Northeastern University（东北大学）

Constructive Circuit Amplification: Improving Math Reasoning in LLMs via Targeted Sub-Network Updates

构造电路放大：通过定向子网络更新提升大语言模型的数学推理能力

Nikhil Prakash, Donghao Ren, Dominik Moritz, Yannick Assogba

机构 * Northeastern University（东北大学） ； Apple（苹果公司） 纠错

AI总结 通过定向子网络更新提升大语言模型的数学推理能力，实验显示在多个模型上准确率提升达+11.4%

Comments 18 pages, 3 figures

Impacts of Racial Bias in Historical Training Data for News AI

历史训练数据中的种族偏见对新闻AI的影响

Rahul Bhargava, Malene Hornstrup Jespersen, Emily Boardman Ndulue, Vivica Dsouza

机构 * Northeastern University（东北大学） ； University of Copenhagen（哥本哈根大学） 纠错

AI总结 本文研究了基于历史训练数据的新闻AI中种族偏见的影响，发现'blacks'标签在某些群体中作为种族歧视检测器，但对现代案例表现不佳，揭示了新闻室在采用AI工具时需平衡效率与偏见风险的挑战。

LinkedOut: Linking World Knowledge Representation Out of Video LLM for Next-Generation Video Recommendation

LinkedOut: 从视频大语言模型中提取世界知识表示以实现下一代视频推荐

Haichao Zhang, Yao Lu, Lichen Wang, Yunzhe Li, Daiwei Chen, Yunpeng Xu, Yun Fu

机构 * Northeastern University（东北大学） ； LinkedIn（领英） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 LinkedOut通过从视频中提取世界知识表示，实现低延迟、多视频输入的视频推荐，无需人工标注，取得最佳性能。

Balanced Few-Shot Episodic Learning for Accurate Retinal Disease Diagnosis

平衡少样本事件学习用于准确视网膜疾病诊断

Jasmaine Khale, Ravi Prakash Srivastava

机构 * Northeastern University-Silicon Valley（东北大学-硅谷） ； Indian Institute of Information Technology, Ranchi（印度拉奇信息科技学院） 纠错

AI总结 本文提出一种平衡少样本事件学习框架，通过平衡采样和CLAHE增强预处理，提升视网膜疾病诊断的准确性和公平性。

Explainable AI in Big Data Fraud Detection

大数据欺诈检测中的可解释人工智能

Ayush Jain, Rahul Kulkarni, Siyi Lin

机构 * Northeastern University（东北大学） 纠错

AI总结 本文探讨了如何将可解释人工智能整合到大数据分析流程中，以提高欺诈检测和风险管理的透明度和可解释性。

Comments 7 pages, 3 figures, research project