Northeastern University（东北大学）

DPI: Exploiting Parameter Heterogeneity for Interference-Free Fine-Tuning

DPI: 利用参数异质性实现无干扰的微调

Xiaoyu Liu, Xiaoyu Guan, Di Liang, Xianjie Wu

机构 * College of Science, Northeastern University, Boston, United States（东北大学科学学院） ； University of Florida（佛罗里达大学） ； Beijing Information Science and Technology University（北京信息科技大学） 纠错

AI总结 本文提出利用参数异质性实现无干扰的微调方法，通过分离任务特定参数区域以减少跨任务干扰，提升模型适应下游任务的性能。

ClinNet: Evidential Ordinal Regression with Bilateral Asymmetry and Prototype Memory for Knee Osteoarthritis Grading

ClinNet: 基于双侧不对称性和原型记忆的证据有序回归用于膝关节骨性关节炎分级

Xiaoyang Li, Runni Zhou

机构 * College of Medicine and Biological Information Engineering, Northeastern University, Shenyang 110016, China.（医学与生物信息工程学院，东北大学，沈阳110016，中国） 纠错

AI总结 ClinNet通过双侧不对称编码器和原型记忆库，结合证据有序回归，提高膝关节骨性关节炎分级的准确性和不确定性估计能力。

Comments 12 pages

Learning the Wrong Lessons: Syntactic-Domain Spurious Correlations in Language Models

学习错误的教训：语言模型中的语法-领域虚假相关性

Chantal Shaib, Vinith M. Suriyakumar, Levent Sagun, Byron C. Wallace, Marzyeh Ghassemi

机构 * Northeastern University（东北大学） ； MIT（麻省理工学院） ； Meta 纠错

AI总结 研究揭示了语言模型中语法与领域之间的虚假相关性问题，指出训练数据中语法模板可能影响模型性能，并提出需测试此类相关性及确保训练数据多样性以防止错误学习。

Comments NeurIPS 2025 Spotlight

Measuring AI "Slop" in Text

测量文本中的AI‘模糊’

Chantal Shaib, Tuhin Chakrabarty, Diego Garcia-Olano, Byron C. Wallace

机构 * Northeastern University（东北大学） ； Stony Brook University（石溪大学） ； Meta AI 纠错

AI总结 本文提出了一种评估AI生成文本中'模糊'现象的框架，通过专家访谈和跨度标注，建立了可解释的评估维度，以衡量文本的连贯性和相关性。

GRAM: A Generative Foundation Reward Model for Reward Generalization

GRAM：一种用于奖励泛化的大规模生成式奖励模型

Chenglong Wang, Yang Gan, Yifu Huo, Yongyu Mu, Qiaozhi He, Murun Yang, Bei Li, Tong Xiao, Chunliang Zhang, Tongran Liu, Jingbo Zhu

机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院） ； NiuTrans Research, Shenyang, China（NiuTrans研究） ； CAS Key Laboratory of Behavioral Science, Institute of Psychology, CAS, Beijing, China（中国科学院行为科学重点实验室） ； Meituan Inc.（美团公司） 纠错

AI总结 GRAM提出了一种生成式奖励模型，通过结合无监督和监督学习，提升奖励模型在多种任务上的泛化能力，有效改进了基线模型的性能。

Comments Accepted by ICML 2025