AAAI

GPTKB v1.5: A Massive Knowledge Base for Exploring Factual LLM Knowledge

GPTKB v1.5：用于探索事实性LLM知识的大规模知识库

Yujia Hu, Tuan-Phong Nguyen, Shrestha Ghosh, Moritz Müller, Simon Razniewski

机构 * ScaDS.AI Dresden/Leipzig & TU Dresden, Germany（德国德累斯顿/莱比锡ScaDS.AI & 德累斯顿工业大学） ； VNU University of Engineering and Technology, Hanoi, Vietnam（越南河内国立大学工程与技术大学） 纠错

AI总结 提出GPTKB v1.5，一个通过GPT-4.1构建的1亿三元组知识库，支持链接遍历、SPARQL查询和LLM知识优劣比较，用于系统分析LLM知识。

Comments 3 pages, 1 figure, 1 table

Journal ref AAAI 2026: Demo track

Coupling-based Convergence Diagnostic and Stepsize Scheme for Stochastic Gradient Descent

基于耦合的收敛诊断与步长方案用于随机梯度下降

Xiang Li, Qiaomin Xie

AI总结 本文研究了固定步长下随机梯度下降的收敛诊断，提出一种基于耦合的动态步长方案，通过监测耦合迭代距离检测平稳性，实现更高效的收敛性能。

Comments 13 pages, 30 figures, to be published in AAAI 2025

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 39(17):18494-18501, 2025

BOFA: Bridge-Layer Orthogonal Low-Rank Fusion for CLIP-Based Class-Incremental Learning

BOFA: 基于CLIP的类增量学习中的桥接层正交低秩融合

Lan Li, Tao Hu, Da-Wei Zhou, Jia-Qi Yang, Han-Jia Ye, De-Chuan Zhan

AI总结 提出BOFA框架，通过将适应限制在CLIP的跨模态桥接层并使用正交低秩融合防止遗忘，无需额外参数或数据回放，实现高效类增量学习。

Comments Accepted by AAAI 2026

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(27): 22967-22975, 2026

I2E: Real-Time Image-to-Event Conversion for High-Performance Spiking Neural Networks

I2E: 实时图像到事件转换用于高性能脉冲神经网络

Ruichen Ma, Liwei Meng, Guanchao Qiao, Ning Ning, Yang Liu, Shaogang Hu

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（电子科技大学深圳先进研究院） 纠错

AI总结 本文提出I2E框架，通过高效卷积模拟微眼动实现图像到事件流的快速转换，提升SNN训练效率，并在大规模基准上验证有效性，达到92.5%的准确率。

Comments AAAI-26 Oral

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 2026, Vol. 40, No. 3, pp. 1982-1990

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

Non-Contextual Modeling of Sarcasm using a Neural Network Benchmark

利用神经网络基准非上下文建模讽刺

Nelu Radpour, Vinay Ashokkumar

AI总结 本文提出利用神经网络训练的新型概率模型，用于识别和学习讽刺文本的特征，以建立敏感于讽刺文本细微差别的情感分析框架。

Comments 2 tables, 2 figures, 7 pages, in AAAI Fall Symposium Series - Symposium on Natural Communication for Human-Robot Collaboration

Bid Farewell to Seesaw: Towards Accurate Long-tail Session-based Recommendation via Dual Constraints of Hybrid Intents

告别跷跷板：通过混合意图的双重约束实现准确的长期会话推荐

Xiao Wang, Ke Qin, Dongyang Zhang, Xiurui Xie, Shuang Liang

机构 * University of Electronic Science and Technology of China（电子科技大学） 纠错

AI总结 针对会话推荐中长尾分布导致准确性与多样性冲突的跷跷板问题，提出混合意图双重约束框架HID，通过属性感知谱聚类重构意图映射并区分噪声意图，结合多样性与准确性约束损失，实现长尾与准确性的双赢。

Comments accepted by AAAI 2026 Oral

ShoppingBench: A Real-World Intent-Grounded Shopping Benchmark for LLM-based Agents

ShoppingBench：面向LLM智能体的真实世界意图导向购物基准

Jiangyuan Wang, Kejun Xiao, Qi Sun, Huaipeng Zhao, Tao Luo, Jian Dong Zhang, Xiaoyi Zeng

机构 * Alibaba International Digital Commercial Group（阿里巴巴国际数字商业集团） 纠错

AI总结 提出ShoppingBench基准，包含多层级真实购物意图任务，通过模拟环境和250万商品评估LLM智能体，发现GPT-4.1成功率低于50%，并提出轨迹蒸馏策略提升小模型性能。

Comments Accepted for oral presentation at AAAI 2026

SIGMA: Search-Augmented On-Demand Knowledge Integration for Agentic Mathematical Reasoning

SIGMA: 搜索增强的按需知识集成用于智能体数学推理

Ali Asgarov, Umid Suleymanov, Aadyant Khatri

AI总结 提出SIGMA框架，通过多智能体独立推理、定向搜索和协调机制，实现上下文敏感的知识集成，在MATH500等基准上提升7.4%的绝对性能。

Comments AAAI 2026 LMReasoning

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)

Truth, Justice, and Secrecy: Cake Cutting Under Privacy Constraints

真理、公正与保密：隐私约束下的蛋糕分割

Yaron Salman, Tamir Tassa, Omer Lev, Roie Zivan

AI总结 本文提出首个隐私保护的蛋糕分割协议，在保证无嫉妒和策略证明性的同时，通过密码学技术保护代理的偏好隐私。

Comments This is the full version of our paper published in the Proceedings of AAAI 2026

Optimizing Health Coverage in Ethiopia: A Learning-augmented Approach and Persistent Proportionality Under an Online Budget

优化埃塞俄比亚的健康覆盖：一种学习增强的方法与在线预算下的持续比例性

Davin Choo, Yohai Trabelsi, Fentabil Getnet, Samson Warkaye Lamma, Wondesen Nigatu, Kasahun Sime, Lisa Matay, Milind Tambe, Stéphane Verguet

机构 * John A. Paulson School of Engineering and Applied Sciences（约翰·A·保罗森工程与应用科学学院） ； Harvard University（哈佛大学） ； National Data Management and Analytics Center for Health（健康国家数据管理与分析中心） ； Ethiopian Public Health Institute（埃塞俄比亚公共卫生研究所） ； Ministry of Health, Ethiopia（埃塞俄比亚卫生部） ； Department of Global Health and Population（全球卫生与人口部门） ； Harvard T.H. Chan School of Public Health（哈佛T.H. Chan公共卫生学院） 纠错

AI总结 针对埃塞俄比亚卫生系统强化中的预算不确定性和区域比例目标，提出基于学习增强和贪心算法的顺序设施规划框架，最大化人口覆盖。

Comments Published in the AISI track at AAAI 2026

Interpolated stochastic interventions based on propensity scores, target policies and treatment-specific costs

基于倾向分数、目标政策和治疗特定成本的插值随机干预

Johan de Aguas

AI总结 本文提出两种随机干预家族，连接因果建模与成本敏感决策，通过成本惩罚的信息投影生成闭式Boltzmann-Gibbs耦合，改进随机策略在有机法与参考法间平滑插值，提升稳健性与实用性。

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(43):36654-36662, 2026

PocketLLM: Ultimate Compression of Large Language Models via Meta Networks

PocketLLM: 通过元网络实现大语言模型的终极压缩

Ye Tian, Chengcheng Wang, Jing Han, Yehui Tang, Kai Han

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出PocketLLM，通过元网络在潜在空间压缩大语言模型，利用编码器和解码器实现高效压缩，实验表明在高压缩比下仍保持高精度。

Comments AAAI 2026 camera ready

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(39), 33250-33258 (2026)

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

The Big Ban Theory: A Pre- and Post-Intervention Dataset of Online Content Moderation Actions

大封禁理论：在线内容审核行为的前后干预数据集

Aldo Cerulli, Lorenzo Cima, Benedetta Tessa, Serena Tardelli, Stefano Cresci

AI总结 针对在线平台审核干预研究缺乏综合数据集的问题，构建了包含Reddit和Voat上25种干预措施、超33.9万用户和近3900万条消息的数据集，提供标准化元数据和匿名化用户活动数据，支持干预效果的可比分析。

Comments Article published in ICWSM'26 - 20th AAAI Conference on Web and Social Media. Please, cite the published version

Signed Dual Attention: Capturing Signed Dependencies in Time Series Forecasting

符号双注意力：在时间序列预测中捕捉符号依赖关系

Balthazar Courvoisier, Tristan Cazenave

机构 * Queensfield AI Technologies 纠错

AI总结 提出符号双注意力机制，通过双消息传递方案同时捕捉正负依赖关系，无需额外参数，提升时间序列预测性能。

Comments 5 pages, 3 figures, accepted at AAAI 2026 AI4TS Workshop

ReCoN-Ipsundrum: An Inspectable Recurrent Persistence Loop Agent with Affect-Coupled Control and Mechanism-Linked Consciousness Indicator Assays

ReCoN-Ipsundrum：一个可检验的循环持续性代理，具有情感耦合控制和机制关联的意识指标测试

Aishik Sanyal

机构 * Aishik Sanyal 纠错

AI总结 本文提出ReCoN-Ipsundrum代理，通过情感耦合控制和机制关联意识指标测试，探讨意识指标与行为之间的关系，发现情感耦合能提高探索和谨慎行为。

Comments Accepted at AAAI 2026 Spring Symposium - Machine Consciousness: Integrating Theory, Technology, and Philosophy

Journal ref Proceedings of the AAAI Symposium Series, 8(1):352-360, 2026

CHDP: Cooperative Hybrid Diffusion Policies for Reinforcement Learning in Parameterized Action Space

CHDP：参数化动作空间中强化学习的协同混合扩散策略

Bingyi Liu, Jinbo He, Haiyong Shi, Enshu Wang, Weizhen Han, Jingxiang Hao, Peixi Wang, Zhuangzhuang Zhang

机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 针对混合动作空间中的策略表达力不足和高维扩展性差问题，提出协同混合扩散策略框架，通过离散和连续扩散策略的协作与顺序更新，结合码本嵌入和Q函数引导，在基准测试中成功率提升高达19.3%。

Comments Accepted by AAAI 2026

Individual Gain, Collective Loss: Metacognitive Adaptation in AI-Assisted Creativity

个体增益，集体损失：AI辅助创造力中的元认知适应

Anna Mikeda

机构 * Anna Mikeda（安娜·米凯达） 纠错

AI总结 本研究提出选择性元认知适应机制，解释AI为何提升个体创造力却降低集体多样性，并构建六种元认知能力的分类框架。

Comments 6 pages. AAAI 2026 paper

When Should We Protect AI? A Precautionary Framework for Consciousness Uncertainty

何时应保护AI？一个针对意识不确定性的预防性框架

Anna Mikeda

机构 * Anna Mikeda（安娜·米凯达） 纠错

AI总结 针对现有框架仅评估AI系统是否具有意识但缺乏行动指导的问题，本文提出一个基于预防原则的框架，通过五个福利相关维度、阈值与梯度混合机制以及跨维度聚合方法，将意识证据映射为分级的保护义务，并通过案例研究提供设计指导。

Comments 7 pages. AAAI 2026 paper

Data Attribution in Large Language Models via Bidirectional Gradient Optimization

通过双向梯度优化实现大型语言模型中的数据归因

Frédéric Berdoz, Luca A. Lanzendörfer, Kaan Bayraktar, Roger Wattenhofer

机构 * EPFL, Switzerland（瑞士联邦理工学院） ； ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院） 纠错

AI总结 提出一种基于双向梯度优化的训练数据归因方法，用于自动回归大型语言模型，以识别影响模型输出的关键训练数据，提升模型可解释性。

Comments Presented at the AI Governance (AIGOV) Workshop at AAAI 2026

Forecasting Political News Engagement on Social Media

预测社交媒体上的政治新闻参与度

Karthik Shivaram, Mustafa Bilgic, Matthew Shapiro, Aron Culotta

AI总结 通过分析七年内超过6000万条推文，训练神经网络预测用户将参与的政治新闻倾向，并聚类用户发现长期新闻参与模式。

Journal ref Proceedings of the International AAAI Conference on Web and Social Media. Vol. 18. 2024

Characterizing Online Criticism of Partisan News Media Using Weakly Supervised Learning

使用弱监督学习表征对党派新闻媒体的在线批评

Karthik Shivaram, Mustafa Bilgic, Matthew Shapiro, Aron Culotta

AI总结 提出弱监督学习方法识别批评党派新闻源的推文，发现媒体批评在政治极化事件期间激增，且用户接触不可靠和极端党派媒体后更易产生此类批评。

Journal ref In Proceedings of the International AAAI Conference on Web and Social Media, vol. 18, pp. 1436-1450. 2024

PRECISE: Reducing the Bias of LLM Evaluations Using Prediction-Powered Ranking Estimation

PRECISE: 使用预测驱动的排名估计减少LLM评估的偏差

Abhishek Divekar, Anirban Majumder

机构 * Primary contributor and corresponding author（主要贡献者及通讯作者） 纠错

AI总结 提出PRECISE框架，通过结合少量人工标注与LLM判断，利用预测驱动推断（PPI）方法，在低资源下可靠估计搜索、排序和RAG系统的指标，并校正LLM偏差。

Comments Accepted at AAAI 2026 - Innovative Applications of AI (IAAI-26)

The Great Data Standoff: Researchers vs. Platforms Under the Digital Services Act

数据僵局：数字服务法案下的研究者与平台

Catalina Goanta, Savvas Zannettou, Rishabh Kaushal, Jacob van de Kerkhof, Thales Bertaglia, Taylor Annabell, Haoyang Gui, Gerasimos Spanakis, Adriana Iamnitchi

AI总结 本文通过2024年罗马尼亚总统选举干预案例，分析《数字服务法案》第40条下研究者获取平台内部数据的挑战，提出法律不确定性及数据僵局问题，并给出实际数据获取途径。

Comments Published at the 20th International AAAI Conference on Web and Social Media (ICWSM 2026). Please cite accordingly. This research has been supported by funding from the ERC Starting Grant HUMANads (ERC-2021-StG No 101041824)

DOMBA: Double Model Balancing for Access-Controlled Language Models via Minimum-Bounded Aggregation

DOMBA: 通过最小有界聚合实现访问控制语言模型的双模型平衡

Tom Segal, Asaf Shabtai, Yuval Elovici

机构 * Ben-Gurion University（本·古里安大学） 纠错

AI总结 提出DOMBA方法，通过最小有界平均函数聚合两个不同访问级别文档训练的语言模型的概率分布，在保证安全性的同时实现高效用。

Comments Code: https://github.com/ppo1/DOMBA 11 pages, 3 figures

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 39, pp. 25101-25109, 2025

End-to-End Safe Reinforcement Learning through Barrier Functions for Safety-Critical Continuous Control Tasks

通过障碍函数实现端到端安全强化学习用于安全关键的连续控制任务

Richard Cheng, Gabor Orosz, Richard M. Murray, Joel W. Burdick

机构 * California Institute of Technology（加州理工学院） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出了一种结合模型无关强化学习控制器、基于控制障碍函数的控制器以及在线学习未知系统动力学的控制器架构，以确保学习过程中的安全性，通过Gaussian Processes建模系统动力学并展示在倒立摆和无线车对车自主跟车任务中更高的样本效率和安全性。

Comments Published in AAAI 2019

Rethinking System Health Management

重新思考系统健康管理

Edward Balaban, Stephen B. Johnson, Mykel J. Kochenderfer

机构 * Intelligent Systems Division, NASA Ames Research Center（美国国家航空航天局阿姆斯研究中心智能系统部门） ； Dependable System Technologies, LLC（可靠系统技术有限公司） ； Jacobs ESSCA Group at NASA Marshall Space Flight Center（美国国家航空航天局马歇尔太空飞行中心Jacobs ESSCA小组） ； Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空与航天系） 纠错

AI总结 本文提出将系统健康管理与决策制定统一起来，以提高系统运行效率并降低整体复杂性，通过数值示例展示了传统方法的局限性。

Comments Published in the proceedings of the 2018 AAAI Fall Symposium on Integrating Planning, Diagnosis, and Causal Reasoning

Online Embedding Compression for Text Classification using Low Rank Matrix Factorization

在线文本分类中的低秩矩阵分解用于词嵌入压缩

Anish Acharya, Rahul Goel, Angeliki Metallinou, Inderjit Dhillon

机构 * Amazon Alexa AI（亚马逊Alexa人工智能） ； Amazon Search Technologies（亚马逊搜索技术） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出了一种在线词嵌入压缩方法，利用低秩矩阵分解在训练过程中压缩词嵌入层，从而减少NLP模型的内存瓶颈，同时在下游任务中通过重新训练恢复精度，实验证明该方法在句子分类任务中实现了90%的压缩率，并优于固定点量化等其他方法。

Comments Accepted in Thirty-Third AAAI Conference on Artificial Intelligence (AAAI 2019)