高校专区
学习剩余内容，而非已掌握内容：面向多奖励策略优化的饱和感知优势重加权方法
机构 * University of Florida（佛罗里达大学） ； UC San Diego（加州大学圣迭戈分校） ； Northeastern University（东北大学） ； Northwestern University（西北大学） ； Stanford University（斯坦福大学） ； Universität Innsbruck（因斯布鲁克大学）
AI总结 针对多奖励策略优化中现有方法的缺陷，提出SA-MRPO方法，动态分配优化资源，在数学推理、自适应推理、编码任务中均实现性能提升。
Comments 14 pages, 2 figures
ConceptFormer：学习自适应潜在概念以实现视觉文档检索中的查询-文档对齐
机构 * Northeastern University（东北大学） ； Tsinghua University（清华大学） ； Peking University（北京大学）
AI总结 针对视觉文档检索中现有监督信号的局限，本文提出ConceptFormer框架，以自适应潜在概念为中间表示衔接语义鸿沟，在基准测试中较最强基线实现了16.7%、22.1%的NDCG@10相对提升，性能优异。
通过凸集神经图加速混合离散-连续运动规划
机构 * Northeastern University（东北大学） ； University of Maryland（马里兰大学） ； Amazon（亚马逊公司）
AI总结 本研究针对混合离散-连续运动规划的计算瓶颈，提出基于图注意力网络的凸集神经图策略，实现最高两个数量级加速且保持100%成功率，适用于多种机器人任务。
LightLoc++：面向高效室外激光雷达定位的传感器鲁棒性表示学习
机构 * Xiamen University（厦门大学） ； University of Bristol（布里斯托大学） ； Northeastern University（东北大学）
AI总结 LightLoc++通过引入SULID数据集与跨传感器一致性学习预训练传感器鲁棒骨干，结合样本分类引导与冗余样本下采样，实现高效室外激光雷达定位，性能最优且新场景训练成本最低。
Comments 19 pages, 10 figures
没有任务每次都失败：为什么单次审计在智能体损伤问题上存在结构性盲区
机构 * Northeastern University（东北大学）
AI总结 该研究提出AgentRelBench工具，发现单次智能体审计易遗漏损伤对，模型能力提升会减少损伤任务，部分模型存在宣称弃权却执行不可逆操作的情况，且所有发现均按预注册标准执行。
Comments 25 pages, 4 figures, 16 tables, 6 appendices. Code, task suite, released per-run verdicts, and a one-command reproduction of every reported number: https://github.com/shivenkk/agentrelbench
面向持续异常检测的内存受限贪心采样的延续方法
机构 * Northeastern University（东北大学） ； AIVEX Inc.（AIVEX公司） ； Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室）
AI总结 该研究针对持续异常检测提出ContCore方法，通过延续贪心采样构建固定内存的核心集，在MVTecAD、VisA数据集的11种任务调度及在线设置下实现最优性能。
Comments Accepted by BMVC2026
左分支Transformer在右分支语言中表现优异：数据塑造语言模型的词序偏好
机构 * Khoury College of Computer Sciences, Northeastern University（东北大学科里计算机科学学院） ； Faculty of Informatics TU Wien（维也纳技术大学信息学院）
AI总结 研究对比仅解码器Transformer在192种人工及自然语言中的词序偏好，发现其在人工语言呈左分支偏好、自然语言随数据增长偏好SVO，证实词序偏差由数据驱动，或减少语言词序多样性。
Comments paper under revision
单个冻结模拟器不够：多智能体强化学习中的模拟器崩溃问题
机构 * Northeastern University（东北大学） ； New York University（纽约大学） ； UC Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 针对人机交互多智能体强化学习中单个LLM模拟器导致的策略泛化缺陷，提出Verbalized Sampling和Co-Training两种方案，在多轮基准测试和真实用户研究中显著提升了性能，发布了开源框架SCOPE。
Comments 42 pages, 29 figures
通过技能级评估与诊断解构多模态语言模型的具身能力
机构 * Northeastern University, Boston, MA, USA ； The Chinese University of Hong Kong, Hong Kong, China ； Peking University, Beijing, China ； Westlake University, Hangzhou, China ； Harvard University, Cambridge, MA, USA ； Purdue University, West Lafayette, IN, USA ； University of Oxford, Oxford, United Kingdom
AI总结 本文提出BEAR基准，通过分解具身任务为14个原子技能进行细粒度评估，发现感知能力是推理失败的主要瓶颈，并提出BEAR-Agent多模态对话代理，显著提升具身技能性能。
Comments Accepted to ICML 2026
我们能从听觉EEG解码元音有多好——一个严格的跨受试基准测试与诚实评估
机构 * College of Medicine and Biological Information Engineering, Northeastern University（医学与生物信息工程学院，东北大学）
AI总结 本文提出一个跨受试基准测试，评估从听觉EEG解码五类元音的性能，比较了14种方法，发现XGBoost模型在低信号条件下表现最佳，且经典方法与深度学习模型竞争。
Comments Revised manuscript with 6 main figures
SimulRAG：基于模拟器的检索增强生成（RAG）框架，用于将大型语言模型（LLMs）落地到长篇科学问答任务中
机构 * University of California San Diego（加州大学圣迭戈分校） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学）
AI总结 针对LLMs在长篇科学问答中易幻觉的问题，本文提出SimulRAG框架，引入UE+SBA机制，发布相关基准，实验表明其信息量与事实性较基线分别提升30.4%、16.3%
Comments Haozhou Xu and Dongxia Wu are co-first authors
合成角色预训练：从零开始的对齐
机构 * EPFL（洛桑联邦理工学院） ； University of Toronto（多伦多大学） ； Northeastern University（东北大学） ； SJTU（上海交通大学） ； Saarland University（萨尔大学） ； Hereon（亥姆霍兹极地与海洋研究中心） ； TUHH（汉堡工业大学） ； Ontocord AI（Ontocord人工智能公司） ； TUC（德累斯顿工业大学） ； DFKI（德国人工智能研究中心）
AI总结 该研究提出合成角色预训练（SPP），在预训练token零阶段植入助手角色，通过标注反思、预训练及角色绑定，提升模型价值构成遵循度与鲁棒性，降低对齐错误率，证明预训练时角色干预是对齐的有效方法。
更好的分解，自由聚合：面向多语言多跳问答的合成器折叠框架
机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Kunming University of Science and Technology（昆明理工大学）
AI总结 针对多语言多跳问答中现有方法的翻译噪声与错误放大问题，提出Syfer框架，通过推迟翻译、格式受限分解与质量检查实现性能与成本的良好平衡。
Comments Accepted by NLPCC 2026
基于多AUV自组织网络的目标跟踪：一种值梯度引导多智能体扩散强化学习方法
机构 * Software College, Northeastern University（东北大学软件学院） ； Hohai University（河海大学）
AI总结 针对多AUV自组织网络目标跟踪的训练不稳定、跟踪性能差问题，提出VGG-MADiffRL算法与MDCA架构，实现了更快收敛、更高跟踪精度与平稳训练动态，具有工程应用价值。
CIDER：用于隐私偏好对齐的上下文披露边界数据集
机构 * University of Washington（华盛顿大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Northeastern University（东北大学）
AI总结 本文推出包含169名用户标注的CIDER数据集，用于评估LLM隐私偏好对齐，发现上下文个性化可提升预测准确率，GPT-5.4和Claude Sonnet 4.6表现更优。
Comments Accepted to COLM 2026
扩散模型中的伪随机流是影响生成质量的可学习输入
机构 * School of Mathematics, Harbin Institute of Technology（哈尔滨工业大学数学学院） ； Software College, Northeastern University（东北大学软件学院）
AI总结 该研究发现扩散模型的伪随机流是可学习输入，会影响生成质量，相关指标与生成退化相关，伪随机源兼具分布选择与结构化输入属性。
改进的幻觉：信用评分中的拒绝推断策略
机构 * Northeastern University（东北大学） ； KTH Royal Institute of Technology（瑞典皇家理工学院）
AI总结 研究揭示拒绝推断方法在信用评分中因反馈循环导致评估指标误导，提出通过少量探索打破循环并诊断问题。
Comments Accepted to ECML PKDD 2026 (Research Track)
话题作为社会人口统计的代理：对话上下文如何影响大语言模型的回答
机构 * Institute for Logic, Language and Computation, University of Amsterdam（逻辑、语言与计算研究所，阿姆斯特丹大学） ； Khoury College of Computer Sciences, Northeastern University（计算机科学学院，东北大学） ； Center for Language and Cognition, University of Groningen（语言与认知中心，格罗宁根大学）
AI总结 研究大语言模型在高风险场景中对话上下文对回答差异的影响，发现话题是社会人口统计差异的主要驱动因素，且影响方式不可预测。
执行功能的贝叶斯分布模型
机构 * Division of Computing and Data Science, Washington University（华盛顿大学计算与数据科学系） ； Department of Computer Science and Engineering, Washington University（华盛顿大学计算机科学与工程系） ； Department of Biomedical Engineering, Washington University（华盛顿大学生物医学工程系） ； Department of Psychology, University of Maribor（马里博大学心理学系） ； Department of Human Development and Quantitative Methodology, University of Maryland（马里兰大学人类发展与定量方法系） ； Department of Teaching and Learning, Policy and Leadership, University of Maryland（马里兰大学教学与学习、政策与领导系） ； Department of Psychology, Northeastern University（东北大学心理学系） ； Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系）
AI总结 本研究使用已知真实参数的受控模拟，评估分布潜变量模型（DLVM）和贝叶斯分布主动学习（DALE）相比传统独立最大似然估计（IMLE）的优势，证明DLVM结合DALE能更高效地估计认知表现分布。
Comments 45 pages, 9 figures, 2 tables + supplemental info
Mechanist：作为科学仪器的AI，用于发现智能的机制
机构 * Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； Heriot-Watt University（赫瑞瓦特大学） ； Southern University of Science and Technology（南方科技大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） ； Northeastern University（东北大学）
AI总结 本研究推出智能体系统Mechanist，以AI为科学仪器自主发现AI智能机制，其生成假设更有价值、实验更可靠，还能发现安全风险、构建信念机制理论并转化为提升模型性能的干预措施。
Comments Work in progress
基于技能-工具链进化的自演化具身智能体
机构 * Microsoft Research（微软研究院） ； Northeastern University（东北大学）
AI总结 提出免训练的SHAPER框架，通过演化技能与工具链实现冻结模型驱动的自演化具身智能体，在VLABench等数据集上验证其适配优势。
基于监督扩散辅助多智能体强化学习的多水下机器人协作目标跟踪
机构 * Software College, Northeastern University（东北大学软件学院） ； Key Laboratory of Maritime Intelligent Network Information Technology, Ministry of Education, Hohai University（河海大学教育部海事智能网络信息技术重点实验室） ； College of Computer Science and Software Engineering, Hohai University（河海大学计算机与软件学院） ； College of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院）
AI总结 本文提出基于监督扩散辅助多智能体强化学习（SDA-MARL）的多水下机器人协作目标跟踪方法，通过分层架构和创新算法解决非平稳性、稀疏奖励探索和水扰动鲁棒性等挑战，提升水下目标跟踪精度。
揭秘大型推理模型中基于熵的思维链压缩选择方法
机构 * University of Trieste（的里雅斯特大学） ； University of Milano-Bicocca（米兰-比科卡大学） ； University of Groningen（格罗宁根大学） ； Khoury College of Computer Sciences, Northeastern University（东北大学科里计算机学院）
AI总结 该研究测试了大型推理模型中基于熵的思维链压缩方法的鲁棒性，发现其效果不优于随机剪枝，且任务信息分布在整个推理链上而非小部分令牌中。
过度自信且忽视细节：通过归纳偏好学习修复提示不敏感
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Northeastern University（东北大学） ； Uniphore（Uniphore公司）
AI总结 本文提出归纳偏好学习方法，通过优化归纳策略提升模型对罕见提示的敏感度，显著提高在VLMBias和Inverse-IFEval基准测试中的性能。
Comments 26 pages, 15 tables, 3 figures
CoRCi：跨域序列推荐中连贯兴趣建模的跨重建方法
机构 * Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； Shanghai University of Finance and Economics（上海财经大学）
AI总结 针对跨域序列推荐中域差异破坏兴趣连贯性的问题，本文提出CoRCi框架，通过跨重建方法和FocalNCE损失实现域不变兴趣对齐，在四个数据集上性能优于现有最优方法。
CoInS-Net：用于联合医学图像插值与分割的连续位置感知网络
机构 * College of Medicine and Biological Information Engineering, Northeastern University（东北大学医学与生物信息工程学院）
AI总结 CoInS-Net是一种联合医学图像插值与分割的连续位置感知网络，通过双向交互实现两任务相互促进，在多数据集上优于传统单任务方案，为临床医学图像分析提供可靠通用技术。
EFFEKT：面向基础模型的高效联邦知识迁移
机构 * Northeastern University（东北大学） ； University of Padua（帕多瓦大学）
AI总结 EFFEKT是一种联邦学习框架，通过双向跨蒸馏策略，结合轻量级客户端代理模型与服务器端基础模型，实现高效的领域特定LoRA适配器训练，在低功耗边缘设备上性能优于基线。
Comments 12 main content pages, 8 appendix pages; 3 main figures, 9 appendix figures; 8 main tables, 9 appendix tables; 1 main algorithm, 4 appendix algorithms; accepted at TMLR
通过信息多视图投影可视化高维图嵌入
机构 * Khoury College of Computer Sciences, Northeastern University（东北大学库里计算机科学学院） ； School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院）
AI总结 提出在高维空间中嵌入图，并通过可微分的边交叉代理搜索优化美学和可读性指标的二维视角，优于标准布局，并引入交互系统DataFly。
Comments 20 pages, 15 figures
自主性重塑个性化对隐私担忧和对LLM代理信任的影响
机构 * Northeastern University（东北大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Waterloo（滑铁卢大学）
AI总结 研究探讨了LLM代理自主性如何影响个性化对用户隐私担忧和信任的影响，发现风险驱动的自主性可缓解个性化带来的负面影响。
Comments Accepted to COLM 2026
不确定性缓解与意图推断：一种双模式人机联合规划系统
机构 * Department of Electrical and Computer Engineering, George Washington University（电气与计算机工程系，乔治华盛顿大学） ； Department of Mechanical and Aerospace Engineering, George Washington University（机械与航空航天工程系，乔治华盛顿大学） ； Department of Electrical and Computer Engineering, Northeastern University（电气与计算机工程系，东北大学）
AI总结 本文提出一种双模式人机联合规划系统，通过缓解不确定性与推断意图，提升人机协作效率。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈