AAAI

From Classification to Ranking: Enhancing LLM Reasoning Capabilities for MBTI Personality Detection

从分类到排序：提升LLM推理能力以进行MBTI性格检测

Yuan Cao, Feixiang Liu, Xinyue Wang, Yihan Zhu, Hui Xu, Zheng Wang, Qiang Qiu

AI总结 本文提出将性格检测视为排序任务，通过改进的强化学习方法提升LLM在MBTI性格检测中的推理能力。

Comments 9 pages, 4 figures, AAAI 2026 Bridge

Enhancing Control Policy Smoothness by Aligning Actions with Predictions from Preceding States

通过与前一状态预测对齐来增强控制策略的平滑性

Kyoleen Kwak, Hyoseok Hwang

AI总结 本文提出ASAP方法，通过与前一状态预测对齐来增强控制策略的平滑性，有效抑制动作振荡并提升策略性能。

Comments Accepted at AAAI-26. 7 pages (excluding references), 3 figures

Exploring the Effects of Alignment on Numerical Bias in Large Language Models

探索对大型语言模型中数值偏差的影响

Ayako Sato, Hwichan Kim, Zhousi Chen, Masato Mita, Mamoru Komachi

机构 * Tokyo Metropolitan University（东京 Metropolitan 大学） ； Hitotsubashi University（立命馆大学） ； CyberAgent Inc.（CyberAgent 公司） 纠错

AI总结 本文研究了对齐对大型语言模型数值偏差的影响，发现对齐会增加偏差，并提出分数范围调整作为缓解策略。

Comments Accepted at AIBSD 2026 (Workshop at AAAI 2026)

Induce, Align, Predict: Zero-Shot Stance Detection via Cognitive Inductive Reasoning

诱导、对齐、预测：通过认知归纳推理实现零样本立场检测

Bowen Zhang, Jun Ma, Fuqiang Niu, Li Dong, Jinzhou Cao, Genan Dai

AI总结 本文提出CIRF框架，通过认知归纳推理实现零样本立场检测，实现高效且可解释的推理，在低资源环境下取得新突破。

Comments Accepted at AAAI 2026

Distances Between Top-Truncated Elections of Different Sizes

不同规模顶部截断选举之间的距离

Piotr Faliszewski, Jitka Mertlová, Pierre Nunn, Stanisław Szufa, Tomasz Wąs

AI总结 本文提出了一种扩展选举地图框架的方法，用于分析不同规模顶部截断选举之间的距离，并展示了Preflib数据库的可视化结果。

Comments 24 pages, 13 figures, AAAI 2025 Conference

Do Reasoning Models Ask Better Questions? A Formal Information-Theoretic Analysis on Multi-Turn LLM Games

推理模型会提出更好的问题吗？多轮LLM游戏中的信息论分析

Daniel M. Pedrozo, Telma W. de L. Soares, Bryan L. M. de Oliveira

AI总结 本文提出多轮对话框架，通过信息增益评估LLM在地理游戏中提问效率，发现具有推理能力的模型在部分可观察环境下表现更优。

Comments Presented at the NeusymBridge Workshop at AAAI 2026

Learning to Collaborate: An Orchestrated-Decentralized Framework for Peer-to-Peer LLM Federation

学习协作：一种协同-去中心化框架用于点对点大语言模型联邦

Inderjeet Singh, Eleonore Vissol-Gaudin, Andikan Otung, Motoyoshi Sekiya

AI总结 KNEXA-FL通过协同去中心化框架提升点对点大语言模型联邦学习的效率与稳定性

Comments Accepted to AAAI 2026. 13 pages, 3 figures, 10 tables. Code available at: https://github.com/FujitsuResearch/knexa-fl

EEG-DLite: Dataset Distillation for Efficient Large EEG Model Training

EEG-DLite: 用于高效大规模EEG模型训练的数据蒸馏

Yuting Tang, Weibang Jiang, Shanglin Li, Yong Li, Chenyu Liu, Xinliang Zhou, Yi Ding, Cuntai Guan

AI总结 EEG-DLite通过数据蒸馏技术提升大规模EEG模型训练效率，实现高效且有效的生理基础建模。

Comments Accepted by AAAI-2026

MoSE: Hierarchical Self-Distillation Enhances Early Layer Embeddings

MoSE：分层自蒸馏增强早期层嵌入

Andrea Gurioli, Federico Pennino, João Monteiro, Maurizio Gabbrielli

机构 * Apple（苹果公司） 纠错

AI总结 MoSE通过自蒸馏机制增强早期层嵌入，实现代码检索与分类任务中的性能与准确性的平衡。

Comments Accepted in the AAAI 2026 Main Technical Track

The Triangle of Similarity: A Multi-Faceted Framework for Comparing Neural Network Representations

相似性的三角形：一种多维框架用于比较神经网络表示

Olha Sirikova, Alvin Chan

AI总结 本文提出相似性三角形框架，通过静态、功能和稀疏性三个视角比较神经网络表示，揭示架构对表示相似性的影响及剪枝对模型核心的影响。

Comments Accepted to AAAI 2026 Workshop on AI for Scientific Research (AI4Research)