语言大模型 / LLM

Advancing Text Classification with Large Language Models and Neural Attention Mechanisms

基于大语言模型和神经注意力机制的文本分类进展

Ning Lyu, Yuxi Wang, Feng Chen, Qingyuan Zhang

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL

AI总结 本研究提出基于大语言模型和神经注意力机制的文本分类方法，通过改进表示和聚合策略，提升分类性能并增强模型鲁棒性。

Knowledge-Augmented Large Language Model Agents for Explainable Financial Decision-Making

基于知识增强的大语言模型代理的可解释金融决策方法

Qingyuan Zhang, Yuxi Wang, Cancan Hua, Yulin Huang, Ning Lyu

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL

AI总结 本文提出基于知识增强的大语言模型代理，通过整合外部知识检索、语义表示和推理生成，提升金融决策的可解释性和准确性。

Toward More Reliable Artificial Intelligence: Reducing Hallucinations in Vision-Language Models

迈向更可靠的人工智能：减少视觉-语言模型中的幻觉

Kassoum Sanogo, Renzo Ardiccioni

机构 * Department of CS AI and Data Science（计算机科学与数据科学系） ； ESEO Engineering School（ESEO工程学院） ； Faculty of Law, Economy, Management（法学院、经济与管理学院） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出无需训练的自我纠正框架，通过不确定性引导的视觉再注意力减少视觉-语言模型中的幻觉，提升响应准确性。

Comments 24 pages, 3 figures, 2 tables. Training-free self-correction framework for vision-language models. Code and implementation details will be released at: https://github.com/kassoumsanogo1/self-correcting-vlm-re-Attention.git

Journal ref The 4th National and International Academic Conference Celebrating the 20th Anniversary of Rajapruk University (2026)

Representation Calibration and Uncertainty Guidance for Class-Incremental Learning based on Vision Language Model

基于视觉语言模型的类增量学习中的表示校准与不确定性引导

Jiantao Tan, Peixian Ma, Tong Yu, Wentao Zhang, Ruixuan Wang

机构 * Guangdong Province Key Laboratory of Machine Intelligence and Advanced Computing, Ministry of Education（广东省机器智能与先进计算重点实验室） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Peng Cheng Laboratory（鹏城实验室） ； Key Laboratory of Machine Intelligence and Advanced Computing, Ministry of Education（广东省机器智能与先进计算重点实验室） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；分类 cs.AI

AI总结 本文提出了一种基于视觉语言模型的类增量学习框架，通过引入任务特定适配器和跨任务表示校准策略，提升类别区分能力，并利用预测不确定性优化图像特征选择，实现更准确的分类性能。

Language models as tools for investigating the distinction between possible and impossible natural languages

语言模型作为探究可能与不可能自然语言区别的工具

Julie Kallini, Christopher Potts

机构 * Stanford University（斯坦福大学） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；分类 cs.CL

AI总结 本文探讨语言模型作为探究可能与不可能自然语言区别的工具，通过改进模型架构来揭示人类语言学习的归纳偏见。

CREME: Robustness Enhancement of Code LLMs via Layer-Aware Model Editing

通过层感知模型编辑提升代码LLM的鲁棒性

Shuhan Liu, Xing Hu, Kerui Huang, Xiaohu Yang, David Lo, Xin Xia

专题命中 知识编辑与模型理解 ：LLM(abstract)；large language model(abstract)；language model(abstract)

AI总结 CREME通过识别并编辑鲁棒性敏感层，提升代码生成模型对提示扰动的鲁棒性，显著提高扰动提示下的生成准确率。

Representation Invariance and Allocation: When Subgroup Balance Matters

表示不变与分配：当子组平衡至关重要时

Anissa Alloula, Charles Jones, Zuzanna Wakefield-Skorniewska, Francesco Quinzan, Bartłomiej Papież

机构 * University of Oxford（牛津大学） ； Imperial College London（伦敦帝国理工学院） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)；foundation model(abstract)；分类 cs.AI、cs.LG

AI总结 研究探讨了子组平衡对模型性能的影响，提出潜在分离假设，并通过实验验证，为数据收集和平衡提供指导。

Detecting Hallucinations in Graph Retrieval-Augmented Generation via Attention Patterns and Semantic Alignment

通过注意力模式和语义对齐检测图检索增强生成中的幻觉

Shanghao Li, Jinda Han, Yibo Wang, Yuanjie Zhu, Zihe Song, Langzhou He, Kenan Kamel A Alghythee, Philip S. Yu

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出通过注意力模式和语义对齐检测GraphRAG中的幻觉，开发了轻量级检测器GGA，提升了系统可靠性。

The Vector Grounding Problem

向量语义问题

Dimitri Coelho Mollo, Raphaël Millière

机构 * Umeå University（乌梅大学） ； University of Oxford（牛津大学） 纠错

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文探讨了大型语言模型是否能通过指涉 grounding 实现对现实世界的联系，提出了基于因果-信息关系和选择历史的判断标准。

Comments Accepted for publication in Philosophy and the Mind Sciences

Grammar-Based Code Representation: Is It a Worthy Pursuit for LLMs?

基于语法的代码表示：对于大语言模型来说，这是否值得追求？

Qingyuan Liang, Zhao Zhang, Zeyu Sun, Zheng Lin, Qi Luo, Yueyi Xiao, Yizhou Chen, Yuqun Zhang, Haotian Zhang, Lu Zhang, Bin Chen, Yingfei Xiong

机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； Kuaishou Technology（快手科技） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； Department of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程系） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)；分类 cs.AI

AI总结 本文探讨了基于语法的代码表示在大语言模型中的有效性，通过实验表明其在提升代码生成准确性和区分细微代码差异方面具有价值。

Mitigating Bias with Words: Inducing Demographic Ambiguity in Face Recognition Templates by Text Encoding

通过词语缓解偏见：通过文本编码在人脸识别模板中诱导人口统计学模糊性

Tahar Chettaoui, Naser Damer, Fadi Boutros

机构 * Fraunhofer IGD（弗劳恩霍夫研究所（IGD）） ； TU Darmstadt（德累斯顿技术大学） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)；分类 cs.AI

AI总结 通过引入文本编码，UTIE在人脸识别模板中诱导人口统计学模糊性，以减少偏见并提升验证性能。

Comments Accepted at BMVC workshop (SRBS) 2025