AAAI

Neural Message Passing on Structural Interaction Graphs for Fully-Inductive Graph Neural Networks

面向全归纳图神经网络的结构交互图上的神经消息传递

Omer Yom-Tov, Avigdor Gal

AI总结 该研究提出SIGIL框架，通过结构交互图和关系消息传递网络实现图特征的统一表示，可用于全归纳链接预测，还能统一多种图基础模型设计范式。

Comments 7 pages, 1 figure in the main body. 12 pages, 5 figures in appendix. Submitted to AAAI 2027 (main track) and currently under review

Do Judges Behave Like Algorithms?

法官的行为是否类似算法？

Riya Manchanda, Eric Chen, Chloe Zhu, Cynthia Rudin, Brandon Garrett, Songman Kang

AI总结 本研究以哈里斯县轻罪保释听证会为对象，通过训练机器学习模型分析法官决策，发现法官整体呈算法式行为但存在差异，识别算法无法解释的决策可完善司法系统。

Comments Accepted at the Ninth AAAI/ACM Conference on AI, Ethics, and Society (AIES 2026)

Causal State-Space Model for Causal Inference: Estimating Longitudinal Individual Treatment Effects

用于因果推断的因果状态空间模型：估计纵向个体处理效应

Abisoye Abidakun, Mingjun Zhong, Georgios Leontidis

AI总结 该研究针对纵向观察数据反事实估计的互信息冲突，提出CSSD和CSSPD两个因果状态空间模型，在MIMIC-III及癌症模拟数据集上均优于基线模型，为因果推断提供了新方案。

Comments Submitted to AAAI 2027. 13 pages, 5 tables, appendices A-E

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

Studying People to Study AI: Expert Perspectives on the Epistemic Fit and Barriers of Human Research in AI Safety & Ethics

研究人以研究AI：关于人类研究在AI安全与伦理中的认知适配性及障碍的专家观点

Jessica Y. Bo, Paula Akemi Aoyagui, Shalaleh Rismani, Dipto Das, Syed Ishtiaque Ahmed, Ashton Anderson

AI总结 本研究通过对93名AI安全与伦理领域专家的调查及17名专家的访谈，分析了人类研究在AI安全与伦理领域的认知适配性与障碍，并提出相关建议以避免流于形式的“人类洗白”。

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

Epistemic Trustworthiness in Generative AI: A Normative Framework for Warranted Reliance in High-Stakes Workflows

生成式AI中的认知可信赖性：高风险工作流程中合理依赖的规范框架

Nimisha Karnatak, Max Van Kleek, Nigel Shadbolt

AI总结 本文针对生成式AI在高风险场景的合理依赖问题，提出含认知谦逊、认知可及性、抗认知不公三条件的规范框架，通过案例分析指出现有标准的不足，为GenAI设计评估提供新方向。

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

Can LLMs Rank? A Tale of Triads and Triage

LLM能排序吗？三元组与分诊的故事

Gaurab Pokharel, Shafkat Farabi, Patrick J. Fowler, Sanmay Das

机构 * Virginia Tech（弗吉尼亚理工大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） 纠错

AI总结 研究LLM作为排序裁判的可靠性，提出用循环三元组计数和排序距离度量一致性，并在无家可归者住房分配和急诊分诊任务中验证。

Comments Accepted to the Ninth AAAI/ACM Conference on AI, Ethics, and Society (AIES 2026)

LAUDE: LLM-Assisted Unit Test Generation and Debugging of Hardware DEsigns

LAUDE: 基于LLM的硬件设计单元测试生成与调试

Deeksha Nandal, Riccardo Revalor, Soham Dan, Debjit Pal

机构 * Dept. of Electrical and Computer Engineering, University of Illinois Chicago（伊利诺伊大学芝加哥分校电子与计算机工程系） ； Microsoft（微软公司） 纠错

AI总结 LAUDE利用大语言模型能力，实现硬件设计的单元测试生成与调试，有效检测和修复设计中的错误。

Comments 11 Pages, 9 Figures, 9 Tables Submitted to AAAI 2027

Simulating Dispute Mediation with LLM-Based Agents for Legal Research

基于大语言模型智能体的争议调解模拟：面向法律研究

Junjie Chen, Haitao Li, Minghao Qin, Yujia Zhou, Yanxue Ren, Wuyue Wang, Yiqun Liu, Yueyue Wu, Qingyao Ai

AI总结 研究针对法律争议调解实证研究的局限，提出首个基于LLM的AgentMediation框架模拟争议调解，通过可控实验发现符合社会学理论的模式，为社科与AI在法律研究的融合提供平台。

Comments AAAI 2026

On Seeding Watermarks to Detect Verbatim LLM Copy-Paste Responses

检测作业中的直接LLM复制粘贴

Aizierjiang Aiersilan, Artin Yousefi, Robert Pless

机构 * The George Washington University（乔治·华盛顿大学） 纠错

AI总结 本文提出SteganoPrompt工具，通过在作业提示中嵌入隐形指令，使LLM在响应时生成特征签名，帮助教师检测学生直接复制粘贴模型回复的行为。

Comments We are pleased to announce that this paper has been accepted by the 9th AAAI/ACM Conference on AI, Ethics, and Society (AIES 2026). We appreciate the valuable feedback from the reviewers and look forward to sharing our findings with the community

Judge a Book by its Cover: Investigating Multi-Modal LLMs for Multi-Page Handwritten Document Transcription

通过封面判断书籍：调查多模态大语言模型用于多页手写文档转录

Benjamin Gutteridge, Matthew Thomas Jackson, Toni Kukurin, Xiaowen Dong

机构 * University of Oxford（牛津大学） ； QuantCo 纠错

AI总结 本文研究多模态大语言模型在多页手写文档转录中的应用，提出OCR+PAGE-1和OCR+PAGE-N策略，通过共享页面内容提升转录效果。

Comments 10 pages (36 including references and appendices), 11 figures, accepted at COLM 2026, earlier version accepted at AAAI 2025 Workshop on Document Understanding and Intelligence

MemSIF: From Structured Interactions to Dual-Track Fact Memory for LLM Agents

MemSIF：从结构化交互到面向大语言模型智能体的双轨事实记忆

YuFei Luo, Xiucheng Xu, Zhen Yang

AI总结 该研究针对大语言模型智能体的长期记忆问题，提出MemSIF框架，通过结构化交互记忆与双轨事实记忆缓解两种错位模式，在两个数据集上的五种主干模型中均取得最高总准确率。

Comments Submitted to AAAI 2027. 19 pages, 10 figures, 18 tables

Tree of Thoughts as a Classical Heuristic Search Problem: Formal Foundations and Design Patterns

思维树作为经典启发式搜索问题：形式化基础与设计模式

Guni Sharon

机构 * Guni Sharon 纠错

AI总结 本文通过经典启发式搜索术语统一分类法，将基于LLM的推理映射到搜索组件，并识别出系统搜索和前瞻性策略两种设计模式。

Comments Extended version of the SoCS 2026 paper. Includes appendices omitted from the proceedings version

Journal ref Proceedings of the Nineteenth International Symposium on Combinatorial Search (SoCS 2026), AAAI Press, 2026

Communication-Enhanced Tutoring for Efficient Decentralized Multi-Agent Reinforcement Learning

MACTAS: 基于自注意力的多智能体强化学习中智能体间通信方法 with 动作-价值函数分解

Maciej Wojtala, Bogusz Stefańczyk, Dominik Bogucki, Łukasz Lepak, Paweł Wawrzyński

机构 * University of Warsaw（华沙大学） ； IDEAS Research Institute（IDEAS研究机构） ； Institute of Fundamental Technological Research, Polish Academy of Sciences（波兰科学院基础技术研究所） ； IDEAS NCBR ； Warsaw University of Technology（华沙技术大学） 纠错

AI总结 MACTAS通过自注意力机制实现多智能体强化学习中的智能体间通信，结合动作-价值函数分解，提供可微通信方法，实现大规模系统的高效训练与高性能表现。

Comments Submitted for AAAI 2027

FinRpt: Dataset, Evaluation System and LLM-based Multi-agent Framework for Equity Research Report Generation

FinRpt：用于权益研究报告生成的数据集、评估系统及基于大语言模型的多智能体框架

Song Jin, Shuqi Li, Shukun Zhang, Rui Yan

AI总结 本文首次明确权益研究报告生成任务，推出含数据集、评估系统的FinRpt基准，提出多智能体框架FinRpt-Gen，实验验证其有效性，相关代码与数据集公开。

Comments AAAI 2026

LLM-OSDA: An Optimal-Stopping Dynamic Auction for Native Advertising in Multi-Turn LLM Conversations

LLM-OSDA：多轮大语言模型对话中原生广告的最优停止动态拍卖机制

Yan Fang, Jialin Chen, Chun Gan, Hang Yu, Mingjun Nie, Yeyu Zhang, Fengxiang He, Ching Law

AI总结 针对多轮LLM对话中原生广告的时机与分配耦合问题，提出LLM-OSDA动态拍卖机制，结合贝尔曼最优停止等，在模拟实验中使净收益提升11%且用户留存相当。

Comments 14 pages, 7 figures. Submitted to the 41st AAAI Conference on Artificial Intelligence (AAAI 2027)

Design Theater: Evaluating the Gap Between User-Facing Design Reasoning and Implementation in Generative UI Tools

设计剧场：生成式用户界面的一个基准

Kashif Imteyaz, Kaif Imteyaz, Nakul Rajpal, Kaif Shaikh, Michael Muller, Saiph Savage

机构 * Vercel（Vercel公司） ； Claude Artifacts（Claude Artifacts公司） ； ChatGPT Canvas（ChatGPT Canvas公司） ； Firebase Studio（Firebase Studio公司） ； Bolt（Bolt公司） ； Anthropic（Anthropic公司） ； OpenAI（OpenAI公司） ； Google（谷歌公司） ； StackBlitz（StackBlitz公司） 纠错

AI总结 研究生成式UI工具中设计原理与实际界面的脱节现象（设计剧场），引入含24个任务的基准及指标，评估五个工具创建的120个界面，发现原理实现率低、工具识别原则有限，贡献概念、基准及评估结果。

Comments Accepted at AAAI/AIES

AI From the Margins (AIM): Rethinking Participatory AI Design Through the Lived Experience of Minoritized Communities

边缘AI（AIM）：通过少数群体生活经验重新思考参与式AI设计

Tijs Portegies, Laureanne Willems, Maaike Harbers, Giovanni Sileno, Roland van Dierendonck, Mayesha Tasnim, Lotte Willemsen, Sennay Ghebreab

机构 * Utrecht University（乌特勒支大学） ； University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 提出AIM方法论，通过叙事启发、共同规则制定等步骤，将少数群体的生活经验融入参与式AI设计，并在荷兰医疗场景中验证其有效性。

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

TANDEM: Temporal-Aware Neural Detection for Multimodal Hate Speech

TANDEM: 面向多模态仇恨言论的时间感知神经检测

Girish A. Koushik, Helen Treharne, Diptesh Kanojia

机构 * Nature-Inspired Computing & Engineering, University of Surrey（Surrey大学自然启发计算与工程系） ； Surrey Centre for Cyber Security, University of Surrey（Surrey大学网络安全中心） 纠错

AI总结 提出TANDEM统一框架，通过串联强化学习策略联合优化视觉-语言和音频-语言模型，将音频-视觉仇恨检测转化为结构化推理问题，在HateMM上目标识别F1达0.73（提升30%），并保持精确时间定位。

Comments Accepted to AAAI-ICWSM 2027

Breaking the Stealth-Potency Trade-off in Clean-Image Backdoors with Generative Trigger Optimization

利用生成式触发器优化打破干净图像后门的隐蔽性-有效性权衡

Binyan Xu, Fan Yang, Di Tang, Xilin Dai, Kehuan Zhang

AI总结 该研究提出生成式干净图像后门框架GCB，利用条件InfoGAN优化触发器，仅需极小投毒示例即可实现攻击，CA下降不到1%，适配多类数据集、架构与任务，且能抵御多数后门防御。

Comments 19 pages, 22 figures, 15 tables. To appear in AAAI '26 (Oral). This paper extends the AAAI-2026 version by including the Appendix

ASCD: Attention-Steerable Contrastive Decoding for Reducing Hallucination in MLLM

ASCD：用于减少多模态大语言模型（MLLM）幻觉的注意力可导向对比解码

Yujun Wang, Aniri, Jinhe Bi, Soeren Pirk, Yunpu Ma

AI总结 该研究针对MLLM的幻觉问题，提出ASCD方法，通过正负引导调整解码时的注意力分数，在多基准上显著减少幻觉并提升VQA准确率，且无需额外训练。

Comments Accepted at AAAI 2026

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(12): 10306-10314, 2026

AlphaCrafter: Harnessing Multi-Agent Workflows for Cross-Sectional Quantitative Trading

AlphaCrafter：一个跨截面量化交易的全栈多智能体框架

Yishuo Yuan, Jiayi Sheng, Sirui Zeng, Jiaqi Wang, Jiaheng Liu

机构 * Nanjing University（南京大学） 纠错

AI总结 AlphaCrafter通过连续适应的因子到执行管道，整合因子发现、制度适应选择和风险约束执行，实现跨截面量化交易的鲁棒性能。

Comments Submitted to AAAI 2027

Localizing Persona Representations in LLMs

在大语言模型中定位角色表示

Celia Cintas, Miriam Rateike, Erik Miehling, Elizabeth Daly, Skyler Speakman

机构 * IBM Research Africa（IBM非洲研究院） ； IBM Research Europe（IBM欧洲研究院） 纠错

AI总结 研究大语言模型中角色表示的编码位置与方式，运用降维和模式识别方法，发现角色表示差异在解码器层最后三分之一内，特定伦理观点有重叠激活，政治意识形态区域不同，有助于理解LLM信息表示及改进输出调制。

Comments Corrected small naming inconsistencies for Level 0, 1, and 2 analysis

Journal ref Proceedings of the AAAI ACM Conference on AI, Ethics, and Society, 8(1), 630-642, 2025

From Who They Are to How They Act: Behavioral Traits in Generative Agent-Based Models of Social Media

从他们是谁到他们如何行动：生成式基于代理的社会媒体模型中的行为特征

Valerio La Gatta, Gian Marco Orlando, Marco Perillo, Ferdinando Tammaro, Vincenzo Moscato

AI总结 本文提出通过行为特征显式表征代理行为，以生成更真实的社交媒体参与模式和内容传播动态。

Comments Accepted at The International AAAI Conference on Web and Social Media (ICWSM) 2027

Drive As You Like: Multi-Head Diffusion with Reinforcement Learning for Personalized Driving

随心所欲驾驶：基于强化学习的多头部扩散个性化驾驶

Fan Ding, Xuewen Luo, Fucai Ke, Hwa Hui Tew, Susilawati Susilawati, Vishnu Monn Baskaran, Junn Yong Loo

机构 * School of Information Technology, Monash University Malaysia（墨尔本大学马来西亚分校信息科技学院） ； Southwest University, China（西南大学） 纠错

AI总结 研究旨在解决自动驾驶规划器忽视人类驾驶行为多样性及难以理解用户意图的问题。提出基于强化学习的多策略框架，集成多头部扩散规划器与语义理解，采用两阶段训练范式。实验表明该方法在nuPlan基准测试中性能良好，能满足实时规划并对齐用户意图。

Comments Has been submitted to AAAI 2026

A Sheaf-Theoretic and Topological Perspective on Complex Network Modeling and Attention Mechanisms in Graph Neural Models

图神经模型中复杂网络建模与注意力机制的层论与拓扑视角

Chuan-Shen Hu

机构 * National Central University（国立中央大学） 纠错

AI总结 提出细胞层论框架分析图神经网络中节点特征与边权重的局部一致性与调和性，并引入基于拓扑数据分析的多尺度扩展以捕获层次特征交互。

Comments Accepted as a poster at the AAAI 2026 Workshop on Mathematical Foundations of AI (MATH4AI)

MVGD-Net: A Novel Motion-aware Video Glass Surface Detection Method

MVGD-Net: 一种新颖的运动感知视频玻璃表面检测网络

Yiwei Lu, Hao Huang, Tao Yan

机构 * Tao Yan（谭燕） 纠错

AI总结 MVGD-Net通过利用视频中运动不一致特性，提出新颖网络检测玻璃表面，结合多模块融合与大规模数据集提升检测性能。

Comments This paper has been accepted by the 40th AAAI Conference on Artificial Intelligence (AAAI-26). It contians 9 pages, 11 figures

Feature-Space Bayesian Adversarial Learning Improved Malware Detector Robustness

特征空间贝叶斯对抗学习改进恶意软件检测器的鲁棒性

Bao Gia Doan, Shuiqiao Yang, Paul Montague, Olivier De Vel, Tamas Abraham, Seyit Camtepe, Salil S. Kanhere, Ehsan Abbasnejad, Damith C. Ranasinghe

AI总结 研究提出在特征空间进行对抗学习训练鲁棒恶意软件检测器的算法，通过证明问题空间受扰恶意软件在特征空间投影是对抗样本子集，制定贝叶斯对抗学习目标，实现对问题空间对抗样本的鲁棒性，对抗训练的BNN达最先进水平。

Comments Accepted to AAAI 2023 conference