Northeastern University（东北大学）

Small Models, Smarter Learning: The Power of Joint Task Training

小型模型，更智能的学习：联合任务训练的威力

Csaba Both, Benjamin Hoover, Hendrik Strobelt, Dmitry Krotov, Daniel Karl I. Weidele, Mauro Martino, Nima Dehmamy

机构 * Northeastern University（东北大学） ； IBM Research（IBM研究院） 纠错

AI总结 本研究通过联合任务训练，发现任务兼容性能显著降低模型容量需求，展示了结构化数字表示在学习中的因果作用。

T-COL: Generating Counterfactual Explanations for General User Preferences on Variable Machine Learning Systems

T-COL：为可变机器学习系统生成通用用户偏好的反事实解释

Ming Wang, Daling Wang, Wenfang Wu, Shi Feng, Yifei Zhang

机构 * Northeastern University（东北大学） 纠错

AI总结 T-COL 通过基于树的条件可选链接方法，为可变机器学习系统生成适应一般用户偏好的反事实解释，提升解释的鲁棒性和适应性。

Journal ref Journal of Artificial Intelligence Research, Vol. 85 (2026)

Theoretical Analysis of Measure Consistency Regularization for Partially Observed Data

对部分观测数据的度量一致性正则化的理论分析

Yinsong Wang, Shahin Shahrampour

机构 * H. Milton Stewart School of Industrial & Systems Engineering at Georgia Institute of Technology（佐治亚理工学院H.Milton Stewart工业与系统工程学院） ； Department of Mechanical and Industrial Engineering at Northeastern University（东北大学机械与工业工程系） 纠错

AI总结 本文通过理论分析探讨了度量一致性正则化在部分观测数据中的作用机制，并提出了一种新的训练协议以提升模型泛化能力。

Small-Margin Preferences Still Matter-If You Train Them Right

小边距偏好依然重要-如果你训练得当的话

Jinlong Pang, Zhaowei Zhu, Na Di, Yichi Zhang, Yaxuan Wang, Chen Qian, Yang Liu

机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Northeastern University（东北大学） ； DIMACS, Rutgers University（Rutgers大学DIMACS研究中心） 纠错

AI总结 本文提出MixDPO，一种基于难度的训练策略，通过课程学习和混合目标优化，提升LLM在模糊配对上的对齐效果。

SocialFusion: Addressing Social Degradation in Pre-trained Vision-Language Models

SocialFusion: 解决预训练视觉-语言模型中的社会退化问题

Hamza Tahboub, Weiyan Shi, Gang Hua, Huaizu Jiang

机构 * Northeastern University（东北大学） ； Amazon.com, Inc.（亚马逊公司） 纠错

AI总结 SocialFusion通过统一框架解决预训练视觉-语言模型中的社会退化问题，实现跨社会任务的正迁移并提升整体性能。

Comments 22 pages, 10 figures. Published in Transactions on Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research, 2026

Semantics-Preserving Evasion of LLM Vulnerability Detectors

保持语义的LLM漏洞检测器逃避

Luze Sun, Alina Oprea, Eric Wong

机构 * Northeastern University（东北大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 研究发现基于LLM的漏洞检测器在保持语义的逃避攻击下存在系统性失效，提出联合鲁棒性指标以评估检测器的鲁棒性。