AAAI

SKILLER: Language-Level Reinforcement Learning for Reusable Skill Extraction in Small Language Models

SKILLER：面向小型语言模型可复用技能提取的语言级强化学习框架

Chenhao Dang, Siyuan Xiong, Conghui He, Weijia Li

AI总结 研究针对小型语言模型技能生成成本高的问题，提出SKILLER框架，经实验在多基准上优于现有方法，性能接近闭源模型，可大幅降低智能体技能部署成本。

Comments 15 pages, 6 figures, and 8 tables. Submitted to AAAI 2027. Project and code: https://github.com/DANG-ai/SKILLER

ELMER: Evolutionary Language Model that Explores and Refines

ELMER：探索与优化的进化语言模型

Matthew Siper, Ahmed Khalifa, Julian Togelius

机构 * New York University（纽约大学） ； University of Malta（马耳他大学） 纠错

AI总结 本研究提出进化语言模型 ELMER，通过微调 Qwen3-8B 并结合 oDPO 优化，实现自然语言策略搜索与编译，提升进化搜索效率，证明语言可作为可执行程序空间的可引导搜索表示。

Comments Submitted to AAAI Conference 2026, 8 pages, 6 figures, 1 table

Context and Symmetry in Auditing: A Case Study of Skeleton Inference in Motion Capture

审计中的语境与对称性：以动作捕捉中的骨架推理为例

Emma Harvey, Emanuel Moss, Hauke Sandhaus, Abigail Z. Jacobs, Mona Sloane

AI总结 本文以动作捕捉的骨架推理为案例，提出语境审计方法，结合对称性概念，用于评估AI系统行为与应然表现的契合度，为AI审计提供新思路。

Comments AAAI/ACM Conference on AI, Ethics, and Society (AIES 2026)

The Epistemic Politics of AI Anthropomorphism

AI拟人性的认知政治

Donna M Bye, Levin Kuhlmann

AI总结 本文批判AI拟人性主导框架基于机构优势而非可靠认知权威，指出其对神经多样性等用户的不公，最后提出公平框架的方法论承诺。

Comments 20 pages, 3 figures, 9 tables. Extended version, including supplementary materials, of a paper to appear in the Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society (AIES) 2026

When Interpretability Is Unequally Distributed: Fairness in Hybrid Interpretable Models

当可解释性分配不均：混合可解释模型中的公平性

Ziba Jabbar Zare, Ulrich Aïvodji, Julien Ferry, Thibaut Vidal

机构 * Department of Mechanical, Industrial and Aerospace Engineering, Concordia University（康科迪亚大学机械、工业与航空航天工程系） 纠错

AI总结 针对混合可解释模型将不同群体不均地分配给可解释组件与黑箱组件的问题，提出可解释性覆盖差异（ICD）度量，并通过约束缓解不公平性。

Comments This work has been accepted for publication at the 2026 AAAI/ACM Conference on AI, Ethics, and Society (AIES)

HyWA: Architecture-Preserving Personalized Voice Activity Detection for Full-Duplex Voice Assistants

HyWA: 基于超网络的个性化语音活动检测权重适应

Hamed Jafarzadeh Asl, Amin Edraki, Mahsa Ghazvini Nejad, Masoud Asgharian, Mohammadreza Sadeghi, Yuanhao Yu, Vahid Partovi Nia

机构 * Huawei Noah’s Ark Lab（华为诺亚实验室） ； McGill University（麦吉尔大学） 纠错

AI总结 HyWA通过超网络为VAD模型的选定层生成个性化权重，提升个性化语音活动检测的性能和部署效率。

Comments Submitted to AAAI/IAAI 2027. Hamed, Amin, and Mahsa contributed equally to this work