AAAI

Identifying Query-Relevant Neurons in Large Language Models for Long-Form Texts

在大型语言模型中识别与查询相关的神经元以生成长文本

Lihu Chen, Adam Dejl, Francesca Toni

机构 * Imperial College（帝国学院） 纠错

AI总结 本文提出QRNCA框架，用于识别LLM中与查询相关的神经元，通过多选问答任务评估其有效性，并展示在不同领域中的局部知识区域。

Comments AAAI 2025 Main Track

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 39(22), 23595-23604. 2025

Argumentative Large Language Models for Explainable and Contestable Claim Verification

用于可解释和可争议主张验证的论证大型语言模型

Gabriel Freedman, Adam Dejl, Deniz Gorur, Xiang Yin, Antonio Rago, Francesca Toni

机构 * Department of Computing, Imperial College London, UK（伦敦帝国学院计算机系） 纠错

AI总结 本文提出论证大型语言模型（ArgLLMs），通过引入论证推理增强LLMs，使其决策可解释且可争议，通过实验验证其在主张验证任务中的性能。

Comments 18 pages, 18 figures. Accepted as an oral presentation at AAAI 2025

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 39(14), 14930-14939. 2025

Evaluating the Architectural Reasoning Capabilities of LLM Provers via the Obfuscated Natural Number Game

通过混淆的自然数游戏评估大语言模型证明者的架构推理能力

Lixing Li

机构 * Lixing Li（李立星） 纠错

AI总结 本文通过混淆的自然数游戏评估大语言模型的架构推理能力，发现推理模型在无语义线索下仍保持准确率，为数学推理能力提供了量化评估标准。

Comments 4 pages. Accepted as a short paper to the AAAI 2026 Spring Symposium on Machine Learning and Knowledge Engineering for Knowledge-Grounded Semantic Agents (MAKE 2026)

You See It, They Don't: An Exploratory Study of User-to-User Variation in Instagram Comments

你看见它，他们却看不见：一项关于Instagram评论用户间差异的探索性研究

Brahmani Nutakki, Manon Lilott Kempermann, Ingmar Weber

AI总结 本文通过分析Instagram评论排名系统，探讨用户间评论差异及新闻类内容的影响，发现评论变化更多由账户指标而非用户属性决定。

Comments This work has been accepted at the International AAAI Conference on Web and Social Media (ICWSM) 2026 as a poster. Once available, please cite the peer-reviewed version

Grounding vs. Compositionality: On the Non-Complementarity of Reasoning in Neuro-Symbolic Systems

基础性与组成性：神经符号系统中推理非互补性研究

Mahnoor Shahid, Hannes Rothe

机构 * Place-Beyond-Bytes 纠错

AI总结 研究指出神经符号系统中组成性推理并非符号 grounding 的副产品，通过 iLTN 实验证明仅依赖 grounding 无法实现泛化，联合训练 grounding 与推理可提升零样本准确性。

Comments Accepted at AAAI MAKE 2026

Mini-Batch Class Composition Bias in Link Prediction

小批量类别组成偏差在链接预测中的表现

Kieran Maguire, Srinandan Dasmahapatra

机构 * University of Southampton School of Electronics and Computer Science（南安普顿大学电子与计算机科学学院） 纠错

AI总结 研究发现，尽管图神经网络在跨图学习表示时表现良好，但链接预测模型在小批量依赖下可能学习出简单启发式方法，导致网络表示与节点分类相关特征不一致，表明链接预测训练可能高估了模型对图表示的一致性学习能力。

Comments Accepted at GCLR 2026: the 5th Workshop on Graphs and more Complex Structures For Learning and Reasoning, colocated with AAAI 2026

I-INR: Iterative Implicit Neural Representations

I-INR：迭代隐式神经表示

Ali Haider, Muhammad Salman Ali, Maryam Qamar, Tahir Khalil, Soo Ye Kim, Jihyong Oh, Enzo Tartaglione, Sung-Ho Bae

机构 * Kyung Hee University（韩国庆熙大学） ； Adobe Research（Adobe研究） ； Chung-Ang University（Chung-Ang大学） 纠错

AI总结 本文提出I-INR，通过迭代优化提升隐式神经表示在高频细节恢复、噪声鲁棒性和泛化能力，实验显示其在图像拟合、去噪和物体占用预测等任务中表现优异。

Comments Accepted at AAAI 2026

Optimally Auditing Adversarial Agents

最优审计对抗性智能体

Sanmay Das, Fang-Yi Yu, Yuang Zhang

机构 * Virginia Tech（弗吉尼亚理工大学） ； George Mason University（乔治·梅森大学） 纠错

AI总结 本文提出一个主代理博弈模型，研究如何设计最优审计策略以应对智能体的欺诈行为，提出适应性和非适应性设置下的高效算法，并扩展至有限审计预算场景。

Comments Published in Proceedings of the AAAI Conference on Artificial Intelligence (AAAI), 2026, pages 16787-16794

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 2026, pages 16787-16794

HATIR: Heat-Aware Diffusion for Turbulent Infrared Video Super-Resolution

HATIR: 用于湍流红外视频超分辨率的热感知扩散

Yang Zou, Xingyue Zhu, Kaiqi Han, Jun Ma, Xingyuan Li, Zhiying Jiang, Jinyuan Liu

机构 * Northwestern Polytechnical University（西北工业大学） ； Dalian University of Technology（大连理工大学） ； Zhejiang University（浙江大学） ； Dalian Maritime University（大连海事大学） 纠错

AI总结 HATIR通过热感知变形先验联合建模湍流退化与结构细节损失，提出相位引导流估计器和湍流感知解码器，构建首个湍流红外视频超分辨率数据集FLIR-IVSR，提升非均匀退化下的结构恢复精度。

Journal ref Proceedings of the 40th Annual AAAI Conference on Artificial Intelligence (AAAI 2026)

Adversarial Attack on Black-Box Multi-Agent by Adaptive Perturbation

对黑盒多智能体系统的对抗性攻击：自适应扰动

Jianming Chen, Yawen Wang, Junjie Wang, Xiaofei Xie, Yuanzhe Hu, Qing Wang, Fanjiang Xu

AI总结 本文提出AdapAM框架，通过自适应选择策略和基于代理的扰动诱导恶意行为，提升多智能体系统攻击的隐蔽性和有效性，实验表明其在不同扰动率下表现最佳。

Journal ref AAAI 2026

TextGround4M: A Prompt-Aligned Dataset for Layout-Aware Text Rendering

TextGround4M：一种对齐提示的布局感知文本渲染数据集

Dongxing Mao, Yilin Wang, Linjie Li, Zhengyuan Yang, Alex Jinpeng Wang

机构 * Central South University（中南大学） ； Zhejiang University（浙江大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出TextGround4M数据集，通过细粒度布局监督提升文本生成的准确性，引入轻量训练策略和布局评估指标，验证了布局感知在文本到图像生成中的重要性。

Comments aaai poster; Project page: https://dongxingmao.github.io/TextGround4M.github.io/

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, vol. 40, no. 10, pp. 7918-7926, Mar. 2026

Approximation Algorithm for Constrained $k$-Center Clustering: A Local Search Approach

受限k-中心聚类的近似算法：一种局部搜索方法

Chaoqi Jia, Longkun Guo, Kewen Liao, Zhigang Lu, Chao Chen, Jason Xue

机构 * School of Accounting, Information Systems and Supply Chain, RMIT University（会计、信息系统与供应链学院，皇家墨尔本理工大学） ； School of Mathematics and Statistics, Fuzhou University（数学与统计学院，福州大学） ； School of Integrated Circuits, Guangdong University of Technology（集成电路学院，广东省技术大学） ； School of Information Technology, Deakin University（信息技术学院，德金大学） ； Western Sydney University（西澳大学） ； CSIRO’s Data61 and Responsible AI Research (RAIR) Centre, Adelaide University（CSIRO的数据61和负责任的人工智能研究（RAIR）中心，阿德莱德大学） 纠错

AI总结 本文提出基于支配匹配集转换的局部搜索框架，解决受限k-中心聚类问题，实现最佳近似比2，实验表明算法在真实和合成数据集上优于基线方法。

Comments AAAI-26

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence 2026

OTI: A Model-free and Visually Interpretable Measure of Image Attackability

OTI: 一种无需模型且具有视觉解释性的图像攻击性度量方法

Jiaming Liang, Haowei Liu, Chi-Man Pun

机构 * Faculty of Science and Technology, University of Macau（澳门大学科技学院） ； Chongqing Key Laboratory of Image Cognition, Chongqing University of Posts and Telecommunications（重庆邮电大学图像认知重点实验室） 纠错

AI总结 本文提出OTI，一种无需模型且具有视觉解释性的图像攻击性度量方法，通过测量图像语义对象的纹理强度来评估图像攻击性，具有高效且可解释的优势。

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(9), 6826-6834, 2026

Quantifying Divergence in Inter-LLM Communication Through API Retrieval and Ranking

通过API检索和排序量化跨LLM通信中的分歧

Eyhab Al-Masri

机构 * School of Engineering and Technology（工程与技术学院） 纠错

AI总结 本文提出一个统一的基准框架，量化在相同任务下不同LLM在API发现和排序上的差异。研究发现结构化任务稳定性较高，而开放性任务分歧显著，结果为多代理系统中可靠性感知的协调提供了依据。

Comments AAAI 2026 Conference (LAMAS Workshop)

Beyond Static: Related Questions Retrieval Through Conversations in Community Question Answering

超越静态：通过对话进行社区问答中的相关问题检索

Xiao Ao, Jie Zou, Yibiao Wei, Peng Wang, Weikang Guo

机构 * School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； School of Management Science and Engineering, Southwestern University of Finance and Economics（西南财经大学管理科学与工程学院） 纠错

AI总结 本文提出TeCQR模型，通过对话方式提升社区问答中相关问题检索性能，利用标签增强澄清问题和噪声容忍模型，有效处理噪声反馈并优化问题表示。

Comments 9 pages. Accepted at AAAI 2026

Early Warning of Intraoperative Adverse Events via Transformer-Driven Multi-Label Learning

术中不良事件早期预警的Transformer驱动多标签学习

Xueyao Wang, Xiuding Cai, Honglin Shang, Yaoyao Zhu, Yu Yao

机构 * Chengdu Institute of Computer Application, Chinese Academy of Sciences（中国科学院成都计算机应用研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； China Zhenhua Research Institute Co., Ltd.（中国振华研究院有限公司） 纠错

AI总结 本文提出IAENet框架，结合改进的TAFiLM模块和Label-Constrained Reweighting Loss，有效解决术中不良事件预测中的依赖性、数据异质性和类别不平衡问题，实验表明在不同时间窗口下均优于基线模型。

Comments Accepted by AAAI 2026

Group Orthogonal Low-Rank Adaptation for RGB-T Tracking

组正交低秩适应用于RGB-T跟踪

Zekai Shao, Yufan Hu, Jingyuan Liu, Bin Fan, Hongmin Liu

机构 * MelanTech 纠错

AI总结 本文提出GOLA框架，通过结构化参数学习减少低秩适应中的冗余，提升RGB-T跟踪的特征表示能力，实验表明其在四个基准数据集上优于现有方法。

Comments 13 pages, 8 figures. Accepted by AAAI 2026. Extended version

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 40. No. 11. 2026

Motion-aware Contrastive Learning for Temporal Panoptic Scene Graph Generation

面向时间的对比学习用于时序全景场景图生成

Thong Thanh Nguyen, Xiaobao Wu, Yi Bin, Cong-Duy T Nguyen, See-Kiong Ng, Anh Tuan Luu

机构 * Institute of Data Science (IDS)（数据科学研究所） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University (NTU)（南洋理工大学） ； Tongji University（同济大学） 纠错

AI总结 本文提出一种面向时间的对比学习框架，通过学习运动模式提升时序全景场景图生成的性能，实验表明在视频和4D数据集上优于现有方法。

Comments Accepted at AAAI 2025

Multi-Scale Contrastive Learning for Video Temporal Grounding

多尺度对比学习用于视频时间定位

Thong Thanh Nguyen, Yi Bin, Xiaobao Wu, Zhiyuan Hu, Cong-Duy T Nguyen, See-Kiong Ng, Anh Tuan Luu

机构 * Institute of Data Science (IDS), National University of Singapore（数据科学研究所（IDS），新加坡国立大学） ； Tongji University（同济大学） ； Nanyang Technological University (NTU)（南洋理工大学） 纠错

AI总结 本文提出多尺度对比学习框架，通过多阶段视频编码器生成样本，无需数据增强或在线记忆库，提升视频时间定位的语义表达。

Comments Accepted at AAAI 2025

Trading Convergence Rate with Computational Budget in High Dimensional Bayesian Optimization

在高维贝叶斯优化中以计算预算换取收敛速度

Hung Tran-The, Sunil Gupta, Santu Rana, Svetha Venkatesh

机构 * Applied Artificial Intelligence Institute（应用人工智能研究所） ； Deakin University（迪金大学） 纠错

AI总结 本文提出一种无需假设函数低维结构的高维贝叶斯优化方法，通过在低维子空间上最大化获取函数以提高计算效率，其累积遗憾增长亚线性，且能通过调整子空间数量来平衡收敛速度与计算成本。

Comments Our accepted paper (with Supplementary Material) at AAAI 2020

Relational Archetypes: A Comparative Analysis of AV-Human and Agent-Human Interactions

关系原型：AV-人类与代理-人类互动的比较分析

Antoni Lorente, Amin Oueslati, Robin Staes-Polet

AI总结 本文通过分析自动驾驶车辆对交通流量的调节，探讨人类与AV及人类与AI代理的互动模式，提出关系原型分类，以促进两个研究领域间的交流与深入探讨。

Comments 4 pages, 1 table. Accepted and presented at FAST workshop, AAAI 2026

When Cow Urine Cures Constipation on YouTube: Limits of LLMs in Detecting Culture-specific Health Misinformation

当牛尿治愈便秘时：LLMs在检测文化特定健康谣言中的局限性

Anamta Khan, Ratna Kandala, Deepti, Sheza Munir, Joyojeet Pal

机构 * University of Michigan（密歇根大学） ； University of Kansas（堪萨斯大学） ； IIT Jodhpur（印度理工学院乔浦尔） 纠错

AI总结 研究通过分析印度YouTube上的牛尿相关内容，揭示LLMs在处理文化特定健康谣言时的局限性，指出文化嵌入的谣言无法通过提示工程解决。

Comments To appear in the proceedings of the 2nd Workshop on Misinformation Detection in the Era of LLMs (MisD), The 20th International AAAI Conference on Web and Social Media (ICWSM) 2026

DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction

DiffNR: 用于稀疏视图3D断层成像重建的扩散增强神经表示优化

Shiyan Su, Ruyi Zha, Danli Shi, Hongdong Li, Xuelian Cheng

机构 * Monash University（莫纳什大学） ； The Australian National University（澳大利亚国立大学） ； Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 DiffNR通过引入扩散先验改进神经表示优化，解决稀疏视图下CT成像的严重伪影问题，提升PSNR并保持高效优化。

Comments Accepted to AAAI 2026. Project page: https://ooonesevennn.github.io/DiffNR/

Synthetic Data in Education: Empirical Insights from Traditional Resampling and Deep Generative Models

教育中的合成数据：传统重采样与深度生成模型的实证洞察

Tapiwa Amion Chinodakufa, Ashfaq Ali Shafin, Khandaker Mamun Ahmed

机构 * The Beacom College of Computer \& Cyber Sciences, Dakota State University Knight Foundation School of Computing \& Information Sciences, Florida International University 纠错

AI总结 本文比较了传统重采样与深度学习方法在教育数据生成中的表现，发现传统方法在实用性上表现优异但隐私保护差，深度学习方法在隐私保护上更优但实用性下降，变分自编码器在两者间取得平衡。

Journal ref The 40th Annual AAAI Conference on Artificial Intelligence: AI4EDU, 2026

D2PPO: Diffusion Policy Policy Optimization with Dispersive Loss

D2PPO：带有分散损失的扩散策略策略优化

Guowei Zou, Weibing Li, Hejun Wu, Yukun Qian, Yuhang Wang, Haitao Wang

机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； Guangdong Key Laboratory of Big Data Analysis and Processing（广东省大数据分析与处理重点实验室） 纠错

AI总结 本文提出D2PPO，通过引入分散损失正则化来解决扩散策略中表示崩溃问题，提升复杂机器人操控任务的性能，实验表明其在预训练和微调中均取得显著改进。

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(22): 18891-18899, 2026

Semantic Intent Fragmentation: A Single-Shot Compositional Attack on Multi-Agent AI Pipelines

语义意图碎片化：一种针对多智能体AI流水线的单次组合攻击

Tanzim Ahad, Ismail Hossain, Md Jahangir Alam, Sai Puppala, Yoonpyo Lee, Syed Bahauddin Alam, Sajedul Talukder

机构 * Department of Computer Science, University of Texas at El Paso（德克萨斯理工大学计算机科学系） ； School of Computing, Southern Illinois University Carbondale（南方伊利诺伊大学卡本代尔分校计算机学院） ； Hanyang University（翰阳大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出语义意图碎片化攻击，通过单个合法请求导致任务分解为看似无害但联合违反安全策略的子任务，利用OWASP LLM06:2025框架实现无注入内容、无系统修改的攻击，验证了组合安全漏洞的可修复性。

Comments This paper got accepted for AAAI 2026 Summer Symposium

INTENT: Invariance and Discrimination-aware Noise Mitigation for Robust Composed Image Retrieval

INTENT: 为鲁棒的复合图像检索的不变性与判别意识噪声缓解

Zhiwei Chen, Yupeng Hu, Zhiheng Fu, Zixu Li, Jiale Huang, Qinlei Huang, Yinwei Wei

机构 * School of Software, Shandong University（山东大学软件学院） 纠错

AI总结 本文提出INTENT网络，通过视觉不变组成和双目标判别学习处理复合图像检索中的两种噪声类型，提升检索鲁棒性。

Comments Accepted by AAAI 2026

HABIT: Chrono-Synergia Robust Progressive Learning Framework for Composed Image Retrieval

HABIT: 时序协同鲁棒渐进学习框架用于复合图像检索

Zixu Li, Yupeng Hu, Zhiwei Chen, Shiqi Zhang, Qinlei Huang, Zhiheng Fu, Yinwei Wei

机构 * School of Software, Shandong University（山东大学软件学院） 纠错

AI总结 HABIT框架通过互知识估计模块和双一致性渐进学习模块，解决复合图像检索中的噪声三元组对应问题，提升鲁棒性和检索性能。

Comments Accepted by AAAI 2026

ReTrack: Evidence-Driven Dual-Stream Directional Anchor Calibration Network for Composed Video Retrieval

ReTrack：基于证据的双流方向锚校准网络用于复合视频检索

Zixu Li, Yupeng Hu, Zhiwei Chen, Qinlei Huang, Guozhi Qiu, Zhiheng Fu, Meng Liu

机构 * School of Software, Shandong University（山东大学软件学院） ； School of Computer Science and Technology, Shandong Jianzhu University（山东建筑大学计算机科学与技术学院） 纠错

AI总结 ReTrack通过校准复合特征的方向偏差，解决复合视频检索中模态贡献纠缠、特征优化和检索不确定性问题，实现多模态查询理解的提升，并在复合图像检索任务中取得最佳性能。

Comments Accepted by AAAI 2026

Neuro-Symbolic Resolution of Recommendation Conflicts in Multimorbidity Clinical Guidelines

神经符号推荐冲突在多病共存临床指南中的解决

Shiyao Xie, Jian Du

机构 * Peking University（北京大学） ； National Institute of Health Data Science（国家健康数据科学研究院） ； Peking University Health Science Center（北京大学医学部） ； Institute of Medical Technology（医学技术研究院） 纠错

AI总结 本文提出神经符号框架解决多病共存临床指南中的推荐冲突问题，通过多智能体系统和SAT求解器验证逻辑规则，发现90.6%的冲突为局部冲突，F1分数达0.861。

Comments Accepted by Proceedings of the 40th Annual AAAI Conference on Artificial Intelligence (Bridge Program on Logic & AI: Logical and Symbolic Reasoning in Language Models)