AAAI

TextGround4M: A Prompt-Aligned Dataset for Layout-Aware Text Rendering

TextGround4M：一种对齐提示的布局感知文本渲染数据集

Dongxing Mao, Yilin Wang, Linjie Li, Zhengyuan Yang, Alex Jinpeng Wang

机构 * Central South University（中南大学） ； Zhejiang University（浙江大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出TextGround4M数据集，通过细粒度布局监督提升文本生成的准确性，引入轻量训练策略和布局评估指标，验证了布局感知在文本到图像生成中的重要性。

Comments aaai poster; Project page: https://dongxingmao.github.io/TextGround4M.github.io/

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, vol. 40, no. 10, pp. 7918-7926, Mar. 2026

Approximation Algorithm for Constrained $k$-Center Clustering: A Local Search Approach

受限k-中心聚类的近似算法：一种局部搜索方法

Chaoqi Jia, Longkun Guo, Kewen Liao, Zhigang Lu, Chao Chen, Jason Xue

机构 * School of Accounting, Information Systems and Supply Chain, RMIT University（会计、信息系统与供应链学院，皇家墨尔本理工大学） ； School of Mathematics and Statistics, Fuzhou University（数学与统计学院，福州大学） ； School of Integrated Circuits, Guangdong University of Technology（集成电路学院，广东省技术大学） ； School of Information Technology, Deakin University（信息技术学院，德金大学） ； Western Sydney University（西澳大学） ； CSIRO’s Data61 and Responsible AI Research (RAIR) Centre, Adelaide University（CSIRO的数据61和负责任的人工智能研究（RAIR）中心，阿德莱德大学） 纠错

AI总结 本文提出基于支配匹配集转换的局部搜索框架，解决受限k-中心聚类问题，实现最佳近似比2，实验表明算法在真实和合成数据集上优于基线方法。

Comments AAAI-26

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence 2026

OTI: A Model-free and Visually Interpretable Measure of Image Attackability

OTI: 一种无需模型且具有视觉解释性的图像攻击性度量方法

Jiaming Liang, Haowei Liu, Chi-Man Pun

机构 * Faculty of Science and Technology, University of Macau（澳门大学科技学院） ； Chongqing Key Laboratory of Image Cognition, Chongqing University of Posts and Telecommunications（重庆邮电大学图像认知重点实验室） 纠错

AI总结 本文提出OTI，一种无需模型且具有视觉解释性的图像攻击性度量方法，通过测量图像语义对象的纹理强度来评估图像攻击性，具有高效且可解释的优势。

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(9), 6826-6834, 2026

Quantifying Divergence in Inter-LLM Communication Through API Retrieval and Ranking

通过API检索和排序量化跨LLM通信中的分歧

Eyhab Al-Masri

机构 * School of Engineering and Technology（工程与技术学院） 纠错

AI总结 本文提出一个统一的基准框架，量化在相同任务下不同LLM在API发现和排序上的差异。研究发现结构化任务稳定性较高，而开放性任务分歧显著，结果为多代理系统中可靠性感知的协调提供了依据。

Comments AAAI 2026 Conference (LAMAS Workshop)

Beyond Static: Related Questions Retrieval Through Conversations in Community Question Answering

超越静态：通过对话进行社区问答中的相关问题检索

Xiao Ao, Jie Zou, Yibiao Wei, Peng Wang, Weikang Guo

机构 * School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； School of Management Science and Engineering, Southwestern University of Finance and Economics（西南财经大学管理科学与工程学院） 纠错

AI总结 本文提出TeCQR模型，通过对话方式提升社区问答中相关问题检索性能，利用标签增强澄清问题和噪声容忍模型，有效处理噪声反馈并优化问题表示。

Comments 9 pages. Accepted at AAAI 2026

Early Warning of Intraoperative Adverse Events via Transformer-Driven Multi-Label Learning

术中不良事件早期预警的Transformer驱动多标签学习

Xueyao Wang, Xiuding Cai, Honglin Shang, Yaoyao Zhu, Yu Yao

机构 * Chengdu Institute of Computer Application, Chinese Academy of Sciences（中国科学院成都计算机应用研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； China Zhenhua Research Institute Co., Ltd.（中国振华研究院有限公司） 纠错

AI总结 本文提出IAENet框架，结合改进的TAFiLM模块和Label-Constrained Reweighting Loss，有效解决术中不良事件预测中的依赖性、数据异质性和类别不平衡问题，实验表明在不同时间窗口下均优于基线模型。

Comments Accepted by AAAI 2026

Group Orthogonal Low-Rank Adaptation for RGB-T Tracking

组正交低秩适应用于RGB-T跟踪

Zekai Shao, Yufan Hu, Jingyuan Liu, Bin Fan, Hongmin Liu

机构 * MelanTech 纠错

AI总结 本文提出GOLA框架，通过结构化参数学习减少低秩适应中的冗余，提升RGB-T跟踪的特征表示能力，实验表明其在四个基准数据集上优于现有方法。

Comments 13 pages, 8 figures. Accepted by AAAI 2026. Extended version

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 40. No. 11. 2026

Motion-aware Contrastive Learning for Temporal Panoptic Scene Graph Generation

面向时间的对比学习用于时序全景场景图生成

Thong Thanh Nguyen, Xiaobao Wu, Yi Bin, Cong-Duy T Nguyen, See-Kiong Ng, Anh Tuan Luu

机构 * Institute of Data Science (IDS)（数据科学研究所） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University (NTU)（南洋理工大学） ； Tongji University（同济大学） 纠错

AI总结 本文提出一种面向时间的对比学习框架，通过学习运动模式提升时序全景场景图生成的性能，实验表明在视频和4D数据集上优于现有方法。

Comments Accepted at AAAI 2025

Multi-Scale Contrastive Learning for Video Temporal Grounding

多尺度对比学习用于视频时间定位

Thong Thanh Nguyen, Yi Bin, Xiaobao Wu, Zhiyuan Hu, Cong-Duy T Nguyen, See-Kiong Ng, Anh Tuan Luu

机构 * Institute of Data Science (IDS), National University of Singapore（数据科学研究所（IDS），新加坡国立大学） ； Tongji University（同济大学） ； Nanyang Technological University (NTU)（南洋理工大学） 纠错

AI总结 本文提出多尺度对比学习框架，通过多阶段视频编码器生成样本，无需数据增强或在线记忆库，提升视频时间定位的语义表达。

Comments Accepted at AAAI 2025

Trading Convergence Rate with Computational Budget in High Dimensional Bayesian Optimization

在高维贝叶斯优化中以计算预算换取收敛速度

Hung Tran-The, Sunil Gupta, Santu Rana, Svetha Venkatesh

机构 * Applied Artificial Intelligence Institute（应用人工智能研究所） ； Deakin University（迪金大学） 纠错

AI总结 本文提出一种无需假设函数低维结构的高维贝叶斯优化方法，通过在低维子空间上最大化获取函数以提高计算效率，其累积遗憾增长亚线性，且能通过调整子空间数量来平衡收敛速度与计算成本。

Comments Our accepted paper (with Supplementary Material) at AAAI 2020