由于微信公众号开始试行乱序推送，为了让您在第一时间获取AI新文，请将"AI新文"设为星标。
基于置信度的子图匹配用于图神经网络识别异嗜性邻居
原标题：Identifying heterophilic neighbors via confidence-based subgraph matching for graph neural networks
作者：Yoonhyuk Choi；Chong-Kwon Kim
期刊：Artificial Intelligence
出版时间：2026/09/01
摘要：图神经网络(GNNs) 在处理异嗜性图时常常遇到困难，在这种图中相邻节点倾向于具有不同的标签——这是现实世界网络中的常见情况。本文通过一个两阶段框架ConSM（基于置信度的子图匹配）来解决这一限制。首先，我们介绍了一个基于信心的子图匹配模块，该模块通过使用最优传输比较2跳邻域的结构相似性来估计边系数。此过程基于可调置信度比率识别任务无关或误导的边。其次，我们将这些边缘系数整合到一个符号感知标签传播机制中，该机制根据边缘置信度自适应地鼓励或抑制消息传递，从而在异质性下增强GNN的鲁棒性。与我们早期的会议版本[1]相比，本文提供了(i)对关键设计选择如基于子图的推理和使用2跳邻域更清晰的论证，(ii)一种无需手动搜索即可调整置信度比例的自适应策略，(iii)广泛的新的实验涵盖了最近异ophilic倾向的基础模型以及更大且无泄漏的数据集。实证结果表明，ConSM提高了分类准确率，缓解了过平滑问题，并在同质性和异质性制度下均保持有效。
原文链接
不确定性下的规划：对称性、政策推断和解决方案压缩
原标题：Planning with uncertainty: symmetries, policy inference, and solution compression
作者：Frederico Messa；André Grahl Pereira
期刊：Artificial Intelligence
出版时间：2026/09/01
摘要：完全可观测的非确定性(FOND)规划是不确定的人工智能规划的核心。它通过具有非确定性效果的动作来建模不确定性。在此工作中，我们提出了一系列技术，这些技术确立了明确的最佳优先策略空间搜索作为一种方法，可以与最先进的技术相媲美，用于解决FOND规划任务。我们研究如何定义政策之间的等价关系，允许修剪部分搜索空间。我们展示了可以使用群论技术有效地计算状态之间的规范对称性。我们也提出了两项超越单纯策略空间搜索的贡献：我们提出了一种在多项式时间内仅根据其定义域集推断出解决方案策略函数的过程，并且一种整数规划公式化过程，该过程给定一个完整状态下的解决方案策略，可以产生一组资源高效模型，能够找到表示它的部分状态策略，使用尽可能少的部分状态。
原文链接
任意数量信道下的重复囚徒困境的成功策略
原标题：A successful strategy for iterated Prisoner’s dilemma with any number of channels
作者：Zhaoheng Cao；Juan Shi；Zhen Wang；Shuyue Hu；Chen Chu
期刊：Artificial Intelligence
出版时间：2026/09/01
摘要：迭代囚徒困境（IPD）及其变体被广泛用于研究人类社会和AI系统中的合作。本文聚焦于任意有限数量通道的多通道IPD，并研究了代理人在这种设置下如何实现一般意义上的高收益。我们介绍了一种新的策略，该策略根据两个代理之间的累计背叛次数的差异来决定是否合作或背叛。这种方法自然具备友善性、报复性和宽容性。此外，我们从理论上分析了我们的提议策略在各种场景下的性能，包括有错误和无错误的自博弈，以及对抗一系列多样化的对手策略。值得注意的是，我们证明了我们的策略是无敌的，确保它永远不会获得低于任何对手策略的预期收益。最后，我们证明我们的策略是稳定的，在自我博弈条件下构成一个(approximate)纳什均衡或子博弈精炼均衡。大量的模拟实验实证验证了我们的策略的进化优势，并展示了其促进合作的出现和持续的潜力。
原文链接
用于LTL[
原标题：An optimal pastification algorithm forLTL [ X , F ]andLTL [ X , G ]
作者：Alessro Artale；Luca Geatti；Nicola Gigante；Alessio Mansutti；Andrea Mazzullo；Angelo Montanari
期刊：Artificial Intelligence
出版时间：2026/08/01
摘要：我们研究了线性时态逻辑（LTL）的一个片段，其中包括明天（X）和最终（F）模态，并在此片段内提出了解决过去化问题的单指数时间算法。过去化问题包括构造一个对于给定的LTL公式等价的公式，该公式仅使用过去的时态运算符。对于此任务在全LTL中以及所考虑的片段中的最知名算法表现出三重指数时间复杂性，我们的方法在此片段中实现了最优复杂度。提出的算法分为两个主要阶段：(i) 首先将输入公式转换成一种定制的标准形式，然后(ii) 从归一化公式的树状结构合成一个纯过去公式。通过对算法进行一些小的修改，该算法可以扩展以处理包含明天和全局模态的LTL片段。我们在时序推理工具BLACK中实现了该算法，并报告了对其性能的实验评估。1
原文链接
探索群体公平度量中缺失数据插补的影响
原标题：Exploring the influence of missing data imputation in group fairness metrics
作者：Arthur Dantas Mangussi；Ricardo Cardoso Pereira；Miriam Seoane Santos；Ana Carolina Lorena；Mykola Pechenizkiy；Pedro Henriques Abreu
期刊：Artificial Intelligence
出版时间：2026/08/01
摘要：缺失数据是现实世界数据集中的一个常见问题，并且可以被描述为数据集中一个或多个变量的信息不足。处理这一问题最常用的技术是插补，即根据预定义的标准替换缺失值。由于缺失值通常是根据数据集中已知的值进行插补的，因此在插补过程中现有的数据问题可能会被传播。一个这样的问题是公平性，这一概念是负责任的人工智能实践的核心。这项工作通过考察插补过程如何影响机器学习模型中预测的公平性来研究插补过程对系统公平性的影响。它提供了全面的分析，涵盖了十三个不公平基准数据集，在一个多变量场景中，采用合成的非随机缺失和随机缺失机制，使用六种最先进的插补策略，并且缺失率为10%，20%，40%和60%。公平性通过以下指标进行衡量：统计独立性（Statistical Parity）、均衡机会（Equalized Odds）、机会均等（Equality of Opportunity）、预测平等（Predictive Equality）、正预测值均等（Equality of Positive Predicted Values）和负预测值均等（Equality of Negative Predicted Values）。结果表明，缺失机制、分类器选择以及插补策略对机器学习模型获得的预测公平性有决定性影响。
原文链接
选择超启发式可以自动调整学习期以优化求解伪布尔问题
原标题：Selection hyper-heuristics can automatically adjust the learning period to optimally solve pseudo-Boolean problems
作者：Benjamin Doerr；Pietro S. Oliveto；John Alasdair Warwicker
期刊：Artificial Intelligence
出版时间：2026/08/01
摘要：随机梯度超启发式最近被证明能够通过随机局部搜索（RLS）元启发式在优化LeadingOnes基准时学习到最优邻域大小。然而，为了实现这一点，必须使用一定长度的学习期τ，这不同于经典超启发式算法，后者仅根据前一次迭代的成功与否改变其行为。本文展示了如何自动设置这个新参数值，从而释放用户从事这项非平凡任务的负担，即控制这一新型算法参数。我们证明所得出的超启发式在1−o(1)比例的迭代中选择最优邻域大小，并因此以最佳可能的时间优化LeadingOnes基准测试（除了较低阶项以外）。
原文链接
基于多目标优化的挖掘频繁和稀有关联规则的创新约束模型
原标题：Innovative constraint models for mining frequent and rare association rules using multi-objective optimization
作者：Charles Vernerey；Samir Loudni；Noureddine Aribi；Yahia Lebbah
期刊：Artificial Intelligence
出版时间：2026/08/01
摘要：基于约束的模式挖掘是众多数据挖掘任务的核心。通常，模式挖掘问题被处理为约束求解任务。然而，在实践中，所得到的模式往往是大的，并且选择这些约束的适当阈值可能是具有挑战性的。本文通过将数据挖掘算法扩展到优化领域来解决这些问题，将任务视为根据一组目标函数识别最佳模式的任务。我们探索了一种多目标优化方法，在这种方法中，几个可能存在冲突的目标被同时优化。在没有偏好(Preferences)的情况下，帕累托优势通常用于识别最优折中方案。我们提出了一种新颖的约束编程模型，旨在高效地挖掘帕累托最优模式。我们的模型利用凝练的模式表示来减少计算工作量，并引入了一个新的全局约束来强制执行跨多个度量的模式闭合。我们展示了我们的方法在不依赖阈值的情况下推导高质量的频繁和(rare)非冗余关联规则的应用。我们的方法的有效性通过使用UCI数据集以及一个涉及基因表达分析的案例研究得到了验证，在该案例研究中整合了多个外部基因注释。
原文链接
基于前提选择的逻辑公式图简化表示和学习(ATWGNNS)
原标题：ATWGNNS: Graph simplified representation and learning of logical formula for premise selection
作者：Xingxing He；Zhongxu Zhao；Yongqi Lan；Yingfang Li；Li Zou；Luis Martínez；Tianrui Li
期刊：Artificial Intelligence
出版时间：2026/08/01
摘要：前提选择有效地解决了大型理论定理证明的挑战，在这些挑战中，图神经网络（GNNs）及其变体是常用的方法。相反，优化一阶逻辑公式图表示的问题很少被提及，特别是在简化以及嵌入过程中保持的逻辑属性方面。本文提出了一种基于注意力术语行走的简化图表示的GNN模型（ATWGNNS），用于前提选择。首先，介绍了一种简化的公式图表示方法，在该方法中消除了公式图中的重复量词。接下来，我们介绍了测量公式和图形相似性的方法。证明了不含重复量词的图的相似度大于保留原始量词的其他图。此外，逻辑公式的相似度越高，对应的图的相似度也越大。这证实了图表示方法的可解释性。最后，提出了一种基于术语遍历的GNN，并带有注意力机制，在移除重复量词后，用于在简化公式图中保留任务相关的结构信息。实验结果表明，使用所提出的方法开发的模型在前提选择方面优于最先进的模型。
原文链接
稀疏社交网络中两种意见传播的平衡
原标题：Balancing the spread of two opinions in sparse social networks
作者：Dušan Knop；Šimon Schierreich；Ondřej Suchý
期刊：Artificial Intelligence
出版时间：2026/08/01
摘要：受著名的Target集选择问题启发，我们提出一个新的离散模型，在社交网络中同时传播两种意见，并进行初步的复杂性研究。这里，我们给出一个社交网络，每个意见的一组种子代理，每个代理的两个阈值，一个预算，以及若干轮次。第一个阈值代表了代理人如果完全没有观点时采纳一个观点的意愿，而第二个阈值则表示代理人已经拥有一个观点时获得第二种观点的意愿。目标是在初始种子集中最多增加预算数量的代理，使得从这些扩展后的种子集开始的过程在给定轮数内稳定下来，每个代理要么拥有两种意见，要么没有意见。也就是说，我们的目标是确保意见的传播是平衡的。我们证明该问题是NP-难的，并且因此从参数化复杂性的角度研究该问题。特别地，我们证明了该问题在用轮数、最大阈值和树宽联合参数化时是固定参数可解的(FPT)。该算法也适用于结合参数(树深度和最大阈值)。最后，我们证明了该问题在仅参数化于输入网络的顶点覆盖数、3-路径顶点覆盖数或顶点完整性时是固定参数可解的。为了补充我们的可处理性结果，我们证明了该问题在a)初始种子集的大小和反馈顶点集数量结合的情况下是W[1]-难解的，即使所有阈值都受常数限制，以及b)预算、4-路径顶点覆盖数和反馈顶点集数量结合的情况下也是W[1]-难解的，即使每个激活过程最多稳定于4轮之内。
原文链接
面向上下文感知的图表示学习：使用LLMs进行自适应节点聚合
原标题：Towards Context-Aware Graph Representation Learning: Adaptive Node Aggregation with LLMs
作者：Songwei Zhao；Yuan Jiang；Sinuo Zhang；Jifeng Hu；Philip S. Yu；Hechang Chen
期刊：Artificial Intelligence
出版时间：2026/06/14
摘要：图结构数据上的表示学习是图机器学习中的一个关键研究领域，在社交网络和推荐系统等现实世界领域中有着广泛的应用。传统的图神经网络（GNNs）通常依赖于浅层文本特征上的静态图聚合函数（例如，均值，求和），这限制了它们建模节点之间复杂语义交互的能力。最近的研究进展引入了大型语言模型（LLMs）通过深度语义编码增强节点特征。然而，大多数现有研究将大语言模型视为静态编码器，忽视了它们在推理节点间关系方面的潜力。在这项工作中，我们提出了基于大型语言模型的定制节点聚合（LTNA），这是一种利用大型语言模型的上下文推理能力生成适应性语义驱动聚合策略的新方法，每种策略针对每个节点。与其依赖固定的规则或全局函数，LTNA提示LLM推断一个节点与其邻居之间的关系意义（例如，支持性的，批判性的，背景的），并根据推断的意义输出自定义的聚合策略。这使得在GNN中传递消息能够超越数值聚合，成为一种上下文敏感的语义操作。通过共同利用节点文本属性和图结构，LTNA 提升了节点表示的表达能力，并在下游任务中提高了性能。广泛的实验表明，在五个基准数据集上，LTNA在分类准确率方面平均提高了7.95%，在Micro-F1得分方面平均提高了9.90%，优于最先进的GNN模型。
原文链接
重新定义ABA(+语义) 通过抽象集到集攻击
原标题：RedefiningABA +Semantics via Abstract Set-To-Set Attacks
作者：Yannis Dimopoulos；Wolfgang Dvořák；Anna Rapberger；Matthias König；Markus Ulbricht；Stefan Woltran
期刊：Artificial Intelligence
出版时间：2026/05/06
摘要：基于假设的论证（ABA）是一种强大的可废止推理形式化方法，它基于假设、其对立面以及推理规则之间的相互作用。带偏好ABA+(ABA with preferences)通过允许对假设进行定性比较而扩展了基本模型。然而整合偏好是需要付出代价的。在ABA+中，在两种中心且已确立的语义——基于事实的语义和完备语义——下进行的评估不能保证得出结果。此外，在没有偏好情况下，ABA框架允许在Dung风格框架中采用基于图的表示方法，然而迄今为止，对于一般性的ABA+框架尚无相应的实例化。在这项工作中，我们解决了这两个问题：首先，我们开发了一种基于集对集攻击的新颖抽象论证形式化方法。我们表明我们的所谓超论辩框架（HYPAFs）捕获了ABA+中假设之间的攻击关系。其次，我们利用ABA+和HYPAF之间的对应关系来获得HYPAF的完全语义和基于根基的语义的松弛变体，这些变体设计上能够为所有框架提供一个扩展，同时仍然忠实于Dung风格论辩框架所建立的语义。最后，我们讨论了基本属性，并对抽象的HYPAFs以及ABA+进行了彻底的复杂性分析。
原文链接
功利主义预测扭曲
原标题：Utilitarian Distortion with Predictions
作者：Aris Filos-Ratsikas；Georgios Kalantzis；Alexros A. Voudouris
期刊：Artificial Intelligence
出版时间：2026/05/05
摘要：我们研究了在最近提出的增强学习框架下社会选择机制的功利主义扭曲，在此框架中提供了一些(possibly unreliable)关于代理人的偏好预测信息作为输入。特别地，我们考虑两个基本的社会选择问题：单票选举和单边匹配。在这些设置中，代理对备选方案（either candidates or items）的序数偏好是已知的，并且还提供了一些关于其潜在基数价值的预测。目标是利用预测在准确的情况下实现改进的失真保证，同时仍然在不准确的情况下实现合理的最坏情况界限。这导致了一致性和稳健性这两个概念的提出，并追求在这两者之间实现最佳可能的权衡。我们展示了单轮投票和单边匹配的序数机制在不同预测信息水平下的一致性和鲁棒性之间的紧致权衡关系。
原文链接
近似多目标搜索
原标题：Approximate Multi-Objective Search
作者：Han Zhang；Oren Salzman；T. K Satish Kumar；Ariel Felner；Carlos Hernández Ulloa；Sven Koenig
期刊：Artificial Intelligence
出版时间：2026/04/25
摘要：在多目标搜索中，我们考虑一个其边用多个成本组件标注的图。一个典型的任务是计算帕累托前沿，即从给定的起始状态到图的给定目标状态的所有非支配路径的集合。然而，Pareto前沿的大小可以是图的大小的指数级，计算整个Pareto前沿可能非常耗时。因此，在本文中，我们研究如何为用户提供的一個近似因子找到一个近似前沿。这样的前沿可以显著小于帕累托前沿，从而能够设计出高效的近似多目标搜索算法。我们提出了一种名为Apex的算法，该算法使用一种高效但近似的表示方法来计算具有相似成本路径的近似前沿。在搜索过程中，它避免显式存储所有路径，从而减少搜索工作量。我们展示了Apex可以作为一个算法构建模块来解决其他问题，通过提出(1)一个任何时间变种的Apex，它快速计算出初始近似前沿，然后努力找到更好的近似前沿，直到最终找到整个帕累托前沿和(2)一个用于近似求解加权约束最短路径(WCSP)问题的Apex变种，这是一个与多目标搜索密切相关的难题。为了评估，我们使用了来自第9届DIMACS实现挑战赛的路网：最短路径评估。我们的实验结果表明Apex及其WCSP变体在运行时间方面可以比现有的最佳算法高出多个数量级。我们还表明，在给定有限运行时间的情况下，Apex的任意时间变体通常计算出比最新算法更好的近似前沿。
原文链接
带有事后ROI限制的拍卖设计
原标题：Auction Design with Ex Post ROI Constraints
作者：Hongtao Lv；Xiaohui Bei；Zhenzhe Zheng；Fan Wu
期刊：Artificial Intelligence
出版时间：2026/04/24
摘要：受在线广告实际限制的启发，我们研究了针对投资回报率(ROI)有限制的竞拍者的单参数拍卖设计——即获得的价值与支付之间的目标最小比率。我们关注于事后ROI约束，这些约束要求对于每一个实现的价值配置都需要满足ROI条件。在受ROI约束的竞标者情况下，我们首先全面描述了占优策略激励相容（DSIC）拍卖的分配和支付规则。特别地，我们表明对于任意单调分配规则，对应的DSIC支付应该是Myerson支付，并且给每个竞标者一个回扣以满足他们的ROI约束。此外，在满足一个适度的规律性条件的情况下，我们还确定了物品仅售予单一竞拍者的最优拍卖结构。这种结构包含一个随机分配方案和一个第一价格支付规则，这不同于确定性的Myerson拍卖以及之前关于事前ROI约束的研究工作。最后，对于多个受ROI约束的竞标者，我们研究了简单的拍卖设计，特别是确定性拍卖设计以及它们如何可以应用于赞助搜索拍卖。
原文链接
基于梯度的Mixup结合外推以趋向平坦极小值用于领域泛化
原标题：Learning Gradient-based Mixup with Extrapolation toward Flatter Minima for Domain Generalization
作者：Danni Peng；Sinno Jialin Pan
期刊：Artificial Intelligence
出版时间：2026/04/23
摘要：为了应对训练数据和测试数据之间的分布变化，领域泛化（DG）利用多个源领域来学习一个能够很好地推广到未见领域的模型。然而，现有的领域泛化方法常常过度拟合于源域，部分原因是特征空间中预期区域的覆盖范围有限。受此启发，我们提出通过数据插值和外推来执行mixup，以覆盖潜在未见的区域。为了防止无约束外推的不利影响，我们精心设计了一种策略来生成实例权重，名为Flatness-aware Gradient-based Mixup (FGMix)。该政策依赖于基于梯度的兼容性，赋予携带更多不变信息的实例更大的权重，并学习向更平坦极小值混合策略，以实现更好的泛化。在DomainBed基准测试中，我们验证了FGMix各种设计的有效性，并展示了其优于其他领域泛化算法的优势。
原文链接
关于弱一阶和二阶梯度利普希茨下SignSGD收敛性的研究
原标题：On the Convergence of SignSGD under Weak First- and Second-Order Gradient Lipschitz
作者：Tao Sun；Xinwang Liu
期刊：Artificial Intelligence
出版时间：2026/04/22
摘要：基于符号的随机方法因其仅使用特定字段更新的几个符号位信息就能表现良好而吸引了越来越多的关注。然而，对于此类方法的收敛性分析总是依赖于严格的假设，即函数具有全局一阶或二阶梯度利普希茨连续性；这样的假设非常限制性强，并且通常在现实世界实例中无法满足，例如训练深度神经网络。本文重新考虑了基于符号的方法，并在对一阶和二阶梯度利普希茨条件作了更为现实的假设下研究了此类方案的收敛性。我们证明了这些弱假设对于一类具有权重衰减训练的两层神经网络成立。然后我们证明了一类符号基方法在弱一阶梯度利普希茨框架下的收敛性，并引入了一个修改后的二阶条件，该条件仍然允许非凸加速在相应的符号基框架中。与其它方法不同，我们的研究结果基于较少的限制性假设，从而扩大了其适用范围。
原文链接
可解释的股票运动预测通过混合反射和直接偏好层次优化(ExPred)
原标题：ExPred: Explainable Stock Movement Prediction via Hybrid Reflection and Direct Preference Hierarchical Optimization
作者：Shuqi Li；Heyue Lin；Xin Liu；Rui Yan
期刊：Artificial Intelligence
出版时间：2026/04/10
摘要：股价受到多种因素的影响，使得很难确定价格变动的确切原因。虽然大型语言模型（LLMs）为可解释的股票预测提供了一条有希望的道路，现有的框架面临两个关键限制。首先，尽管最近的方法通过自我反思实现了数据标注的自动化，但它们通常会丢弃“(硬样本)”即模型无法自我纠正的数据，导致训练数据存在偏差且缺乏对复杂市场场景的覆盖。其次，将预测准确性和解释质量视为同等重要的目标忽略了它们内在的层级关系：只有当相应的预测是准确的时候，解释才有意义。为了填补这些空白，我们提出了ExPred，一个集成了混合反射代理(HRA)和直接偏好层次优化(DPHO)算法的新框架。为了提高数据覆盖率，HRA结合了监督反射循环以及自我反思，注入教师信号来恢复难例，并自动生成优选对与非优选对。在此基础上，DPHO 通过在标记级别优化明确优先考虑预测正确性，同时在句子层面精炼解释的一致性。实证实验表明，ExPred 成功地实现了这两个目标的对齐，在预测准确率和解释质量上都显著优于最先进的基准方法。我们的代码可在https://github.com/Shuqi-li/ExPred获取。
原文链接
一心，多语：对大型语言模型中语言不可知知识神经元的深入探究
原标题：One mind, many tongues: A deep dive into language-agnostic knowledge neurons in large language models
作者：Pengfei Cao；Yuheng Chen；Zhuoran Jin；Yubo Chen；Kang Liu；Jun Zhao
期刊：Artificial Intelligence
出版时间：2026/04/01
摘要：大型语言模型（LLMs）通过在大规模语料库上进行自监督预训练而学习了大量的事实性知识。同时，LLM也展示了出色的多语言能力，可以将学到的知识用多种语言表达。然而，LLMs中的知识存储机制仍然神秘。一些研究人员试图从知识神经元的角度揭开大语言模型中的事实知识的神秘面纱，并随后发现了一些语言不可知的知识神经元，这些神经元以超越语言障碍的形式存储事实知识。然而，初步发现存在两个局限性：1)定位结果的高不确定性。现有研究仅使用基于提示的探针来定位每个事实的知识神经元，而大型语言模型无法为语义等价的查询提供一致的答案。因此，它会导致定位结果不准确且不确定性很高。缺少更多语言的分析。本研究仅分析了在英语和汉语数据上的语言无关知识神经元，而未探索更多语系和语言。这自然限制了研究结果的普适性。为了解决上述问题，我们首先构建了一个新的基准测试，称为重述多语言LAMA（Rephrased Multilingual LAMA，RML-LAMA），其中包含每种事实的高质量填空式多语言平行查询。然后，我们提出了一种名为多语言集成梯度不确定性估计（MaTrice）的新方法，该方法在知识定位过程中量化了查询和语言之间的不确定性。大量的实验表明，我们的方法可以准确地定位无语言障碍的知识神经元。我们进一步研究了跨语言知识编辑、知识增强和新知识注入中语言不可知的知识神经元的作用。
原文链接
全局和局部背景下的短文本神经主题模型
原标题：Global and local context in short text neural topic model
作者：Tung Nguyen；Linh Ngo Van；Anh Nguyen Duc；Sang Dinh Viet
期刊：Artificial Intelligence
出版时间：2026/04/01
摘要：主题模型由于数据碎片化而在处理短文本语料库时存在困难。关键挑战包括由于有限的词汇共现模式导致的数据稀疏性和由于不完整的重构目标导致的标签稀疏性。解决这些问题的方法通常分为两类：利用全局上下文或专注于短文档的局部特征。第一种方法将额外的上下文信息纳入模型中，但存在诸如计算复杂度高、聚合质量差以及难以推断单个文本的主题分布等缺点。相反，强调本地背景会产生更清晰的主题比例和更加分明的主题，但并不能完全克服短文本主题建模中稀疏的本地特征问题。在本文中，我们提出了GLSTM（Global and Local Context in Short Text Neural Topic Model），一种通过利用短文本信息及其更广泛的全局上下文来解决这些挑战的新方法。GLSTM 使用每个短文本周围的上下文构建一个全局文档 然后推断全局和局部（short）文档的主题分布此外，它通过应用基于量化的方法来增强局部文档-主题分布，使该分布更加尖锐和更具信息量。此外,GLSTM融合全局上下文以增强重构损失,有效缓解了标签稀疏问题。大量的短文本数据集上的实验表明，我们的方法在主题质量和文档表示方面都优于最先进的模型。
原文链接
比例正当代表
原标题：Proportional justified representation
作者：Luis Sánchez-Fernández；Edith Elkind；Martin Lackner；Norberto Fernández García；Jesús A. Fisteus；Pablo Basanta Val；Piotr Skowron
期刊：Artificial Intelligence
出版时间：2026/04/01
摘要：多轮选举的目标是根据选民的偏好选择一个固定规模的委员会。在这个背景下，一个重要问题是代表问题：具有共同偏好的大量选民群体应该通过选举获胜者得到充分的代表。在一篇有影响力的论文中，Aziz等人。提出了两个旨在捕捉这一理念的公理：正当表示(JR)及其加强形式扩展正当表示(EJR)。我们观察到EJR与高度理想的完美代表(PR)标准不兼容，并提出了一种对EJR的放松，我们称之为比例正当代表(PJR)。PJR比JR要求更高，但与EJR不同的是，它与PR兼容，并且还与我们称为分数完美表示(FPR)的该公理更强的一种变体兼容。此外，就像EJR一样，PJR可以用于表征加权PAV规则类中的经典批准投票规则(PAV)。另一方面，我们表明EJR提供的平均选民满意度保证比PJR更强。
原文链接
