语言大模型 / LLM

On the Safety of Graph Representation Learning

图表示学习的安全性研究

Xiaoguang Guo, Zehong Wang, Ziming Li, Shawn Spitzel, Soonwoo Kwon, Tianyi Ma, Yanfang Ye, Chuxu Zhang

机构 * University of Connecticut（康涅狄格大学） ； University of Notre Dame（圣约翰大学） 纠错

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

AI总结 本文提出GRL-Safety评估框架，评估十二种图表示学习方法在不同安全轴上的表现，揭示安全行为受表示设计与受压图因素交互影响，指出基础模型在特定轴上具有优势，揭示部署中仍存在能力缺口。

Comments Preprint. 10 pages main text, appendices included

Preliminary Insights in Chronos Frequency Data Understanding and Reconstruction

对Chronos频率数据理解与重建的初步见解

Alessandro Pagani, Marco Cominelli, Liying Han, Gaofeng Dong, Sergio Benini, Francesco Gringoli, Mattia Savardi, Mani B. Srivastava, Trevor Bihl, Erik P. Blasch, Daniel O. Brigham, Kara Combs, Lance M. Kaplan, Federico Cerutti

机构 * Ohio University（俄亥俄大学） ； DEVCOM Army Research Lab（陆军研究实验室） ； Cardiff University（卡迪夫大学） ； University of Southampton（南安普顿大学） ； Imperial College London（伦敦帝国学院） 纠错

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

AI总结 本文探讨Chronos基础模型处理频率域信息的能力，通过分析离散正弦波等简单信号，揭示模型内部表示中频率信息的捕获机制及质量退化现象，为信号处理和信息融合提供实践指导。

Uncovering Entity Identity Confusion in Multimodal Knowledge Editing

揭示多模态知识编辑中的实体身份混淆

Shu Wu, Xiaotian Ye, Xinyu Mou, Dongsheng Liu, Xiaohan Wang, Mengqi Zhang

机构 * New Laboratory of Pattern Recognition (NLPR)（模式识别新实验室） ； State Key Laboratory of Multimodal Artificial Intelligence Systems (MAIS)（多模态人工智能系统国家重点实验室） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学先进交叉学科学院） ； Huazhong University of Science and Technology（华中科技大学） ； Shandong University（山东大学） 纠错

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

AI总结 本文研究多模态知识编辑中实体身份混淆问题，发现现有方法无法区分图像-实体绑定与实体-实体关系，导致模型错误关联。通过构建EC-Bench基准测试，提出约束编辑阶段以提升绑定准确性，从而减少混淆。

Time series saliency maps: explaining models across multiple domains

时间序列显著图：跨多个领域的模型解释

Christodoulos Kechris, Jonathan Dan, David Atienza

机构 * EPFL（苏黎世联邦理工学院） 纠错

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

AI总结 本文提出跨域集成梯度方法，用于时间序列模型的跨领域解释，通过复杂域扩展实现频率基属性分配，在三个真实任务中展示了可解释的领域特定属性。

Semantic Context-aware mOdality fUsion Transformer (SCOUT): A Context-Aware Multimodal Transformer for Concept-Grounded Pathology Report Generation

语义上下文感知的多模态融合变换器（SCOUT）：一种基于概念的多模态变换器，用于病理报告生成

Suryakant Singh, Saarthak Kapse, Joel Saltz, Prateek Prasanna

机构 * Stony Brook University（石桥大学） 纠错

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

AI总结 SCOUT通过整合局部组织学模式、整张滑片上下文和专家编纂的语义描述符，实现病理报告生成的语义上下文感知，提升临床相关性和可解释性。

Contrastive Semantic Projection: Faithful Neuron Labeling with Contrastive Examples

对比语义投影：利用对比示例实现忠实的神经元标注

Oussama Bouanani, Jim Berend, Wojciech Samek, Sebastian Lapuschkin, Maximilian Dreyer

机构 * Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所） ； Technische Universität Berlin（柏林技术大学） ； BIFOLD – Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究所） ； Centre of eXplainable Artificial Intelligence, Technological University Dublin（可解释人工智能中心，都柏林技术大学） 纠错

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

AI总结 本文提出对比语义投影(CSP)，通过视觉语言模型生成候选标签并结合CLIP-like编码器进行标签分配，改进神经元标注的准确性和语义粒度。

Topology-Aware Representation Alignment for Semi-Supervised Vision-Language Learning

面向拓扑的表示对齐用于半监督视觉-语言学习

Junwon You, Mihyun Jang, Sangwoo Mo, Jae-Hun Jung

机构 * KAIST（韩国科学技术院） ； POSTECH 纠错

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

AI总结 本文提出ToMA框架，通过持久同调识别拓扑显著边，利用跨模态对应关系对齐多模态表示，提升视觉-语言学习在遥感和时尚检索中的性能。

Comments 30 pages, 10 figures, 24 tables

Global Context or Local Detail? Adaptive Visual Grounding for Hallucination Mitigation

全局上下文还是局部细节？面向幻觉缓解的自适应视觉 grounding

Yubo Jiang, Xin Yang, Abudukelimu Wuerkaixi, Zheming Yuan, Xuxin Cheng, Fengying Xie, Zhiguo Jiang, Cao Liu, Ke Zeng, Haopeng Zhang

机构 * School of Astronautics, Beihang University（北航航天学院） ； Longcat Interaction Team, Meituan（美团Longcat交互团队） ； Tianmushan Laboratory, Beihang University（北航天门山实验室） 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 本文提出PND框架，通过双路径对比在解码过程中增强视觉真实性，减少幻觉并提升描述细节，无需模型微调。

Comments 9 pages, 8 figures, Findings of ACL 2025

Differentiable Faithfulness Alignment for Cross-Model Circuit Transfer

可微的忠实对齐用于跨模型电路转移

Shun Shao, Binxu Wang, Shay B. Cohen, Anna Korhonen, Yonatan Belinkov

机构 * University of Cambridge（剑桥大学） ； Kempner Institute, Harvard University（哈佛大学凯普勒研究所） ； University of Edinburgh（爱丁堡大学） ； Technion（技术学院） 纠错

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

AI总结 本文提出DFA框架，通过学习可微对齐将小模型的电路信息转移到大模型，实验证明在事实检索、多选推理和算术任务中，DFA在Llama-3 1B→3B任务中表现优异，且在某些情况下恢复的电路忠实度不低于直接归因。

Comments 10 pages, 5 figures

Data-CUBE: Data Curriculum for Instruction-based Sentence Representation Learning

数据课程：基于指令的学习的句子表示学习

Yingqian Min, Kun Zhou, Dawei Gao, Wayne Xin Zhao, He Hu, Yaliang Li

机构 * School of Information, Renmin University of China（中国人民大学信息学院） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学歌华人工智能学院） ； Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 本文提出Data-CUBE数据课程方法，通过优化任务顺序和实例难度分配，减少多任务学习中的干扰，提升句子表示学习性能。

Comments 14 pages, working in progress

Exploring Audio Hallucination in Egocentric Video Understanding

探索第一人称视频理解中的音频幻觉

Ashish Seth, Xinhao Mei, Changsheng Zhao, Varun Nagaraja, Ernie Chang, Gregory P. Meyer, Gael Le Lan, Yunyang Xiong, Vikas Chandra, Yangyang Shi, Dinesh Manocha, Zhipeng Cai

机构 * Meta ； University Of Maryland, College Park（马里兰大学学院公园分校） 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 本文研究了第一人称视频中音频幻觉问题，提出自动评估框架和分类体系，发现先进AV-LLMs在回答声音相关问题时存在较高幻觉率。

Comments Accepted to ICASSP 2026

Transformer as an Euler Discretization of Score-based Variational Flow

Transformer作为基于分数的变分流的欧拉离散化

Huadong Liao

机构 * naturomics 纠错

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

AI总结 本文提出基于分数的变分流(SVFlow)，通过变分后验加权平均条件对数似然分数来构建连续时间动态系统，证明Transformer架构可通过球形SVFlow的前向欧拉离散化得到，并展示其在语言模型中的应用效果。

From Edges to Depth: Probing the Spatial Hierarchy in Vision Transformers

从边缘到深度：探测视觉变换器中的空间层次

Jainum Sanghavi

机构 * Northeastern University（东北大学） 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)；分类 cs.LG

AI总结 研究探讨了视觉变换器中空间层次的编码机制，通过分析局部边缘和深度信息揭示了层次结构，发现边界结构在第5-6层可线性解码，而深度信息在第8层达到峰值，证明了分类训练的ViT能主动维护空间层次。

Comments 12 pages, 6 figures. Code available at https://github.com/JainumSanghavi/ProbingViTs

Understanding Representation Gaps Across Scales in Tropical Tree Species Classification from Drone Imagery

理解无人机影像中热带树种分类的多尺度表征差距

Sulagna Saha, Arthur Ouaknine, Etienne Laliberté, Carol Altimas, Evan M. Gora, Adriane Esquivel Muelbert, Ian R. McGregor, Cesar Gutierrez, Vanessa E. Rubio, David Rolnick

机构 * Mila – Quebec AI Institute（魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； Cary Institute of Ecosystem Studies（生态系统研究所） ； Smithsonian Tropical Research Institute（史密松国家热带研究所） ； Department of Plant Sciences, University of Cambridge（剑桥大学植物科学系） ； Universidade do Estado do Mato Grosso (UNEMAT)（马托格罗索州立大学（UNEMAT）） 纠错

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

AI总结 研究通过对比高分辨率近景与粗分辨率俯视影像，发现近景影像在树种分类中表现更优，尤其对稀有物种效果更显著，提出跨尺度自监督表征对齐方法提升分类模型性能。

Comments ML4RS @ICLR 2026 (Main)

Variational Visual Question Answering for Uncertainty-Aware Selective Prediction

变分视觉问答用于不确定性感知的选择性预测

Tobias Jan Wieczorek, Nathalie Daun, Mohammad Emtiyaz Khan, Marcus Rohrbach

机构 * TU Darmstadt（图宾根大学） 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 本文提出变分VQA方法，通过变分贝叶斯方法提升视觉问答和视觉推理任务的可靠性，尤其在低误差容忍度下表现优异，且优于AdamW训练模型。

Comments TMLR April 2026 version. 13 pages main paper, 31 pages with appendix. Updated bibliography

Journal ref Transactions on Machine Learning Research (2026)

Think Before Writing: Feature-Level Multi-Objective Optimization for Generative Citation Visibility

在写作前思考：生成引用可见性的特征级多目标优化

Zikang Liu, Peilan Xu

机构 * School of Artificial Intelligence, Nanjing University of Information Science and Technology（人工智能学院，南京信息科学技术大学） 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 本文提出FeatGEO框架，通过特征级多目标优化提升生成内容的引用可见性，同时保持内容质量。实验表明其优于基于词级的优化方法。

Comments 14 pages, 5 figures

Probing for Reading Times

探测阅读时间

Eleftheria Tsipidi, Samuel Kiegeland, Francesco Ignazio Re, Tianyang Xu, Mario Giulianelli, Karolina Stanczak, Ryan Cotterell

机构 * ETH Zürich（苏黎世联邦理工学院） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； University College London（伦敦大学学院） 纠错

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

AI总结 本文通过眼动追踪数据，利用正则化线性回归比较语言模型各层表示在预测阅读时间等指标上的表现，发现早期层表示在预测早期眼动指标上优于 surprisal，但对总阅读时间而言 surprisal 仍更优。

Comments ACL 2026 (main conference)

SEAT: Sparse Entity-Aware Tuning for Knowledge Adaptation while Preserving Epistemic Abstention

SEAT：稀疏实体感知调谐以实现知识适应同时保持认知回避

William F. Shen, Xinchi Qiu, Nicola Cancedda, Nicholas D. Lane

机构 * University of Cambridge（剑桥大学） ； Meta 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract_cn)；分类 cs.AI

AI总结 SEAT通过稀疏调谐和实体扰动KL正则化，在保持认知回避能力的同时提升知识获取，无需对齐数据或后续重对齐，有效提升未知查询的人工评估回避率。

GAIR: Location-Aware Self-Supervised Contrastive Pre-Training with Geo-Aligned Implicit Representations

GAIR：具有地理对齐隐式表示的定位感知自监督对比预训练

Zeping Liu, Ni Lao, Zhangyu Wang, Junfeng Jiao, Gengchen Mai

机构 * SEAI Lab, Department of Geography and the Environment, The University of Texas at Austin（地理与环境系SEAI实验室，德克萨斯大学奥斯汀分校） ； Google LLC, Mountain View, CA, USA（谷歌公司，山景城，加利福尼亚州，美国） ； SIT Lab, School of Computing and Information Science, The University of Maine（计算与信息科学系SIT实验室，缅因大学） ； Urban Information Lab, School of Architecture, The University of Texas at Austin（城市信息实验室，建筑系，德克萨斯大学奥斯汀分校） 纠错

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

AI总结 GAIR通过引入隐式神经表示模块，解决地理空间任务中多模态数据的局部化表示问题，实现跨模态的地理对齐，提升空间关系建模能力。

Comments Accepted by ISPRS Journal of Photogrammetry and Remote Sensing

Multi-Scale Reversible Chaos Game Representation: A Unified Framework for Sequence Classification

多尺度可逆混沌游戏表示：序列分类的统一框架

Sarwan Ali, Taslim Murad

机构 * Columbia University（哥伦比亚大学） ； Department of Computer Science, Institute of Business Administration（计算机科学系，商学院） 纠错

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

AI总结 本文提出多尺度可逆混沌游戏表示（MS-RCGR）框架，通过理性算术和分层k-mer分解生成尺度不变特征，提升生物序列分类性能，结合传统机器学习、计算机视觉和混合方法实现多范式分析。

Mitigating Multimodal Hallucination via Phase-wise Self-reward

通过分阶段自奖励缓解多模态幻觉

Yu Zhang, Chuyang Sun, Kehai Chen, Xuefeng Bai, Yang Xiang, Min Zhang

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Peng Cheng Laboratory（鹏城实验室） ； Shenzhen（深圳） ； China（中国） 纠错

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

AI总结 本文提出PSRD框架，通过分阶段自奖励信号在推理时动态抑制幻觉，有效降低LLaVA-1.5-7B的幻觉率50%，在多个基准上优于现有方法。

Comments Self-reward for vision hallucination mitigation

SafeConstellations: Mitigating Over-Refusals in LLMs Through Task-Aware Representation Steering

SafeConstellations: 通过任务感知的表示引导缓解大语言模型的过度拒绝行为

Utsav Maskey, Sumit Yadav, Mark Dras, Usman Naseem

机构 * Macquarie University（麦考瑞大学） ； IOE, Pulchowk Campus（IOE普楚克校区） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract_cn)；分类 cs.CL

AI总结 本文提出SafeConstellations方法，通过任务感知的表示引导在推理时调整表示轨迹，减少大语言模型在处理良性指令时的过度拒绝现象，同时保持模型实用性。

Comments ACL 2026 Main

Do LLMs Really Know What They Don't Know? Internal States Mainly Reflect Knowledge Recall Rather Than Truthfulness

大语言模型真的了解它们不知道的东西吗？内部状态主要反映知识回忆而非真实性

Chi Seng Cheang, Hou Pong Chan, Wenxuan Zhang, Yang Deng

机构 * Singapore Management University（新加坡国立管理学院） ； DAMO Academy, Alibaba Group（阿里集团达摩院） ； Singapore University of Technology and Design（新加坡科技设计大学） 纠错

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

AI总结 本文探讨大语言模型是否真正了解其未知领域，通过分析内部状态发现其主要反映知识回忆而非真实性，提出hallucination分类方法以区分不同hallucination类型。

UA-Net: Uncertainty-Aware Network for TRISO Image Semantic Segmentation

UA-Net：用于TRISO图像语义分割的不确定性感知网络

Kyle Lucke, Zuzanna Krajewska-Travar, Shoukun Sun, Lu Cai, John D. Stempien, Min Xian

机构 * University of Idaho（爱达荷大学） ； Idaho National Laboratory（爱达荷国家实验室） 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)；分类 cs.LG

AI总结 本文提出UA-Net框架，用于TRISO燃料微图像的五种特征区域分割及生成不确定性图。通过多阶段预训练策略和元模型，实现高精度分割与小缺陷检测，测试集上mIoU和mP达95.5%和97.3%。

Structural interpretability in SVMs with truncated orthogonal polynomial kernels

支持向量机中基于截断正交多项式核的结构可解释性

Víctor Soto-Larrosa, Nuria Torrado, Edmundo J. Huertas

机构 * Dpto. de Matemáticas, Facultad de Ciencias, Universidad Autónoma de Madrid（数学系，科学学院，自治大学马德里） ； Instituto de Ciencias Matemáticas (ICMAT), Campus de Cantoblanco UAM（数学科学研究所（ICMAT），UAM坎托布兰科校区） ； Dpto. de Biociencias, Facultad de Ciencias Biomédicas y de la Salud, Universidad Europea de Madrid（生物科学系，生物医学与健康科学学院，欧洲大学马德里） ； Dpto. de Física y Matemáticas, Facultad de Ciencias, Universidad de Alcalá（物理与数学系，科学学院，阿尔卡拉大学） 纠错

专题命中 知识编辑与模型理解 ：post-training(abstract)；分类 cs.LG

AI总结 本文研究了基于截断正交多项式核的支持向量机的后训练可解释性，提出基于正交核贡献指数的诊断框架，揭示模型复杂度的结构特征。

When Does Content-Based Routing Work? Representation Requirements for Selective Attention in Hybrid Sequence Models

基于内容的路由何时有效？混合序列模型中选择性注意的表示要求

Abhinaba Basu

机构 * National Institute of Electronics and Information Technology（国家电子与信息研究所） 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)；分类 cs.LG

AI总结 研究探讨了混合序列模型中基于内容的路由有效性的条件，通过实验发现需双向上下文表示和成对比较以实现高路由精度。

Causal Drawbridges: Characterizing Gradient Blocking of Syntactic Islands in Transformer LMs

因果桥梁：Transformer语言模型中语法岛屿的梯度阻塞特性

Sasha Boguraev, Kyle Mahowald

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 研究通过Transformer模型的因果干预揭示语法岛屿的提取机制，发现其与wh依赖关系机制相似但受阻程度不同，提出'and'在可提取与不可提取结构中表示方式不同。

Comments 19 pages, 7 figures, 3 tables

Modeling Student Learning with 3.8 Million Program Traces

用380万条程序轨迹建模学生学习

Alexis Ross, Megha Srivastava, Jeremiah Blanchard, Jacob Andreas

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Stanford University（斯坦福大学） ； University of Florida（佛罗里达大学） 纠错

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

AI总结 本文通过分析380万条程序轨迹，探讨训练语言模型以理解学生编程行为及学习过程，发现基于真实轨迹的模型能更准确预测学生行为并生成更正确的代码。

Comments Accepted to 27th International Conference on AI in Education (AIED 2026)

Uncertainty Quantification on Graph Learning: A Survey

图学习中的不确定性量化：综述

Chao Chen, Chenghua Guo, Rui Xu, Jiujiu Chen, Xiangwen Liao, Xi Zhang, Sihong Xie, Hui Xiong, Philip Yu

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

AI总结 本文综述了图学习中不确定性量化技术，重点分析了图神经网络和图基础模型的不确定性表示与处理方法，旨在填补对图学习中不确定性量化关键挑战和机遇的理解空白。

HiEdit: Lifelong Model Editing with Hierarchical Reinforcement Learning

HiEdit：基于分层强化学习的终身模型编辑

Yangfan Wang, Tianyang Sun, Chen Tang, Jie Liu, Wei Cai, Jingchi Jiang

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Beidahuang Information Co., Ltd.（北大荒信息有限公司） ； State Key Laboratory of Smart Farm Technologies and Systems（智慧农场技术与系统全国重点实验室） ； AI Research Center, Midea Group (Shanghai) Co., Ltd.（美的集团（上海）有限公司人工智能研究中心） 纠错

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

AI总结 本文提出HiEdit，通过分层强化学习框架实现对部署大语言模型中过时或不准确知识的修正，通过动态选择知识相关的层实现精准更新，提升RLEdit性能8.48%。

Comments Accept by ACL 2026