IIR-VLM: In-Context Instance-level Recognition for Large Vision-Language Models
IIR-VLM：面向大视觉-语言模型的上下文实例识别
机构 * Northeastern University（东北大学） ； Wyze Labs, Inc.（Wyze实验室）
AI总结 IIR-VLM通过整合预训练的ILR专家模型，提升大视觉-语言模型在上下文实例识别中的性能，有效解决细粒度辨别问题。
高校专区
Northeastern University（东北大学）
Analyzing VLM-Based Approaches for Anomaly Classification and Segmentation
分析基于视觉语言模型的异常分类和分割方法
机构 * Northeastern University（东北大学）
AI总结 本文分析了基于视觉语言模型的异常分类和分割方法，探讨了其架构范式、对齐策略及性能评估，为工业质量控制提供了方法选择和未来研究方向的指导。
Comments 10 pages,4 images
H-SPLID: HSIC-based Saliency Preserving Latent Information Decomposition
基于HSIC的显著性保持潜在信息分解
机构 * Department of Machine Learning and Systems Biology, Max Planck Institute of Biochemistry（机器学习与系统生物学系，马克斯·普朗克生物化学研究所） ； Northeastern University（东北大学） ； Faculty of Computer Science, University of Vienna（计算机科学系，维也纳大学） ； Doctoral School Computer Science, University of Vienna（计算机科学博士学院，维也纳大学） ； Research Network Data Science, University of Vienna（数据科学研究网络，维也纳大学）
AI总结 H-SPLID通过显式分解显著和非显著特征，提升任务相关特征学习的鲁棒性和信息保留能力。
Comments Accepted at NeurIPS 2025
SPHENIC: Topology-Aware Multi-View Clustering for Spatial Transcriptomics
SPHENIC：面向空间转录组学的拓扑感知多视图聚类
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） ； Guangzhou Institutes of Biomedicine and Health, Chinese Academy of Sciences（广州生物医学与健康研究院，中国科学院） ； College of Computer Science and Technology, National University of Defense Technology（计算机科学与技术学院，国防科技大学） ； Intelligent Game and Decision Lab, Academy of Military Sciences（智能游戏与决策实验室，军事科学院） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 SPHENIC通过整合拓扑持续同调和空间约束优化，提升空间转录组学中细胞聚类的鲁棒性和准确性。
Comments 9 pages, 5 figures, 2 tables
Generative Personality Simulation via Theory-Informed Structured Interview
通过理论指导的结构化访谈生成人格模拟
机构 * Department of Psychological Sciences & 2 Department of Computer Science, Rice University（1 心理学系 & 2 计算机科学系，莱斯大学） ； Department of Electrical and Computer Engineering, Northeastern University（3 电气与计算机工程系，东北大学） ； Department of Computer Science, Johns Hopkins University（4 计算机科学系，约翰霍普金斯大学） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 本文提出通过理论指导的结构化访谈提升LLM生成的人格数据异质性，结合心理测量理论改进模拟保真度，并预测人格相关行为结果。
Comments Accepted at EACL 2026; 87 Pages, 68 Tables, 10 Figures
Beyond Visual Realism: Toward Reliable Financial Time Series Generation
超越视觉真实性：迈向可靠的金融时间序列生成
机构 * The University of Tokyo（东京大学） ； Peking University（北京大学） ； Agency for Science, Technology and Research (A*STAR)（科技研究局） ； Northeastern University（东北大学）
AI总结 本文提出 SFAG 模型，通过引入结构性约束解决金融时间序列生成中对尾部事件和不对称性的忽视问题，提升生成数据的实用性和稳定性。
Comments Accepted by ICASSP 2026
Teaching LLMs to Learn Tool Trialing and Execution through Environment Interaction
通过环境交互教授LLMs学习工具尝试与执行
机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Alibaba Group（阿里巴巴集团） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院）
AI总结 ToolMaster通过环境交互主动学习工具使用，提升LLMs在新工具上的泛化与鲁棒性。
Rethinking the Value of Multi-Agent Workflow: A Strong Single Agent Baseline
重新思考多智能体工作流的价值：一个强大的单智能体基线
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Amazon（亚马逊） ； Emory University（埃默里大学） ； Northeastern University（东北大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本研究通过单个代理的多轮对话模拟多智能体工作流，提出OneFlow算法，实现高效且准确的多代理流程，为多智能体系统研究提供强基线。
EmoBipedNav: Emotion-aware Social Navigation for Bipedal Robots with Deep Reinforcement Learning
EmoBipedNav：基于深度强化学习的具有情绪感知的双足机器人社交导航
机构 * Laboratory for Intelligent Decision and Autonomous Robots, Woodruff School of Mechanical Engineering, Georgia Institute of Technology（智能决策与自主机器人实验室，伍德鲁夫机械工程学院，佐治亚理工学院） ； College of Engineering and Petroleum, Kuwait University（工程与石油学院，科威特大学） ； School of Computational Science and Engineering, Georgia Institute of Technology（计算科学与工程学院，佐治亚理工学院） ； Khoury College of Computer Sciences, Northeastern University（计算机科学学院，东北大学）
AI总结 EmoBipedNav通过深度强化学习实现双足机器人在社交环境中的情绪感知导航，结合运动约束与社交动态，提升安全性和交互效率。
Comments 13 pages
One-Sided Matrix Completion from Ultra-Sparse Samples
从超稀疏样本进行单边矩阵补全
机构 * Northeastern University, Boston（东北大学，波士顿） ； Georgia Institute of Technology, Atlanta（佐治亚理工学院，亚特兰大）
AI总结 本文提出了一种在超稀疏样本条件下通过梯度下降估计二阶矩矩阵T的方法，以实现单边矩阵补全，并在实验中验证了其有效性。
Comments 41 pages
Journal ref Trans. Mach. Learn. Res. 2026
CoT Referring: Improving Referring Expression Tasks with Grounded Reasoning
CoT Referring: 通过 grounded 推理改进指称表达任务
机构 * Adobe Research（Adobe研究院） ； Northeastern University（东北大学）
AI总结 通过 grounded 推理改进指称表达任务，提出CoT Referring方法，提升多模态大语言模型在复杂指称场景中的性能。
Comments MLLM, Referring Expression Segmentation
