AAAI

Intrinsic Self-Correction in LLMs: Towards Explainable Prompting via Mechanistic Interpretability

大语言模型中的内在自我修正：通过机制可解释性实现可解释的提示

Yu-Ting Lee, Fu-Chieh Chang, Yu-En Shu, Hui-Ying Shih, Pei-Yuan Wu

机构 * Graduate Institute of Communication Engineering, National Taiwan University, Taipei, Taiwan（通讯工程研究院，国立台湾大学） ； MediaTek Research, Taipei, Taiwan（联发科研究，台北，台湾） ； Department of Electrical Engineering, National Taiwan University, Taipei, Taiwan（电气工程系，国立台湾大学） ； Department of Electrical Engineering, National Tsing Hua University, Hsinchu, Taiwan（电气工程系，国立清华大学） ； AI Research Center (AINTU), National Taiwan University, Taipei, Taiwan（人工智能研究中心（AINTU），国立台湾大学） 纠错

AI总结 本研究通过机制可解释性揭示大语言模型中内在自我修正的机制，证明提示引导隐藏表示偏移是其核心驱动因素。

Journal ref 4th Deployable AI Workshop at AAAI 2026

End to End Collaborative Synthetic Data Generation

端到端协作合成数据生成

Sikha Pentyala, Geetha Sitaraman, Trae Claar, Martine De Cock

机构 * University of Washington Tacoma（华盛顿大学塔科马分校） 纠错

AI总结 本文提出端到端协作框架，用于隐私保护的合成数据发布，结合隐私保护预处理和评估，通过MPC协议在白血病基因组数据发布中验证其有效性。

Comments Accepted at PPAI Workshop, AAAI 2025

Towards Better Code Understanding in Decoder-Only Models with Contrastive Learning

在解码器-only模型中通过对比学习实现更好的代码理解

Jiayi Lin, Yanlin Wang, Yibiao Yang, Lei Zhang, Yutao Xie

AI总结 本文提出CL4D框架，通过对比学习提升解码器-only模型的代码表示能力，在代码搜索和克隆检测任务中取得优异性能。

Comments AAAI 2026

AudioRAG: A Challenging Benchmark for Audio Reasoning and Information Retrieval

AudioRAG：一个用于音频推理和信息检索的挑战性基准

Jingru Lin, Chen Zhang, Tianrui Wang, Haizhou Li

AI总结 AudioRAG是一个用于评估音频推理和信息检索能力的挑战性基准，通过整合检索增强生成技术，为未来研究提供更强大的基准。

Comments Accepted by Audio-AAAI

MPA: Multimodal Prototype Augmentation for Few-Shot Learning

MPA: 多模态原型增强用于少样本学习

Liwen Wu, Wei Wang, Lei Zhao, Zhan Gao, Qika Lin, Shaowen Yao, Zuozhu Liu, Bin Pu

AI总结 MPA通过多模态原型增强方法，在少样本学习中实现更优性能，通过语义增强、多视图增强和不确定类吸收器提升模型表现。

Comments This paper has been accepted by AAAI 2026

AgentTrace: A Structured Logging Framework for Agent System Observability

AgentTrace: 一种面向智能体系统的结构化日志框架用于可观测性

Adam AlSayyad, Kelvin Yuxiang Huang, Richik Pal

AI总结 AgentTrace是一种面向智能体系统的结构化日志框架，旨在通过动态可观测性和遥测功能提升智能体的安全性和可追溯性。

Comments AAAI 2026 Workshop LaMAS