IJCAI

An LLM-based Chain-of-Response Counter-Scam System

基于LLM的链式响应反诈骗系统

Heedou Kim, Mogan Gim, Donghee Choi, Hoonick Lee, Soonil Bae, Mi-Young Kim, Jaewoo Kang

AI总结 提出Counter Scam框架，利用LLM多智能体协同实现从检测到调查的端到端反诈骗响应，通过CSRA、CSRT和CSRD组件提升效率，实验表明微调sLLM在CSRT任务上超越商业模型10%以上。

Comments This paper has been accepted for publication at IJCAI 2026

Property Prediction of Stacked Bilayer Materials: A Multimodal Learning Approach

堆叠双层材料的性质预测：一种多模态学习方法

An Vuong, Minh-Hao Van, Chen Zhao, Xintao Wu

机构 * University of Arkansas（亚拉巴马大学） ； Baylor University（贝勒大学） 纠错

AI总结 提出一种多模态学习方法，通过联合建模不同材料层间的界面，预测给定配置下垂直堆叠产生的性质，实验证明其有效性和高效性。

Comments Accepted to the 35th International Joint Conference on Artificial Intelligence (IJCAI 2026)

Neural Decision-Propagation for Answer Set Programming

面向回答集编程的神经决策传播

Thomas Eiter, Katsumi Inoue, Sota Moriyama

机构 * Vienna University of Technology (TU Wien)（维也纳技术大学（ TU Wien）） ； National Institute of Informatics（日本信息处理学会） ； The Graduate University for Advanced Studies, SOKENDAI（高级研究大学，SOKENDAI） 纠错

AI总结 提出决策传播（DProp）方法及其可微扩展神经决策传播（NDProp），通过交替假决策和真传播高效计算稳定模型，提升神经符号推理的可扩展性和准确性。

Comments This is the full version (with appendix) of a paper appearing at the 35th International Joint Conference on Artificial Intelligence (IJCAI-ECAI 2026)

From Human Videos to Robot Manipulation: A Survey on Scalable Vision-Language-Action Learning with Human-Centric Data

从人类视频到机器人操作：基于人类中心数据的可扩展视觉-语言-动作学习综述

Zhiyuan Feng, Qixiu Li, Huizhi Liang, Rushuai Yang, Yichao Shen, Zhiying Du, Zhaowei Zhang, Yu Deng, Li Zhao, Hao Zhao, Zongqing Lu, Oier Mees, Marc Pollefeys, Jiaolong Yang, Baining Guo

机构 * Tsinghua University（清华大学） ； HKUST（香港科技大学） ； Xi’an Jiaotong University（西安交通大学） ； Fudan University（复旦大学） ； Microsoft Research Asia（微软亚洲研究院） ； Peking University（北京大学） ； Microsoft Zurich Project（微软苏黎世实验室） 纠错

AI总结 本文综述了如何将丰富的人类视频转化为视觉-语言-动作（VLA）模型的有效知识，分类了四种方法（潜在动作表示、预测世界模型、显式2D监督、显式3D重建），并指出了结构化非结构化视频、跨具身和视角的动作映射、以及评估协议设计三大挑战。

Comments Accepted to IJCAI 2026 Survey Track. Project page: https://aaronfengzy.github.io/HumanCentricToVLA-Survey/

Robust Contrastive Graph Clustering with Adaptive Local-Global Integration

鲁棒对比图聚类与自适应局部-全局整合

Lei Zhang, Fubo Sun, Haipeng Yang, Zhong Guan, Likang Wu

机构 * School of Computer Science and Technology, Anhui University（安徽大学计算机科学与技术学院） ； College of Management and Economics, Tianjin University（天津大学管理学院） 纠错

AI总结 提出一种对比图聚类框架，通过注意力机制自适应融合多尺度局部结构和全局语义原型，以解决复杂图中高阶局部结构捕获不足和全局语义忽略问题，提升聚类性能。

Comments Accepted at IJCAI 2026

LISTEN to Your Preferences: An LLM Framework for Multi-Objective Selection

LISTEN 你的偏好：面向多目标选择的LLM框架

Adam S. Jovine, Tinghan Ye, Francis Bahk, Jingjing Wang, Matthew Ford, David B. Shmoys, Peter I. Frazier

机构 * Cornell University（康奈尔大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 提出LISTEN框架，利用LLM作为决策代理，通过迭代优化内部偏好模型（LISTEN-U参数法或LISTEN-T非参数法）从自然语言中学习用户隐含偏好，实现多目标选择。

Comments Accepted at IJCAI-ECAI 2026 (the 35th International Joint Conference on Artificial Intelligence)

Physics-Guided Geometric Diffusion for Macro Placement Generation

物理引导的几何扩散用于宏单元布局生成

Jongho Yoon, Jinsung Jeon, Seokhyeong Kang

机构 * POSTECH Institute of Artificial Intelligence（POSTECH人工智能研究所） ； KAIST InnoCORE LLM（韩国科学技术院InnoCORE语言模型实验室） ； Seoul National University（首尔国立大学） ； Pohang University of Science and Technology（釜山科学技术大学） 纠错

AI总结 提出MacroDiff+框架，通过双域去噪架构和物理引导采样策略，在宏单元布局中同时优化拓扑连接和物理约束，在ISPD2005 MMS基准上实现线长减少6.1-6.2%。

Comments Accepted to IJCAI 2026. 9 pages, 5 figures

Towards Anytime Retrieval: A Benchmark for Anytime Person Re-Identification

面向任意时间检索：任意时间行人重识别基准

Xulin Li, Yan Lu, Bin Liu, Jiaze Li, Qinhong Yang, Tao Gong, Qi Chu, Mang Ye, Nenghai Yu

机构 * School of Cyber Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学与技术学院） ； Anhui Province Key Laboratory of Digital Security（安徽省数字安全重点实验室） ； The Chinese University of Hong Kong（香港中文大学） ； School of Computer Science, Wuhan University, China（武汉大学计算机科学学院） 纠错

AI总结 提出任意时间行人重识别（AT-ReID）任务，构建大规模多场景数据集AT-USTC，并设计统一模型Uni-AT实现全天候多场景有效检索。

Comments Accepted by IJCAI 2025 (oral)

Speeding Up Multi-Objective Hyperparameter Optimization by Task Similarity-Based Meta-Learning for the Tree-Structured Parzen Estimator

基于任务相似性元学习加速多目标超参数优化的树形结构Parzen估计器

Shuhei Watanabe, Noor Awad, Masaki Onishi, Frank Hutter

机构 * Department of Computer Science, University of Freiburg, Germany（弗赖堡大学计算机科学系） ； Artificial Intelligence Research Center, AIST, Tokyo, Japan（日本科学技术厅人工智能研究中心） 纠错

AI总结 提出利用任务间顶级域重叠定义的任务相似性扩展TPE采集函数到元学习设置，加速多目标超参数优化，理论分析并解决相似性局限，实验证明在表格HPO基准上达到最优性能并赢得AutoML 2022竞赛。

Comments Accpeted to IJCAI 2023

c-TPE: Tree-structured Parzen Estimator with Inequality Constraints for Expensive Hyperparameter Optimization

c-TPE: 带不等式约束的树结构Parzen估计器用于昂贵的超参数优化

Shuhei Watanabe, Frank Hutter

机构 * Department of Computer Science, University of Freiburg（弗赖堡大学计算机科学系） 纠错

AI总结 提出c-TPE方法，通过修改TPE的采样和模型以处理不等式约束，在81个昂贵HPO问题上取得最佳平均排名性能。

Comments Accepted to IJCAI 2023