AAAI

Multi-Pair Temporal Sentence Grounding via Multi-Thread Knowledge Transfer Network

多对时序句子定位的多线程知识迁移网络

Xiang Fang, Wanlong Fang, Changshuo Wang, Daizong Liu, Keke Tang, Jianfeng Dong, Pan Zhou, Beibei Li

机构 * Sichuan University（四川大学） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Peking University（北京大学） ； Guangzhou University（广州大学） ； Zhejiang Gongshang University（浙江工商大学） 纠错

AI总结 提出多对时序句子定位新任务，并设计多线程知识迁移网络，通过跨模态对比、原型对齐和自适应负样本选择实现多对视频-查询对的协同训练。

Comments Accepted by AAAI 2025

RoIt-XMASA: Multi-Domain Multilingual Sentiment Analysis Dataset for Romanian and Italian

RoIt-XMASA：面向罗马尼亚语和意大利语的多领域多语言情感分析数据集

Andrei-Marius Avram, Aureliu Valentin Antonie, Cosmin-Mircea Croitoru, Vlad Andrei Muntean, Dumitru-Clementin Cercel

机构 * National University of Science and Technology POLITEHNICA Bucharest（波兰科技大学布加勒斯特分校） 纠错

AI总结 本文构建了包含36,000条标注和202,141条未标注样本的罗马尼亚语和意大利语多领域情感分析数据集RoIt-XMASA，并提出一种基于元学习损失反转的多目标对抗训练框架，在XLM-R上取得66.23%的F1分数，比基线提升4.64%。

Comments Accepted at the International AAAI Conference on Web and Social Media (ICWSM 2026)

Towards Single Exponential Time for Temporal and Spatial Reasoning: A Study via Redundancy and Dynamic Programming

朝向单指数时间的时序与空间推理：通过冗余性和动态规划的研究

Victor Lagerkvist, Johanna Groven, Leif Eriksson

AI总结 本文研究了时序与空间推理问题，探讨了通过冗余性和动态规划方法实现单指数时间复杂度的可能性，提出了针对RCC和IA问题的两种算法，分别在不同条件下达到了接近已知时间复杂度的性能。

Comments 14 Pages, 2 Figures, 2 Tables, 3 Algorithms

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence. 40, 17 (Mar. 2026), 14287-14294

From Width-Based Model Checking to Width-Based Automated Theorem Proving

从基于宽度的模型检验到基于宽度的自动定理证明

Mateus de Oliveira Oliveira, Sam Urmian

机构 * Stockholm University（斯德哥尔摩大学） ； University of Bergen（卑尔根大学） 纠错

AI总结 本文提出一个通用框架，将大量基于宽度的模型检验算法转换为用于测试图论猜想在有限宽度图类上有效性的算法，改进了理论上的上界。

Comments A preliminary version of this work was published in the proceedings of AAAI 2023

Spectral bandits for smooth graph functions with applications in recommender systems

图上平滑函数的谱带it问题及其在推荐系统中的应用

Tomáš Kocák, Michal Valko, Rémi Munos, Branislav Kveton, Shipra Agrawal

机构 * SequeL team, Inria France Microsoft Research New England（Inria法国微软新英格兰研究实验室SequeL团队） ； Technicolor Research Center California（Technicolor加州研究中心） ； Microsoft Research New England（微软新英格兰研究实验室） ； Microsoft Research Bangalore India（微软班加罗尔印度研究实验室） 纠错

AI总结 本文研究了图上平滑函数的带it问题，提出了一种在推荐系统中有效学习用户偏好的方法，通过有效维度的定义和线性缩放的算法，实现了低悔的在线学习。

Comments Published at AAAI 2014 - SDMBD

Anti-establishment sentiment on TikTok: Implications for understanding influence(rs) and expertise on social media

TikTok上的反 Establishment 情绪：对社交媒体中影响者和专业知识理解的启示

Tianliang Xu, Ariel Hasell, Sabina Tomkins

AI总结 本文研究了TikTok上反 Establishment 情绪的普遍性，通过计算方法分析了金融、健康和阴谋论等主题内容中反 Establishment 情绪的分布，并探讨了社交媒体环境中反 Establishment 情绪对用户参与和平台激励的影响。

Comments 10 pages excluding references; 14 pages in total; 4 figures; Accepted by the AAAI Conference on Web and Social Media (ICWSM-2026)

Hierarchical Schedule Optimization for Fast and Robust Diffusion Model Sampling

分层调度优化用于快速且稳健的扩散模型采样

Aihua Zhu, Rui Su, Qinglin Zhao, Li Feng, Meng Shen, Shibo He

机构 * School of Computer Science and Engineering, Macau University of Science and Technology（澳门科学技术大学计算机科学与工程学院） ； Beijing Institute of Technology（北京理工大学） ； Zhejiang University（浙江大学） 纠错

AI总结 本文提出了一种分层调度优化方法，通过改进的双层优化框架，在极低的函数评估次数下实现高效的扩散模型采样，显著提升了样本质量和计算效率。

Comments Preprint, accepted to AAAI 2026

PlantTraitNet: An Uncertainty-Aware Multimodal Framework for Global-Scale Plant Trait Inference from Citizen Science Data

PlantTraitNet: 一种考虑不确定性的多模态框架，用于从公民科学数据中进行全球尺度植物特性推断

Ayushi Sharma, Johanna Trost, Daniel Lusk, Johannes Dollinger, Julian Schrader, Christian Rossi, Javier Lopatin, Etienne Laliberté, Simon Haberstroh, Jana Eichel, Daniel Mederer, Jose Miguel Cerda-Paredes, Shyam S. Phartyal, Lisa-Maricia Schwarz, Anja Linstädter, Maria Conceição Caldeira, Teja Kattenborn

机构 * GeoSense-Freiburg（弗赖堡GeoSense） 纠错

AI总结 本研究提出PlantTraitNet，一种多模态、多任务且考虑不确定性的深度学习框架，通过弱监督从公民科学照片中预测四个关键植物特性（植物高度、叶面积、特定叶面积和氮含量），并利用空间聚合生成全球特性分布图，验证结果表明其在所有评估特性上均优于现有特性地图。

Comments Accepted at the 40th AAAI Conference on Artificial Intelligence (AAAI-26). Link: https://ojs.aaai.org/index.php/AAAI/article/view/41272

Mechanism Design for Connecting Regions Under Disruptions

在破坏下连接区域的机制设计

Hau Chan, Jianan Lin, Zining Qin, Chenhao Wang

AI总结 本文研究了在道路建设、桥梁关闭或自然障碍物导致区域分离的情况下，如何通过机制设计构建新的路径以维持代理的可达性，提出了策略证明的机制来近似优化社会或最大成本。

Comments full and extended version of the conference paper published in AAAI 2025

How Good LLMs Are at Answering Bangla Medical Visual Questions? Dataset and Benchmarking

LLMs在回答孟加拉语医学视觉问题方面的表现如何？数据集与基准测试

Rafid Ahmed, Intesar Tahmid, Mir Sazzat Hossain, Tasnimul Hossain Tomal, Md Fahim, Md Farhad Alam Bhuiyan

机构 * Penta Global Limited ； Center for Computational & Data Sciences, Independent University（独立大学计算与数据科学中心） 纠错

AI总结 本文提出BanglaMedVQA数据集，用于评估当前基础模型在孟加拉语医学视觉问答任务中的表现，发现其性能显著低于英语基准，揭示了低资源语言在医学推理中的挑战。

Comments 14 pages, 7 figures, 5 tables, Proceedings of The Second AAAI Bridge Program on AI for Medicine and Healthcare, PMLR 317:1-14, 2026

OPERA: A Reinforcement Learning--Enhanced Orchestrated Planner-Executor Architecture for Reasoning-Oriented Multi-Hop Retrieval

OPERA: 一种增强强化学习的协调规划-执行架构用于面向推理的多跳检索

Yu Liu, Yanbing Liu, Fangfang Yuan, Cong Cao, Youbang Sun, Kun Peng, Weizhuo Chen, Jianjun Li, Zhiyuan Ma

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） 纠错

AI总结 OPERA通过协调规划-执行架构解决多跳检索中推理规划、检索和过滤的不足，采用MAPGRPO方法提升复杂任务性能。

Comments Accepted by AAAI 2026. Extended version

A Machine with Short-Term, Episodic, and Semantic Memory Systems

具有短期、事件性和语义记忆系统的机器

Taewoon Kim, Michael Cochez, Vincent François-Lavet, Mark Neerincx, Piek Vossen

机构 * Vrije Universiteit Amsterdam（瓦赫宁海姆大学） ； Technische Universiteit Delft（代尔夫特理工大学） 纠错

AI总结 本文提出了一种具有短期、事件性和语义记忆系统的智能体模型，通过知识图谱实现各记忆系统的建模，并在自研环境中验证了该模型在记忆编码、存储与检索上的优势。

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence (2023), 37(1), 48-56

Fast and Memory Efficient Multimodal Journey Planning with Delays

快速且内存高效的考虑延迟的多模式行程规划

Denys Katkalo, Andrii Rohovyi, Toby Walsh

AI总结 本文提出一种更高效、快速且准确的多模式行程规划方法，适用于单目标和双目标场景，通过优化算法提升速度和精度。

Comments v4: revised manuscript incorporating reviewer feedback (Related Work restructure, temporal-planning baselines, Bez 2020 thesis acknowledgment, equation relocation); style switched to the AAAI 2026 format

TSBOW -- Traffic Surveillance Benchmark for Occluded Vehicles Under Various Weather Conditions

TSBOW -- 交通监控基准：在各种天气条件下遮挡车辆的监控

Ngoc Doan-Minh Huynh, Duong Nguyen-Ngoc Tran, Long Hoang Pham, Tai Huu-Phuong Tran, Hyung-Joon Jeon, Huy-Hung Nguyen, Duong Khac Vu, Hyung-Min Jeon, Son Hong Phan, Quoc Pham-Nam Ho, Chi Dai Tran, Trinh Le Ba Khanh, Jae Wook Jeon

机构 * Automation Lab, Department of Electrical and Computer Engineering（自动化实验室，电气与计算机工程系） 纠错

AI总结 本文提出TSBOW数据集，用于提升遮挡车辆检测能力，包含32小时真实交通数据和48000个手动标注帧，针对极端天气下的交通监控挑战进行研究。

Comments This paper has been accepted by the 40th AAAI Conference on Artificial Intelligence (AAAI-26)

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence. 40(2026). 5239-5247

RealRep: Generalized SDR-to-HDR Conversion via Attribute-Disentangled Representation Learning

RealRep：通过属性解耦表示学习实现通用SDR到HDR转换

Li Xu, Siqi Wang, Kepeng Xu, Gang He, Lin Zhang, Weiran Wang, Yu-Wing Tai

机构 * Xidian University（西安电子科技大学） ； Dartmouth College（达特茅斯学院） 纠错

AI总结 本文提出RealRep框架，通过属性解耦表示学习提升SDR到HDR转换的鲁棒性，设计了降质域感知控制映射网络DDACMNet，实现自适应分层映射，实验表明其在泛化能力和感知忠实性上优于现有方法。

Comments Published on AAAI'26(Oral): The Annual AAAI Conference on Artificial Intelligence

The MediaSpin Dataset: Post-Publication News Headline Edits Annotated for Media Bias

媒体旋风数据集：标注媒体偏见的发布后新闻标题修改

Preetika Verma, Kokil Jaidka

机构 * Carnegie Mellon University（卡内基梅隆大学） ； National University of Singapore（新加坡国立大学） ； NUS Centre for Trusted Internet and Community（新加坡国立大学可信互联网与社区中心） 纠错

AI总结 MediaSpin数据集通过标注13种媒体偏见类型，研究新闻标题修改对语言框架和偏见的影响，展示跨国家的标题修改分析、变压器偏见分类及社交媒体行为分析。

Comments 8 pages, 3 figures, 8 tables Accepted at AAAI ICWSM 2026 We updated the paper title from "MediaSpin: Exploring Media Bias Through Fine-Grained Analysis of News Headlines " to "The MediaSpin Dataset: Post-Publication News Headline Edits Annotated for Media Bias"

Ideology Prediction of German Political Texts

德国政治文本的意识形态预测

Sinclair Schneider, Florian Steuber, Joao A. G. Schneider, Gabi Dreo Rodosek

机构 * Bundestag（议会） ； Wahl-O-Mat（选举工具） ； German Media Datasets（德国媒体数据集） 纠错

AI总结 本文提出基于transformer的模型，用于在连续左到右光谱上预测文本的政治倾向，通过不同语料库训练，验证了模型在不同领域中的表现，展示了transformer在识别德国新闻政治偏见方面的有效性。

Comments This paper has been accepted for the upcoming 20th International AAAI Conference on Web and Social Media (ICWSM 2026)

LoRA in LoRA: Towards Parameter-Efficient Architecture Expansion for Continual Visual Instruction Tuning

LoRA in LoRA: 朝着参数高效架构扩展的方向：持续视觉指令微调

Chang Che, Ziqi Wang, Pengwan Yang, Qi Wang, Hui Ma, Zenglin Shi

机构 * Hefei University of Technology（合肥工业大学） ； University of Amsterdam（阿姆斯特丹大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出LiLoRA，一种高效的持续视觉指令微调架构扩展方法，通过共享LoRA矩阵A、低秩分解矩阵B以及余弦正则化损失，提升参数效率和任务学习性能。

Comments AAAI 2026 Oral Presentation. 9 pages

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(24):19978--19986, 2026

SkySplat: Generalizable 3D Gaussian Splatting from Multi-Temporal Sparse Satellite Images

SkySplat: 多时序稀疏卫星图像上的通用3D高斯点云生成

Xuejun Huang, Xinyi Liu, Yi Wan, Zhi Zheng, Bin Zhang, Mingtao Xiong, Yingying Pei, Yongjun Zhang

机构 * School of Remote Sensing and Information Engineering, Wuhan University（武汉大学遥感与信息工程学院） ； Technology Innovation Center for Collaborative Applications of Natural Resources Data in GBA, Ministry of Natural Resources（粤港澳大湾区自然资源数据协同应用技术创新中心，自然资源部） ； Department of Geography and Resource Management, The Chinese University of Hong Kong（香港中文大学地理与资源管理系） ； China Railway Siyuan Survey and Design Group Co., LTD（中国铁路syuan调查设计集团有限公司） 纠错

AI总结 SkySplat通过整合RPC模型提升稀疏卫星图像的3D重建效率，采用自监督框架和跨自我一致性模块，实现86倍速度提升和更精确的重建结果。

Comments AAAI 2026. Code is available at https://github.com/NanCheng2001/SkySplat-main

Deep Incomplete Multi-View Clustering via Hierarchical Imputation and Alignment

深度不完整多视图聚类 via 分层填补与对齐

Yiming Du, Ziyu Wang, Jian Li, Rui Ning, Lusi Li

机构 * Department of Computer Science, Old Dominion University（旧 Dominion 大学计算机科学系） 纠错

AI总结 本文提出DIMVC-HIA框架，通过分层填补与对齐解决不完整多视图聚类中的缺失填补与语义一致性问题，实验表明其在不同缺失程度下表现优异。

Comments Accepted by AAAI 2026

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(25):20941-20949, 2026

WhatsApp Vaccine Discourse (WhaVax): An Expert-Annotated Dataset and Benchmark for Health Misinformation Detection

WhatsApp疫苗 discourse（WhaVax）：一个专家标注的数据集和基准，用于健康虚假信息检测

Jônatas H. dos Santos, Julio C. S. Reis, Philipe Melo, João F. H. Olivetti, Thales H. Silva, Matheus Gontijo Guimaraes, Glaucio de Souza, Marcos A. Gonçalves, Fabricio Benevenuto, Filipe B. B. Zanovello, Marco A. G. Rodrigues, Cristiano X. Lima

机构 * Universidade Federal de Minas Gerais (UFMG)（巴西联邦大学矿务学院） 纠错

AI总结 本文介绍了WhaVax数据集，用于检测健康虚假信息，通过专家标注和多阶段协议生成高质量数据集，并评估了不同模型在数据稀缺条件下的表现。

Comments 10 pages. This is a preprint version of a paper accepted for the International AAAI Conference on Web and Social Media (ICWSM'26). Please cite the conference version rather than this preprint

Reflect then Learn: Active Prompting for Information Extraction Guided by Introspective Confusion

先反思再学习：基于反思困惑的主动提示信息提取

Dong Zhao, Yadong Wang, Xiang Chen, Chenxi Wang, Hongliang Dai, Chuanxing Geng, Shengzhong Zhang, Shaoyuan Li, Sheng-Jun Huang

机构 * NUAA-MMMI（南京航空航天大学- MMMI） 纠错

AI总结 本文提出APIE框架，通过反思困惑度评估，主动选择具有挑战性和信息量的样本，提升信息提取的准确性和鲁棒性。

Comments Published at AAAI 2026

Interactive Mars Image Content-Based Search with Interpretable Machine Learning

基于可解释机器学习的交互式火星图像内容检索

Bhavan Vasu, Steven Lu, Emily Dunkel, Kiri L. Wagstaff, Kevin Grimes, Michael McAuley

机构 * NASA Planetary Data System（美国宇航局行星数据系统） ； PDS Imaging Node（PDS成像节点） ； PDS Cartography and Imaging Sciences Node（PDS制图与成像科学节点） ； Wagstaff et al.（瓦格斯塔夫等人） 纠错

AI总结 本文提出基于原型架构的可解释内容分类系统，用于支持火星科学实验室任务图像的科学发现和用户探索，通过提供解释和验证证据，替代非可解释的PDS图像图谱系统。

Comments Published at the Thirty-Sixth Annual Conference on Innovative Applications of Artificial Intelligence (IAAI-24). Corrected citation: Proc. AAAI 38(21): 22976-22982 (2024)

Journal ref Proc AAAI Conference on Artificial Intelligence 2024

READ: Recurrent Adapter with Partial Video-Language Alignment for Parameter-Efficient Transfer Learning in Low-Resource Video-Language Modeling

READ：基于部分视频-语言对齐的递归适配器用于低资源视频-语言建模的参数高效迁移学习

Thong Nguyen, Xiaobao Wu, Xinshuai Dong, Khoi Le, Zhiyuan Hu, Cong-Duy Nguyen, See-Kiong Ng, Luu Anh Tuan

AI总结 本文提出READ框架，通过递归计算和部分最优传输对齐，提升低资源视频-语言建模任务的性能，优于现有迁移学习方法。

Comments Accepted at AAAI 2024

UM-Text: A Unified Multimodal Model for Image Understanding and Visual Text Editing

UM-Text: 一种统一的多模态模型用于图像理解和视觉文本编辑

Lichen Ma, Xiaolong Fu, Gaojing Zhou, Zipeng Guo, Ting Zhu, Yichun Liu, Yu Shi, Jason Li, Junshi Huang

机构 * Sun Yat-sen University（中山大学） 纠错

AI总结 本文提出UM-Text模型，通过自然语言指令实现图像理解和视觉文本编辑，引入VLM处理指令和参考图像，结合UM-Encoder生成风格一致的文本图像，并提出区域一致性损失和三阶段训练策略，最终在多个基准上取得最佳性能。

Comments Accepted by AAAI 2026

Assessment of RAG and Fine-Tuning for Industrial Question-Answering-Applications

对RAG和微调在工业问答应用中的评估

Jakob Sturm, Josef Pichlmeier, Christian Bernhard, Maka Karalashvili, Johannes Klepsch, Georg Groh, Andre Luckow

机构 * BMW Group（宝马集团） 纠错

AI总结 本文通过汽车行业封闭数据集评估RAG和微调在问答系统中的效果，发现RAG在质量和成本效率上优于微调，尤其适用于开源模型。

Comments Accepted at AAAI 2026 Workshop on New Frontiers in Information Retrieval

ArchRAG: Attributed Community-based Hierarchical Retrieval-Augmented Generation

ArchRAG: 基于属性社区的分层检索增强生成

Shu Wang, Yixiang Fang, Yingli Zhou, Xilin Liu, Yuchi Ma

机构 * Microsoft（微软） 纠错

AI总结 ArchRAG通过引入属性社区和层次聚类方法，提升图数据检索效率与生成准确性，降低token消耗。

Comments Published in Proceedings of the AAAI Conference on Artificial Intelligence, 2026

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(19), 15868-15876, 2026

Multi-Modal Style Transfer-based Prompt Tuning for Efficient Federated Domain Generalization

基于多模态风格迁移的提示微调的高效联邦领域泛化

Yuliang Chen, Xi Lin, Jun Wu, Xiangrui Cai, Qiaolun Zhang, Xichun Fan, Jiapeng Xu, Xiu Su

AI总结 本文提出FaST-PT框架，通过多模态风格迁移和双提示模块实现高效联邦领域泛化，提升跨领域适应能力。

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(25): 20427-20435, 2026

Revisiting Conjunctive Query Entailment for $\mathcal S$

重新审视$\mathcal S$中的联合查询蕴含性

Yazmín Ibáñez-García, Jean Christoph Jung, Vincent Michielini, Filip Murlak

AI总结 研究$\mathcal S$中联合查询回答的复杂性，证明其为2ExpTime完全问题，并探讨不同查询限制下的复杂性变化。

Comments Full version of paper accepted to AAAI'26

Point-SRA: Self-Representation Alignment for 3D Representation Learning

点-SRA：用于3D表示学习的自表示对齐

Lintong Wei, Jian Lu, Haozhe Cheng, Jihua Zhu, Kaibing Zhang

机构 * School of Electronics and Information, Xi’an Polytechnic University（西安理工大学电子与信息学院） ； School of Software, Xi’an Jiaotong University（西安交通大学软件学院） ； School of Computer Science, Xi’an Polytechnic University（西安理工大学计算机科学学院） 纠错

AI总结 Point-SRA通过自蒸馏和概率建模对齐表示，改进3D表示学习，通过不同掩码比例和MeanFlow Transformer实现互补信息提取，优于Point-MAE并在多个任务中取得优异性能。

Comments This is an AAAI 2026 accepted paper titled "Point-SRA: Self-Representation Alignment for 3D Representation Learning", spanning 13 pages in total. The submission includes 7 figures (fig1 to fig7) that visually support the technical analysis

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 2026, Vol. 40, No. 13