University of Southern California（南加州大学）

Enabling Weak Client Participation via On-device Knowledge Distillation in Heterogeneous Federated Learning

通过设备端知识蒸馏实现弱客户端参与的异构联邦学习

Jihyun Lim, Junhyuk Jo, Tuo Zhang, Sunwoo Lee

机构 * Inha University, South Korea（韩国庆熙大学） ； University of Southern California, United States（美国南加州大学） 纠错

AI总结 本文提出一种基于设备端知识蒸馏的异构联邦学习方法，利用小型辅助模型和资源强客户端提升模型准确性。

Comments Accepted by ECAI 2025

Pelican Soup Framework: A Theoretical Framework for Language Model Capabilities

Pelican Soup框架：语言模型能力的一种理论框架

Ting-Rui Chiang, Dani Yogatama

机构 * University of Southern California（南加州大学） 纠错

AI总结 Pelican Soup框架通过引入知识库和参考意义关联，探讨语言模型在预训练和上下文学习中的能力，并推导出相关理论界。

Membership Inference Attacks on Recommender System: A Survey

推荐系统中的成员推断攻击：综述

Jiajie He, Xintong Chen, Xinyang Fang, Min-Chun Chen, Yuechun Gu, Keke Chen

机构 * University of Maryland, Baltimore County（马里兰大学巴尔的摩分校） ； University of Cincinnati（辛辛那提大学） ； University of Southern California（南加州大学） 纠错

AI总结 本文首次系统综述推荐系统中成员推断攻击的设计、挑战及防御方法，揭示其隐私风险与未来研究方向。

Comments under review in ACM Survey

MoIIE: Mixture of Intra- and Inter-Modality Experts for Large Vision Language Models

MoIIE：多模态专家的混合模型用于大视觉语言模型

Dianyi Wang, Siyuan Wang, Zejun Li, Yikun Wang, Yitong Li, Duyu Tang, Xiaoyu Shen, Xuanjing Huang, Zhongyu Wei

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institut（上海创新研究院） ； University of Southern California（南加州大学） ； Huawei Technologies Co., Ltd（华为技术有限公司） ； Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative, Institute of Digital Twin, EIT（宁波空间智能与数字衍生关键实验室，数字孪生研究院，EIT） 纠错

AI总结 本文提出MoIIE模型，通过混合内模态和跨模态专家提升大视觉语言模型的效率和性能。

AI red-teaming is a sociotechnical problem: on values, labor, and harms

AI红队测试是社会技术问题：关于价值观、劳动与危害

Tarleton Gillespie, Ryland Shaw, Mary L. Gray, Jina Suh

机构 * Microsoft Research（微软研究院） ； University of Southern California（南加州大学） 纠错

AI总结 本文探讨AI红队测试作为社会技术问题的重要性，强调需跨学科合作以理解其价值观、劳动及影响，避免重复历史错误。

Comments 10 pages

Human-in-the-Loop Feature Selection Using Interpretable Kolmogorov-Arnold Network-based Double Deep Q-Network

带有可解释Kolmogorov-Arnold网络的双深度Q网络的人机交互特征选择

Md Abrar Jahin, M. F. Mridha, Nilanjan Dey, Md. Jakir Hossen

机构 * University of Southern California（美国南加州大学） ； American International University-Bangladesh（美国国际大学-孟加拉国） ； Techno International New Town（技术国际新镇） ； Multimedia University（多媒体大学） 纠错

AI总结 本文提出一种基于Kolmogorov-Arnold网络的双深度Q网络，实现人机交互的特征选择，提升模型准确性和可解释性，同时在多个数据集上验证了其高效性和扩展性。

Journal ref IEEE Open Journal of the Computer Society (2026)