）；Université de Montréal（蒙特利尔大学）；Sun Yat-sen University（中山大学）；Virginia Tech（弗吉尼亚理工大学）
本文提出CASPO框架，通过迭代直接偏好优化将token级置信度与逐步逻辑正确性对齐，提升推理可靠性和效率，实验表明其在多个基准和模型家族中表现优异。
2026-05-08 cs.AI
Heterogeneous Element-Aware Cross-Version Differencing of Scientific Documents via Layout-Aware Alignment and Structure-Aware Reasoning
Beijing Renhe Information Technology Co., Ltd.（北京人和信息技术有限公司）；Key Laboratory of Digital Publishing and Total Process Management of Scientific and Technical Journals（科技期刊数字出版与全程管理重点实验室）
针对科学文档跨版本差异分析难题，提出布局感知的异构元素感知框架，通过对齐优先机制建立对应并进行差异推理，支持多元素统一分析，实验显示其性能优于基线，相关分析证实方法有效性，为文档比较提供可靠方案。
2026-07-30 cs.AI cs.CL
Relation-Aware Neighborhood Matching Model for Entity Alignment
Peking University（北京大学）
实体对齐是知识融合的重要步骤，其目的是将不同知识图谱中具有相同意义的实体连接起来。现有的研究主要集中在学习嵌入的实体，利用结构信息的KG实体对齐。这些方法可以聚集来自相邻节点的信息，但也可能带来来自邻居的噪声。最近，一些研究人员试图成对比较相邻节点以增强实体对齐。然而，他们忽略了实体之间的关系，这也是重要的邻域匹配。此外，现有的方法没有注意到实体对齐和关系对齐之间的积极互动。为了解决这些问题，我们提出了一种新的感知实体对齐的邻域匹配模型RNM。具体来说，我们建议利用邻域匹配来增强实体对齐。除了在匹配邻域时比较相邻节点外，我们还尝试从连通关系中挖掘有用的信息。此外，设计了一个迭代框架，以半监督的方式利用实体对齐和关系对齐之间的积极互动。在三个真实数据集上的实验结果表明，该模型RNM的性能优于现有的方法。
2020-12-15 cs.AI cs.CL
FLAME: Factuality-Aware Alignment for Large Language Models
University of Waterloo（滑铁卢大学）；Carnegie Mellon University（卡内基梅隆大学）；Meta AI
本文提出FLAME事实性感知对齐方法，通过改进SFT和RL两个阶段抑制大语言模型幻觉，在保持指令遵循能力的同时提升回复的事实准确性。
2024-05-02 cs.AI cs.CL
Goal Alignment in LLM-Based User Simulators for Conversational AI
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出UGST框架，通过三阶段方法改进用户模拟器的目标对齐能力，并在两个基准测试中取得显著成效。
2026-03-08 cs.AI cs.CL
Persona-Aware Alignment Framework for Personalized Dialogue Generation
National Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室）；Nanjing University（南京大学）
针对现有个性化对话生成方法易忽略给定角色、生成通用回复的问题，提出角色感知对齐框架PAL，通过两阶段训练搭配对应推理策略提升回复角色相关性，实验证明其性能优于现有最优方法和大语言模型。
2025-11-13 cs.AI cs.CL
RAGA: Relation-aware Graph Attention Networks for Global Entity Alignment
School of Software and Microelectronics, Peking University（北京大学软件与微电子学院）；National Engineering Research Center for Software Engineering, Peking University（北京大学国家软件工程研究中心）；Key Laboratory of High Confidence Software Technologies (PKU), Ministry of Education（教育部高可信软件技术重点实验室（北京大学））
实体对齐是从不同的知识图谱中发现涉及同一真实世界对象的实体的任务，是集成多源知识图谱的关键步骤。现有的基于嵌入的实体对齐方法大多是将实体和关系嵌入到基于KG关系三元组的向量空间中进行局部对齐。由于这些方法没有充分考虑实体之间的多重关系，知识库的结构信息没有得到充分利用。在本文中，我们提出了一个新的框架的基础上，感知图注意力网络捕捉实体和关系之间的相互作用。我们的框架采用自我注意力机制将实体信息传播给关系，然后将关系信息聚合回实体。此外，我们提出了一个全局对齐算法，使一对一的实体对齐与细粒度的相似性矩阵。三个真实世界的跨语言数据集上的实验表明，我们的框架优于国家的最先进的方法。
2021-03-01 cs.AI cs.CL
Towards Reliable, Uncertainty-Aware Alignment
Undergraduate Programme, Indian Institute of Science, India（印度科学研究所）
本文针对奖励模型训练不稳定导致对齐性能下降的问题，提出方差感知策略优化框架，通过引入融合奖励模型方差估计的正则化器，可证明地降低输出更差策略的风险，并在多种配置下实现更稳定鲁棒的对齐。
2025-07-21 cs.AI cs.LG
Rank-Aware Hyperbolic Alignment for Vision-Language Dataset Distillation
提出RAHA方法，利用双曲几何和显式对齐容量控制，通过非对称目标优化蒸馏对，在共享范围强制测地线对齐并正则化残差子空间，提升跨模态检索和迁移鲁棒性。
2026-06-28 cs.AI cs.CV
Degree-Aware Alignment for Entities in Tail
National University of Defense Technology（国防科技大学）；The University of New South Wales（新南威尔士大学）
实体对齐是在知识图谱中发现等价的实体，它可以连接异构的信息源，促进知识的集成。现有的EA解决方案主要依赖于结构信息来对齐实体，通常通过KG嵌入。然而，在现实生活中的KG中，只有少数实体与其他实体紧密相连，其余大多数实体具有相当稀疏的邻域结构。我们将后者称为长尾实体，并观察到这种现象可以说限制了EA的结构信息的使用。为了缓解这个问题，我们重新审视和研究传统的EA管道，以追求优雅的性能。对于预对齐，我们建议放大长尾实体，这是相对较弱的结构信息，与实体名称信息，通常是可用的（但被忽视）的形式级联功率平均词嵌入。对于对齐，在一个新的互补框架下，巩固结构和名称信号，我们确定实体的程度作为重要的指导，以有效地融合两个不同的信息源。为此，程度感知的共同注意力网络的构想，它动态地调整的重要性的功能，在程度感知的方式。对于后对齐，我们建议通过迭代训练使用自信的EA结果作为锚来补充原始KG与来自其对应方的事实。综合实验评价验证了我们提出的技术的优越性。
2020-05-25 cs.AI cs.CL
Type-enhanced Ensemble Triple Representation via Triple-aware Attention for Cross-lingual Entity Alignment
Tongji University（同济大学）
针对现有实体对齐方法忽略三元组不可分割性与实体角色多样性的问题，提出TTEA框架，以关系为信息载体结合三元组注意力与实体增强，在三个跨语言数据集上性能优于SOTA方法。
2023-05-02 cs.AI cs.CL
What Happens to the Goal? Distinct Failures of Policy Alignment in Goal Misgeneralization
Pantheon Industries（潘松工业）；ETH Zurich（苏黎世联邦理工学院）
该研究在Procgen环境和机器人任务中发现目标泛化错误的三种不同策略对齐失效形式，明确目标丢失的不同深度及对应恢复方法，为解决目标泛化问题提供了新的分类依据。
2026-10-30 cs.AI cs.LG cs.RO
GRAIL: Goal Recognition Alignment through Imitation Learning
Department of Computer Science, Bar Ilan University（巴伊兰大学计算机科学系）；Department of Computer Science, Aberdeen University（阿伯丁大学计算机科学系）；Department of Computer Science, Tufts University（塔夫茨大学计算机科学系）
GRAIL通过模仿学习和逆强化学习，从演示轨迹中学习目标导向策略，提高目标识别的准确性和鲁棒性。
2026-02-15 cs.AI cs.LG cs.RO
PARM: Multi-Objective Test-Time Alignment via Preference-Aware Autoregressive Reward Model
The Chinese University of Hong Kong（香港中文大学）；University of Maryland, College Park（马里兰大学帕克分校）
本文提出PARM，利用PBLoRA将偏好向量融入单一统一自回归奖励模型，以更低推理成本实现精确的多目标测试时对齐，并支持小模型引导大冻结LLM。
2025-05-06 cs.AI cs.LG
TARO: Timestep-Adaptive Representation Alignment with Onset-Aware Conditioning for Synchronized Video-to-Audio Synthesis
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
TARO通过时间步自适应表示对齐和起始感知条件，在流式变换器上实现高保真视频到音频合成，显著降低FD和FAD并提升对齐准确率。
2025-10-10 cs.AI cs.CV cs.SD
Beyond Safe Answers: Segment-Aware Listwise Alignment for Reasoning Safety in Large Reasoning Models
Chung-Ang University（中央大学）
针对大型推理模型推理与答案双层面的安全挑战，提出段感知列表式对齐方法SaLT-DPO，通过分段安全评分、一致性正则化与效用锚定，在降低不安全率的同时保持推理性能。
2026-09-15 cs.AI cs.CL
DARC: Disagreement-Aware Alignment via Risk-Constrained Decoding
Fudan University, Shanghai, China（复旦大学，上海，中国）；Independent Researcher（独立研究者）；Meta AI；Incubation Institute, Fudan University, Shanghai, China（创新与孵化院，复旦大学，上海，中国）
DARC通过风险约束解码方法，在不重新训练的情况下，通过最大化KL-鲁棒满意度目标来缓解分歧和尾部风险，保持高质量输出。
2026-05-16 cs.AI cs.LG
Beyond Reactive Safety: Risk-Aware LLM Alignment via Long-Horizon Simulation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对LLM智能体高风险决策的长期影响，提出通过长期模拟预测建议传播的概念验证框架，并构建100个间接危害场景数据集，显著提升模型预见非显而易见风险的能力及现有安全基准表现。
2025-06-26 cs.AI cs.CL
Self-supervised Attribute-aware Dynamic Preference Ranking Alignment
University of Science and Technology of China（中国科学技术大学）
针对现有方法依赖昂贵人工 pairwise 比较不适用于列表场景及人类偏好受多因素影响导致决策不一致的问题，提出自监督属性感知动态偏好排序模型 SeAdpra，通过 APDF 量化偏好差异并动态确定对齐顺序，在多个数据集上表现优异。
2025-02-15 cs.AI cs.CL
A${}^2$BM: Alignment-Aware Bridge Matching for Image-to-Image Translation
研究图像到图像翻译中弱对齐数据问题，提出A²BM方法利用图像对对齐，在训练中纳入对齐分数区分真实对应，推理时控制翻译保真度，实验验证该方法比基线表现优，为弱对齐数据的图像翻译提供解决方案。
2026-07-21 cs.AI cs.CV
Semantic-aware Wasserstein Policy Regularization for Large Language Model Alignment
KAIST（韩国科学技术院）；UNIST（蔚山科学技术院）
本文提出Wasserstein策略正则化方法，通过语义感知的Wasserstein距离改进大语言模型对齐效果，实验表明其优于传统KL散度方法。
2026-02-02 cs.AI cs.LG
Position: Capability Control Should be a Separate Goal From Alignment
University of Cambridge（剑桥大学）；Google DeepMind（谷歌DeepMind）；University of Montreal（蒙特利尔大学）；The Alan Turing Institute（艾伦·图灵研究所）
本文主张将能力控制视为与对齐不同的目标，提出分层的控制机制以应对模型的潜在滥用和失败。
2026-02-05 cs.AI cs.LG
TDATR: Improving End-to-End Table Recognition via Table Detail-Aware Learning and Cell-Level Visual Alignment
University of Science and Technology of China（中国科学技术大学）；iFLYTEK Research（iFLYTEK研究院）
TDATR通过表格细节感知学习和单元级视觉对齐改进端到端表格识别，采用感知-融合策略，提升模型鲁棒性和识别精度，无需数据集特定微调即可在七个基准上取得领先性能。
2026-03-24 cs.AI cs.CV
Towards Interpretable Geo-localization: a Concept-Aware Global Image-GPS Alignment Framework
Peking University（北京大学）；Harbin Institute of Technology（哈尔滨工业大学）；The Hong Kong University of Science and Technology（香港科技大学）；Harbin Institute of Technology (Weihai)（哈尔滨工业大学（威海））
针对现有地理定位模型可解释性不足的问题，提出融合概念瓶颈的概念感知对齐框架，将图像与位置嵌入投影到共享地理概念库并优化概念损失，在提升定位精度的同时实现可解释性，是首个该方向的研究。
2025-09-05 cs.AI cs.CV
TLDR: Unsupervised Goal-Conditioned RL via Temporal Distance-Aware Representations
Yonsei University（延世大学）
针对无监督目标条件强化学习探索不足、奖励稀疏有噪的问题，提出基于时序距离感知表征的TLDR方法，通过选远距目标、设两类时序距离相关奖励提升探索与目标达成能力，在6个模拟运动环境中表现优于现有方法。
2024-12-09 cs.AI cs.LG
Argument-Aware Semantic Alignment of Normative Texts: A Toulmin-Based Neuro-Symbolic Approach
Purdue University（普渡大学）；Cleantech Software（清洁技术软件公司）
该研究针对专业规范文本语义对齐难题，提出结合神经文本表示与图尔敏特征的神经符号方法，在网络安全标准映射基准上验证论元结构特征可提升对齐效果。
2026-09-01 cs.AI cs.CL
AMLRIS: Alignment-aware Masked Learning for Referring Image Segmentation
AMLRIS通过基于对齐感知的掩码学习策略，提升提及图像分割的性能与鲁棒性。
2026-03-11 cs.AI cs.CV
Preference Orchestrator: Prompt-Aware Multi-Objective Alignment for Large Language Models
School of Computer Science and Engineering（计算机科学与工程学院）；Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications（新一代人工智能技术及其交叉应用关键实验室）；Ministry of Education（教育部）
针对大型语言模型多目标对齐依赖手动偏好权重导致用户负担重、训练效率低的问题，提出PRO框架，通过轻量级偏好适配器自动推断提示特定权重，理论分析与实验验证其优于现有方法。
2025-11-03 cs.AI cs.CL
Context-Aware Language Modeling for Goal-Oriented Dialogue Systems
UC Berkeley（加州大学伯克利分校）
面向目标的对话系统面临着流畅的语言生成和特定任务控制之间的权衡。虽然使用大语言模型的监督学习能够产生逼真的文本，但如何在不牺牲语言质量的情况下引导这些响应完成特定任务仍然是一个悬而未决的问题。在这项工作中，我们制定了面向目标的对话作为一个部分观察马尔可夫决策过程，解释的语言模型的动态和政策的代表。这种观点使我们能够扩展基于学习的控制技术，如任务重新标记，以获得一种简单有效的方法，以目标感知的方式微调语言模型，从而显着提高任务性能。我们还介绍了一些训练策略，这些策略可以更好地将模型集中在手头的任务上。我们评估我们的方法，上下文感知语言模型（CALM），在一个实际的航班预订任务，使用AirDialogue。从经验上看，CALM在任务成功率方面比最先进的方法高出7%，与人类水平的任务性能相匹配。
2022-04-22 cs.AI cs.CL
Understanding Domain-Aware Distribution Alignment in Budgeted Entity Matching
Worcester Polytechnic Institute（沃斯特理工学院）
本文研究低资源领域感知实体匹配方法BEACON，通过实验分析不同算法选择和可用数据条件对其性能的影响，揭示分布对齐的作用。
2026-07-01 cs.AI cs.DB cs.LG
OrientSAM: Mitigating Camera-Centric Shortcut in Multimodal Spatial Reasoning via Orientation-Aware Spatial Alignment
研究多模态模型空间推理中以相机为中心的问题，提出OrientSAM框架，通过方向感知令牌、傅里叶角度编码及课程学习策略注入方向信息并改善推理，构建数据管道生成监督，实验证明其在多任务中表现出色，能减轻捷径行为，实现更强大的以对象为中心的空间推理。
2026-07-21 cs.AI cs.CV cs.MM
Unknown-Aware Domain Adversarial Learning for Open-Set Domain Adaptation
KAIST（韩国科学技术院）；University of Seoul（首尔大学）
开集领域自适应（OSDA）假设目标域包含在源域中未发现的未知类。现有的领域对抗学习方法不适合OSDA，因为与$\textit{unknown}$类的分布匹配会导致负迁移。以前的OSDA方法集中于通过仅利用$\textit{known}$类来匹配源和目标分布。然而，这种仅$\textit{known}$匹配可能无法学习目标$\textit{unknown}$特征空间.因此，我们提出了未知感知领域对抗学习（UADAL），其中$\textit{aligns}$是源和目标- $\textit{known}$分布，而同时$\textit{segregating}$是目标- $\textit{unknown}$分布在特征对齐过程中。我们提供了理论分析的最佳状态的建议$\textit{unknown-aware}$特征对齐，所以我们可以保证$\textit{alignment}$和$\textit{segregation}$理论。从经验上讲，我们评估UADAL的基准数据集，这表明UADAL优于其他方法，更好的功能对齐报告的最先进的性能。
2022-10-24 cs.AI cs.LG
Vibe Check: Understanding the Effects of LLM-Based Conversational Agents' Personality and Alignment on User Perceptions in Goal-Oriented Tasks
Northeastern University（东北大学）
本研究探讨了对话代理性格表达水平和用户与代理性格对齐如何影响用户在目标导向任务中的感知，发现中等表达水平在多个维度上表现最佳，性格对齐进一步提升了结果，尤其在外向性和情绪稳定性和方面影响显著。
2026-04-29 cs.AI cs.CL cs.HC
SALA: Semantic-Aware Logical Alignment for Complex Reasoning in In-Context Learning
School of Software Engineering, Sun Yat-sen University（中山大学软件工程学院）；School of Artificial Intelligence, Sun Yat-sen University（中山大学人工智能学院）；Merchants Union Consumer Finance Company Limited（招商局联融消费金融股份有限公司）
针对上下文学习中传统示例选择方法无法捕捉推理逻辑、刚性逻辑方法适配性差的问题，提出SALA框架，通过自动学习任务特定推理操作并结合动态时间规整实现灵活可解释的逻辑对齐，在多基准和多LLM上性能优于现有方法。
2026-09-03 cs.AI cs.CL
SLIP: Structural-aware Language-Image Pretraining for Vision-Language Alignment
Department of Data Science（数据科学系）；New York University Shanghai（纽约大学上海分校）
针对现有视觉-语言预训练忽略数据关系结构的问题，提出SLIP方法，通过引入结构对比损失在图结构中建模实体关系并构建大规模多模态图数据集，在零样本和少样本跨模态检索与分类任务中显著优于CLIP。
2025-11-04 cs.AI cs.CV
Flexible Agent Alignment with Goal Inference from Open-Ended Dialog
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
本文提出OU-AGs框架，通过开放对话中目标推断提升代理对齐能力，采用GOOD方法实现动态目标分布，提高多领域任务中的意图对齐效果。
2026-05-07 cs.AI cs.CL cs.LG
FALCON: False-Negative Aware Learning of Contrastive Negatives in Vision-Language Alignment
Korea University（韩国大学）
FALCON通过动态选择合适难度的负样本平衡硬负样本与假阴性，提升视觉-语言对齐性能，验证其在多种框架和任务中的有效性。
2026-03-17 cs.AI cs.CV
Goal-Aware Cross-Entropy for Multi-Target Reinforcement Learning
Seoul National University（首尔大学）；Surromind；AI Institute, Seoul National University（首尔大学人工智能研究院）
在没有目标先验知识的多目标环境中学习需要大量的样本，并且使得泛化困难。为了解决这个问题，重要的是能够通过语义理解来区分目标。在本文中，我们提出了目标感知交叉熵（GACE）损失，可以使用自动标记的目标状态以及强化学习以自监督的方式使用。基于这种损失，我们设计了目标区分注意网络（GDAN），它利用目标相关信息来关注给定的指令。我们评估所提出的方法对视觉导航和机器人手臂操作任务与多目标环境，并表明GDAN优于国家的最先进的方法，在任务成功率，样本效率，和泛化。此外，定性分析表明，我们提出的方法可以帮助智能体清楚地意识到并专注于给定的指令，从而促进目标导向的行为。
2021-10-26 cs.AI cs.LG cs.RO
Improved Semantic-Aware Network Embedding with Fine-Grained Word Alignment
Duke University（杜克大学）
网络嵌入学习大规模网络中每个顶点的低维表示，近年来受到了相当大的关注。对于广泛的应用，在网络中的顶点通常伴随着丰富的文本信息，如用户简档，论文摘要等，我们建议将语义特征到网络嵌入匹配的文本序列之间的所有对顶点的重要单词。我们引入了一个字的字对齐框架，衡量词对之间的嵌入的兼容性，然后自适应地积累这些对齐功能与一个简单而有效的聚合函数。在实验中，我们评估所提出的框架在三个现实世界的基准下游任务，包括链接预测和多标签顶点分类。结果表明，我们的模型优于国家的最先进的网络嵌入方法的大幅度。
2018-08-29 cs.AI cs.CL cs.LG
ImmersiveTTS: Environment-Aware Text-to-Speech with Multimodal Diffusion Transformer and Domain-Specific Representation Alignment
Department of Artificial Intelligence, Korea University（韩国大学人工智能系）
提出ImmersiveTTS模型，通过多模态扩散Transformer和领域特定表示对齐，实现与环境音频自然融合的文本到语音生成。
2026-05-29 cs.AI cs.CL eess.AS
Enhancing Large Language Model for Knowledge Graph Completion via Structure-Aware Alignment-Tuning
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Griffith University（格里菲斯大学）
针对现有大语言模型增强知识图谱补全方法存在的表示空间不一致、指令设计重复耗时的问题，提出SAT框架，通过分层知识对齐和结构指令调优实现性能提升，在链接预测任务上最高提升29.8%。
2025-09-01 cs.AI cs.CL
Routing-Aware Safety Alignment for Mixture-of-Experts Models
Department of XXX, University of YYY（YYY大学XXX系）；School of ZZZ, Institute of WWW（WWW学院ZZZ学院）
RASA通过针对性修复安全关键专家提升混合专家模型的安全性，有效防止路由绕过，实现高鲁棒性和跨攻击泛化能力。
2026-10-08 cs.AI cs.CR cs.LG
Knowing When to Trust Images: Reliability-Aware Multi-modal Entity Alignment
University of North Texas（北德克萨斯大学）；Purdue University（普渡大学）；Meta Inc（Meta公司）
针对多模态实体对齐中图像噪声和语义错位问题，提出可靠性感知框架RA-MMEA，通过依赖感知的视觉可靠性预测和稳定性正则化的视觉嵌入生成，提升融合质量，实现最先进性能。
2026-09-22 cs.AI cs.CL cs.CV
