AAAI

CRISP: Constrained Refinement via Iterative Squeezing Process for Robust Medical Image Segmentation under Domain Shift

CRISP：通过迭代挤压过程进行约束细化，以实现域转移下的稳健医学图像分割

Yizhou Fang, Pujin Cheng, Yixiang Liu, Xiaoying Tang, Longxi Zhou

AI总结 针对医学成像域转移问题，提出CRISP模型无关框架，利用“正区域的秩稳定性”假设，通过潜在特征扰动获取双先验并递归细化，经迭代训练框架提升分割精度，在多中心实验中显著优于现有方法。

Comments X pages, 3 figures, 3 tables; submitted to AAAI 2027

CausalGraphX: A Counterfactual Graph Neural Network Framework for Explainable Systemic Risk Assessment

因果图X：用于可解释系统性风险评估的反事实图神经网络框架

Rabimba Karanjai, Hemanth Madhavarao, Lei Xu, Weidong Shi

机构 * University of Houston（休斯顿大学） ； Kent State University（肯特州立大学） ； PayPal Inc.（贝宝公司） 纠错

AI总结 针对传统风险模型无法捕捉金融网络复杂动态及图神经网络缺乏因果解释的问题，提出因果图X框架，结合图神经网络与反事实推理，能有效评估系统性风险并提供可解释的反事实解释，优于传统和深度学习基线。

Comments Accepted in AAAI'26 Workshop, Agentic AI in Financial Services

TCAM-Diff: Triplane-Aware Cross-Attention Medical Diffusion Model

TCAM-Diff：三平面感知交叉注意力医学扩散模型

Zhenkai Zhang, Krista A. Ehinger, Tom Drummond

AI总结 研究提出TCAM-Diff这一3D医学图像生成模型，采用仅解码器自动编码器方法学习三平面表示，利用三平面感知交叉注意力扩散模型整合特征，经预训练解码器模块转换为3D体素，在多规模医学数据集实验中结果出色，优于其他类似方法。

Comments Accepted at AAAI 2025. Code is available at https://github.com/Fredy-Zhang/TCAM-Diff

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 39(21): 22732-22740, 2025

Optimizing Against Safety Representations: Activation-Guided Adversarial Suffixes and the Geometry of Refusal

针对安全表示的优化：激活引导的对抗后缀与拒绝几何

Ege Çakar, Hannah Guan, Kayden Kehe

AI总结 研究大语言模型安全表示，引入激活引导的对抗后缀攻击方法，如Activation-Guided GCG和Soft-GCG，发现安全表示分布特点，不同规模模型的抗性不同，结果阐明安全机制编码及破解方式，为设计对齐策略提供指导。

Comments Accepted at the AAAI 2026 Summer Symposium Series. This paper was presented at the ICLR Re-Align workshop under a different name, "Accelerating Adversarial Suffix Optimization via Continuous Relaxation and Activation-Guided Objectives"

Principled Analysis of Deep Reinforcement Learning Evaluation and Design Paradigms

深度强化学习评估与设计范式的原则性分析

Ezgi Korkmaz

AI总结 本文聚焦强化学习研究进展关键要素，分析典型评估与设计范式，介绍缩放定律理论基础，通过大规模实验表明相关研究结论有误，为深度强化学习的缩放、能力和复杂性提供核心分析。

Comments Published in AAAI 2026

Two Sides of the Same Coin: Learning the Backdoor to Remove the Backdoor

同一硬币的两面：学习去除后门的后门

Qi Zhao, Christian Wressnegger

机构 * KASTEL Security Research Labs（KASTEL安全研究实验室） ； Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） 纠错

AI总结 研究如何对抗神经后门，提出HARVEY方法，通过学习有毒样本的预言机来去除后门。该方法在识别有毒样本上更准确，能近乎完美地去除后门，在多方面优于相关方法，降低攻击成功率且自然准确率损失小。

Journal ref AAAI 2025

Video-Text Temporal Localization via Multi-Scale Convolution and Dynamic Routing

通过多尺度卷积和动态路由实现下一代网络的语义视频通信

Gengtian Shi, Jinze Yu, Chenhao Wu, Shaofei Wang, Eiji Fukuzawa, Junjie Tang, Hiroshi Onoda, Jiang Liu

机构 * Graduate School of Fundamental Science and Engineering, Waseda University（早稻田大学基础科学与工程研究生院） ； Generative AI Innovation Center, Amazon Web Services（亚马逊网络服务生成人工智能创新中心） ； Amazon（亚马逊） 纠错

AI总结 针对视频流量增长需求，提出语义视频通信框架，用多尺度时间卷积编码器捕捉运动模式，基于胶囊的动态路由机制优化关联，多任务学习统一组件，在实验中取得显著改进。

Comments Accepted at the AAAI 2026 Workshop on AI for Time Series (AI4TS)

Bounded Morality: Defining the Space of Moral Computation

有界道德：定义道德计算的空间

Max Kanwal, Caryn Tran, Patrick Mineault

AI总结 提出有界道德框架，通过道德广度和深度两个维度分析有限智能体的道德计算，揭示伦理理论是适应不同需求的高效策略而非绝对真理。

Comments 24 pages, 2 figures; Proceedings of the AAAI-26 Workshop on Machine Ethics

Constructive Alignment: Governing Preference Dynamics in Human-AI Interaction

建构性对齐：人机交互中的偏好动态治理

Max Kanwal, Caryn Tran

机构 * Stanford University（斯坦福大学） ； Northwestern University（西北大学） 纠错

AI总结 提出建构性对齐范式，将对齐问题重构为控制人类偏好轨迹演化的控制问题，而非静态偏好满足，通过控制论框架确保价值轨迹的连贯性与反思性。

Comments 23 pages, 1 figure; Proceedings of the AAAI-26 Workshop on Machine Ethics

Behavior-Adaptive Conversational Agents: Toward a Fluid Personality Framework

行为自适应对话代理：迈向流动人格框架

Hasibur Rahman, Smit Desai

机构 * Northeastern University（东北大学） 纠错

AI总结 提出流动人格框架，根据任务上下文、用户目标和情境紧迫性，动态调整代理的隐喻角色和人格表达强度，以提升用户信任和体验。

Comments Presented at Bridging AI and Behavior Change, a Bridge Program organized at the AAAI Conference on Artificial Intelligence 2026 (AAAI-2026)

A Differentiable Atari VCS:A Complex, Fully Known Ground Truth for Explainable AI

可微分的Atari VCS：一个复杂且完全已知的可解释AI基准

Andreas Maier, Siming Bayer, Patrick Krauss

机构 * Pattern Recognition Lab, Friedrich-Alexander-University Erlangen-Nuremberg（模式识别实验室，弗里德里希-亚历山大-埃森纳赫大学） ； Mannheim Center for Neuromodulation and Neuroprosthetics, Heidelberg University（曼海姆神经调制与神经假体中心，海德堡大学） 纠错

AI总结 为解决可解释AI缺乏真实内部机理的问题，我们重新实现了Atari 2600 VCS作为两个端到端可微分的模拟器，验证了其与原始硬件的逐位一致性，并展示了基于梯度的XAI可行性。

Comments Submission for AAAI 2027

Contextual Bandits for Maximizing Stimulated Word-of-Mouth Rewards

最大化激励口碑奖励的上下文赌博机

Ahmed Sayeed Faruk, Elena Zheleva

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 提出上下文多臂赌博机框架，通过学习个体溢出概率并排序连接用户，以最大化激励口碑奖励，实验证明考虑溢出异质性可提升目标定位精度。

Comments Presented at the AAAI 2025 Workshop on Bridging the Gap Between AI Planning and Reinforcement Learning (PRL)

DeepRHP: A Hybrid Variational Autoencoder for Designing Random Heteropolymers as Protein Mimics

DeepRHP：一种用于设计随机异聚合物作为蛋白质模拟物的混合变分自编码器

Shuni Li, Zhiyuan Ruan, Andy Shen, Ivan Jayapurna, Ting Xu, Haiyan Huang

机构 * DeepRHP: A Hybrid Variational Autoencoder for Designing Random Heteropolymers as Protein Mimics（DeepRHP：一种用于设计随机杂合聚合物作为蛋白质模拟物的混合变分自编码器） 纠错

AI总结 提出混合变分自编码器DeepRHP，在半监督框架下结合特征VAE与经典VAE，通过潜在空间捕获关键化学特征与序列模式，指导随机异聚合物设计，实验验证其稳定膜蛋白的有效性。

Comments Oral presentation at AAAI 2023 Workshop on AI to Accelerate Science and Engineering