AAAI

LUCID: Learning-Enabled Uncertainty-Aware Certification of Stochastic Dynamical Systems

LUCID：基于学习的不确定性感知随机动力系统认证

Ernesto Casablanca, Oliver Schön, Paolo Zuliani, Sadegh Soudjani

AI总结 LUCID通过学习控制障碍证书和傅里叶核展开，为随机动态系统提供鲁棒且高效的认证框架，实现形式安全保证。

Comments The manuscript has been accepted for publication in the main track of AAAI 2026

Bridging Streaming Continual Learning via In-Context Large Tabular Models

通过上下文大表格模型实现流式持续学习

Afonso Lourenço, João Gama, Eric P. Xing, Goreti Marreiros

AI总结 本文提出通过大规模上下文表格模型实现流式持续学习，结合流式学习与持续学习的核心原则，平衡塑性与稳定性，并控制内存大小。

Comments Streaming Continual Learning AAAI Bridge 2026

3DTeethSAM: Taming SAM2 for 3D Teeth Segmentation

3DTeethSAM：对SAM2进行调整以实现3D牙齿分割

Zhiguo Lu, Jianwen Lou, Mingjun Ma, Hairong Jin, Youyi Zheng, Kun Zhou

AI总结 3DTeethSAM通过调整SAM2模型，结合提示嵌入生成器、掩码细化器和分类器，实现了高精度的3D牙齿分割，并在基准测试中取得91.90%的IoU表现。

Comments Accepted by AAAI 2026

BAID: A Benchmark for Bias Assessment of AI Detectors

BAID：人工智能检测器偏见评估基准

Priyam Basu, Yunfeng Zhang, Vipul Raheja

机构 * Superhuman 纠错

AI总结 BAID提出一个全面评估人工智能检测器偏见的基准，通过20万样本涵盖多种社会语言学因素，评估四个开源检测器发现对少数群体的检测性能存在显著差异。

Comments Accepted at the workshop on Agentic AI Benchmarks and Applications for Enterprise Tasks at AAAI 2026

DOS: Distilling Observable Softmaps of Zipfian Prototypes for Self-Supervised Point Representation

DOS: 通过Zipfian原型的可观察软图蒸馏实现自监督点表示

Mohamed Abdelsamad, Michael Ulrich, Bin Yang, Miao Zhang, Yakov Miron, Abhinav Valada

AI总结 DOS通过Zipfian原型和可观察点软图蒸馏，提升3D点云自监督学习的语义分割和物体检测性能。

Comments AAAI-26

Towards Trustworthy Multi-Turn LLM Agents via Behavioral Guidance

通过行为指导实现可信的多轮大语言模型代理

Gonca Gürsun

机构 * Gonca Gürsun（独立研究者） 纠错

AI总结 本文提出一种框架，通过行为指导使大语言模型代理在多轮任务中实现可靠和可验证的行为。

Comments Accepted to AAAI 2026 Workshop on Trust and Control in Agentic AI (TrustAgent)

qa-FLoRA: Data-free query-adaptive Fusion of LoRAs for LLMs

qa-FLoRA: 无数据查询自适应融合LoRAs用于大语言模型

Shreya Shukla, Aditya Sriram, Milinda Kuppur Narayanaswamy, Hiteshi Jain

AI总结 qa-FLoRA通过动态计算层级融合权重，无需数据和训练，实现LoRA的查询自适应融合，有效提升多领域任务性能。

Comments Accepted at AAAI 2026 (Main Technical Track)

RcAE: Recursive Reconstruction Framework for Unsupervised Industrial Anomaly Detection

RcAE：递归重建框架用于无监督工业异常检测

Rongcheng Wu, Hao Zhu, Shiying Zhang, Mingzhe Wang, Zhidong Li, Hui Li, Jianlong Zhou, Jiangtao Cui, Fang Chen, Pingyang Sun, Qiyu Liao, Ye Lin

AI总结 RcAE通过递归重建框架有效检测工业异常，结合CRD模块和DPN网络，在参数更少的情况下实现与扩散模型相当的性能。

Comments 19 pages, 7 figures, to be published in AAAI-26

FilmWeaver: Weaving Consistent Multi-Shot Videos with Cache-Guided Autoregressive Diffusion

FilmWeaver: 通过缓存引导自回归扩散编织一致的多镜头视频

Xiangyang Luo, Qingyu Li, Xiaokun Liu, Wenyu Qin, Miao Yang, Meng Wang, Pengfei Wan, Di Zhang, Kun Gai, Shao-Lun Huang

机构 * Kling Team, Kuaishou Technology（快手科技 Kling Team） 纠错

AI总结 FilmWeaver通过缓存引导自回归扩散模型实现多镜头视频的一致性生成，支持灵活交互和多任务应用。

Comments AAAI-2026

BugSweeper: Function-Level Detection of Smart Contract Vulnerabilities Using Graph Neural Networks

BugSweeper: 使用图神经网络进行智能合约漏洞的函数级检测

Uisang Lee, Changhoon Chung, Junmo Lee, Soo-Mook Moon

AI总结 BugSweeper通过图神经网络实现智能合约漏洞的自动检测，无需人工规则，提升检测效率和适应性。

Comments This paper is accepted to AAAI 2026

Listening Between the Frames: Bridging Temporal Gaps in Large Audio-Language Models

在帧之间倾听：在大型音频-语言模型中弥合时间缺口

Hualei Wang, Yiming Li, Shuo Ma, Hong Liu, Xiangdong Wang

AI总结 TimeAudio通过引入时间标记和绝对时间编码，提升大型音频-语言模型在时间定位和长音频理解上的能力，有效解决时间戳表示、架构和数据限制问题。

Comments Accepted by The Fortieth AAAI Conference on Artificial Intelligence (AAAI 2026)

Open-World Object Counting in Videos

视频中的开放世界物体计数

Niki Amini-Naieni, Andrew Zisserman

AI总结 本文提出CountVid模型，通过结合图像计数和可提示视频分割跟踪技术，实现视频中的开放世界物体计数，并引入VideoCount数据集验证其性能。

Comments AAAI 2026

Visual-Friendly Concept Protection via Selective Adversarial Perturbations

通过选择性对抗扰动实现视觉友好的概念保护

Xiaoyue Mi, Fan Tang, You Wu, Juan Cao, Peng Li, Yang Liu

AI总结 本文提出VCPro框架，通过低感知性对抗扰动实现图像关键概念的保护，平衡扰动可见性与保护效果。

Comments AAAI AISI 26

Image Tiling for High-Resolution Reasoning: Balancing Local Detail with Global Context

图像分块用于高分辨率推理：在局部细节与全局上下文之间取得平衡

Anatole Jacquin de Margerie, Alexis Roger, Irina Rish

AI总结 本文通过图像分块技术实现高分辨率图像理解，验证了局部细节恢复的有效性，并探讨了全局上下文对模型性能的影响。

Comments Accepted in AAAI 2025 Workshop on Reproducible AI