AAAI

Behavior Tokens Speak Louder: Disentangled Explainable Recommendation with Behavior Vocabulary

行为令牌发声更大：解耦可解释推荐与行为词汇

Xinshun Feng, Mingzhe Liu, Yi Qiao, Tongyu Zhu, Leilei Sun, Shuai Wang

AI总结 BEAT通过解耦行为词汇与语义，提升推荐系统的可解释性和零样本性能。

Comments accepted by AAAI 2026

CLIP-FTI: Fine-Grained Face Template Inversion via CLIP-Driven Attribute Conditioning

CLIP-FTI: 通过CLIP驱动的属性条件化实现细粒度面部模板逆向

Longchen Dai, Zixuan Shen, Zhiheng Zhou, Peipeng Yu, Zhihua Xia

AI总结 CLIP-FTI通过CLIP驱动的属性条件化实现细粒度面部模板逆向，提升识别准确性和属性相似性，增强跨模型攻击的可转移性。

Comments Accepted by AAAI 2026

RPM-MCTS: Knowledge-Retrieval as Process Reward Model with Monte Carlo Tree Search for Code Generation

RPM-MCTS：基于蒙特卡洛树搜索的知识检索作为过程奖励模型用于代码生成

Yuanyuan Lin, Xiangyu Ouyang, Teng Zhang, Kaixin Sui

AI总结 RPM-MCTS通过结合知识检索与蒙特卡洛树搜索，有效评估代码生成过程中的中间步骤，减少错误并提升效率

Comments Accepted at AAAI 2026

MovSemCL: Movement-Semantics Contrastive Learning for Trajectory Similarity (Extension)

MovSemCL：用于轨迹相似性的运动-语义对比学习（扩展）

Zhichen Lai, Hua Lu, Huan Li, Jialiang Li, Christian S. Jensen

AI总结 MovSemCL通过运动-语义对比学习框架提升轨迹相似性计算的精度与效率，有效解决现有方法在语义建模、计算成本和增强合理性方面的不足。

Comments 8 pages, 6 figures; accepted by AAAI 2026 as an Oral paper

Explainable AI for Classifying UTI Risk Groups Using a Real-World Linked EHR and Pathology Lab Dataset

利用真实世界链接的电子健康记录和病理实验室数据集进行UTI风险分组分类的可解释AI

Yujie Dai, Brian Sullivan, Axel Montout, Amy Dillon, Chris Waller, Peter Acs, Rachel Denholm, Philip Williams, Alastair D Hay, Raul Santos-Rodriguez, Andrew Dowsey

机构 * University of Bristol（布里斯托大学） ； Kettering General Hospital NHS Foundation Trust（凯特林医院国家健康服务基金会信托） ； NHS England（英格兰国家健康服务） ； University Hospitals Bristol and Weston NHS Foundation Trust（布里斯托和韦斯特医院国家健康服务基金会信托） 纠错

AI总结 本研究利用真实世界链接的EHR和病理实验室数据集，通过可解释AI技术对UTI风险分组进行分类，以提高临床决策的透明性和可解释性。

Comments Peer-reviewed; accepted at Health Intelligence (W3PHIAI-25) Workshop, AAAI Conference 2025 (to appear in Studies in Computational Intelligence, Springer/Nature)

Well Begun, Half Done: Reinforcement Learning with Prefix Optimization for LLM Reasoning

开篇即胜，半途而废：基于前缀优化的强化学习用于大语言模型推理

Yiliu Sun, Zicheng Zhao, Yang Wei, Yanfang Zhang, Chen Gong

AI总结 PPPO通过优化LLM推理的前缀部分，提升推理能力，实验显示其在推理任务中表现更优。

Comments Accepted by AAAI 2026

RFKG-CoT: Relation-Driven Adaptive Hop-count Selection and Few-Shot Path Guidance for Knowledge-Aware QA

RFKG-CoT: 基于关系的自适应步数选择与少样本路径引导用于知识感知问答

Chao Zhang, Minghan Li, Tianrui Lv, Guodong Zhou

机构 * Chao Zhang, Minghan Li, Tianrui Lv, Guodong Zhou（张超，李明翰，吕天睿，周国栋） 纠错

AI总结 RFKG-CoT通过关系驱动的自适应步数选择和少样本路径引导，提升知识感知问答的准确性与可靠性。

Comments 9pages, 5 figures, accepted by AAAI 2026

Feature-Centric Unsupervised Node Representation Learning Without Homophily Assumption

以特征为中心的无监督节点表示学习无需同质性假设

Sunwoo Kim, Soo Yong Lee, Kyungho Kim, Hyunjin Hwang, Jaemin Yoo, Kijung Shin

AI总结 FUEL通过自适应学习图卷积的使用程度，提升嵌入空间中的类间分离性和类内相似性，从而在无监督节点表示学习中取得最佳性能。

Comments Published in AAAI 2026

Factor(U,T): Controlling Untrusted AI by Monitoring their Plans

Factor(U,T): 通过监控其计划来控制不可信的AI

Edward Lue Chee Lip, Anthony Channg, Diana Kim, Aaron Sandoval, Kevin Zhu

AI总结 Factor(U,T)通过监控AI分解计划来控制不可信AI，实验表明在仅观察自然语言指令时，监控恶意活动效果有限，而结合子任务监控则能实现高区分度和安全性。

Comments Accepted to AAAI 2026 Workshop on Trust and Control in Agentic AI (TrustAgent). 6 pages body, 8 pages total, 3 figures

SoMe: A Realistic Benchmark for LLM-based Social Media Agents

SoMe：一种用于基于大语言模型的社会媒体代理的现实基准

Dizhan Xue, Jing Cui, Shengsheng Qian, Chuanrui Hu, Changsheng Xu

AI总结 SoMe是一个用于评估基于大语言模型的社会媒体代理能力的现实基准，通过多样化任务和大量数据揭示了现有LLM在处理社交媒体任务中的局限性。

Comments Accepted by AAAI 2026

Attention as Binding: A Vector-Symbolic Perspective on Transformer Reasoning

注意力作为绑定：一种向量符号视角下的Transformer推理

Sahil Rajesh Dhayalkar

机构 * Sahil Rajesh Dhayalkar（独立研究者） 纠错

AI总结 本文提出将Transformer的注意力机制视为软向量符号计算，通过向量符号架构视角解释其推理行为，并提出改进架构和训练目标以提升逻辑可靠性和可解释性。

Comments 12 pages with references. Submitted to 'Logical and Symbolic Reasoning in Language Models @ AAAI 2026' conference and is under review

Human-Centric Open-Future Task Discovery: Formulation, Benchmark, and Scalable Tree-Based Search

以人为中心的开放未来任务发现： formulation、基准和可扩展的树基搜索

Zijian Song, Xiaoxin Lin, Tao Pu, Zhenlong Yuan, Guangrun Wang, Liang Lin

机构 * Zijian Song 1（Song 研究所） ； Xiaoxin Lin 1（Lin 研究所） ； Tao Pu 1（Pu 研究所） ； Zhenlong Yuan 4（Yuan 研究所） ； Guangrun Wang 1,2,3（Wang 研究所） ； Liang Lin 1,2,3（Lin 研究所） 纠错

AI总结 本研究提出HOTD问题，通过CMAST框架在开放未来任务发现中实现最佳性能，显著超越现有LMMs。

Comments accepted to AAAI 2026, 10 pages, 9 figures

Tab-PET: Graph-Based Positional Encodings for Tabular Transformers

Tab-PET：基于图的表格变压器位置编码

Yunze Leng, Rohan Ghosh, Mehul Motani

AI总结 Tab-PET通过基于图的位置编码提升表格变压器的泛化能力，采用关联和因果两种图估计方法，实验证明在多个数据集上显著提升性能。

Comments Accepted to AAAI-26

Learning 3D Texture-Aware Representations for Parsing Diverse Human Clothing and Body Parts

学习3D纹理感知表示以解析多样化的人类服装和身体部位

Kiran Chhatre, Christopher Peters, Srikrishna Karanam

AI总结 Spectrum通过改进的3D纹理生成模型，实现了对多样化人类服装和身体部位的精细解析与分割。

Comments Association for the Advancement of Artificial Intelligence (AAAI) 2026, 14 pages, 11 figures. Webpage: https://s-pectrum.github.io/

Reasoning or Memorization? Unreliable Results of Reinforcement Learning Due to Data Contamination

推理还是记忆？由于数据污染导致强化学习不可靠的结果

Mingqi Wu, Zhihao Zhang, Qiaole Dong, Zhiheng Xi, Jun Zhao, Senjie Jin, Xiaoran Fan, Yuhao Zhou, Huijie Lv, Ming Zhang, Yanwei Fu, Qin Liu, Songyang Zhang, Qi Zhang

AI总结 本文发现Qwen2.5系列模型易受数据污染影响，通过生成清洁算术问题验证了准确奖励信号对数学推理性能的提升作用

Comments 28 pages, AAAI 2026