近日，第40届人工智能年度大会AAAI 2026录用结果揭晓，百合小说 百合小说 预聘副教授简忠权老师关于情感计算、大语言模型的若干研究成果被接收为主会论文。

据悉，The 40th Annual AAAI Conference on Artificial Intelligence（AAAI）是人工智能领域的顶级国际学术会议，是中国计算机学会（CCF）推荐的A类会议，将于2026年1月20日至27日在新加坡举行。AAAI 2026共收到26380份有效投稿，其中4167篇论文被主会接收，录用率仅为17.6%。

【论文简介】 

论文题目：MDF: A Modality-aware Disentanglement and Fusion Framework for Multimodal Sentiment Analysis

录用类别：AAAI2026, Main Technical Track

作者：Zhongquan Jian+, Wenhan Lv+, Yanhao Chen, Guanran Luo, Wentao Qiu, Shaopan Wang, Qingqiang Wu*

完成单位：百合小说 ，厦门大学

论文介绍：

模态间的同质性与异质性是影响多模态融合的关键因素。在多模态情感分析（Multimodal Sentiment Analysis，MSA）中，音频模态中所蕴含的文本信息会与文本模态产生跨模态同质性；相反，文本与视觉模态之间的相互独立性则导致了它们的跨模态异质性。现有的基于解耦（Disentangle）的多模态方法虽然通过将模态特征分离到不同子空间中取得了显著性能提升，但往往忽视了不同模态间的跨模态异质性与同质性特征。为此，本文提出了一种新颖的模态感知解耦与融合框架（Modality-aware Disentangle and Fusion，MDF），以探究核心模态特征在多模态情感分析中的作用。具体而言，首先以文本模态为锚点，对音频模态进行解耦，提取其独特的模态特征，从而在文本、音频与视觉三者之间建立跨模态异质性。随后，设计了一个跨模态异质性增强模块（Cross-Modality Heterogeneity Enhancement, CHE），用于进一步精炼这些特征并强化其异质性。最后，引入模态自适应加权模块（Modality Adaptive Weighting, MAW），根据不同模态在情感预测中的潜在贡献，动态分配文本、音频与视觉模态的权重，从而获得更具表现力的多模态表示。在多个基准数据集上的实验结果表明，MDF具有显著的性能优势，大量的消融实验也验证了其有效性。

论文题目：Personality-guided Public-Private Domain Disentangled Hypergraph-Former Network for Multimodal Depression Detection

录用类别：AAAI2026, Main Technical Track

作者：Changzeng Fu, Shiwen Zhao, Yunze Zhang, Zhongquan Jian, Shiqi Zhao, Chaoran Liu*

完成单位：东北大学，百合小说

论文介绍：

抑郁症是全球性的重要心理健康问题，亟需高效且可靠的自动化检测方法。当前基于Transformer或图神经网络（Graph Neural Networks, GNNs）的多模态抑郁检测方法，在建模个体差异和跨模态时间依赖性方面面临显著挑战，尤其是在多样化的行为情境下。为此，本文提出了一种名为P3HF（Personality-guided Public-Private Domain Disentangled Hypergraph-Former Network）的新框架，具有以下三项核心创新：1）基于人格特征的表示学习：利用大型语言模型（LLMs）将离散的个体特征转化为具备语境信息的描述，从而实现个性化编码；2） Hypergraph-Former 架构：用于建模高阶跨模态时间关系；3）事件级领域解耦与对比学习机制：提升模型在不同行为情境下的泛化能力。在MPDD-Young数据集上的实验结果表明，P3HF在二分类与三分类抑郁检测任务中的准确率和加权F1值相比现有方法提升了约10%。大量消融实验验证了各个结构模块的独立贡献，进一步证明基于人格的表示学习与高阶超图推理在生成鲁棒且具个体感知能力的抑郁相关表示中均发挥了关键作用。

论文题目：Prototype Entropy Alignment: Reinforcing Structured Uncertainty in LLM Reasoning

录用类别：AAAI2026, Main Technical Track

作者：Zhengyuan Pan, Yanhao Chen, Zhongquan Jian, Wanru Zhao, Haonan Ma, Meihong Wang*, Qingqiang Wu*

完成单位：厦门大学，百合小说 ，中国科学院大学

论文介绍：

最新研究表明，少数具有高熵值的token对大型语言模型（LLMs）的推理质量具有显著影响。受此启发，本文提出了一种原型熵对齐（Prototype Entropy Alignment, PEA）方法，是一个将有效推理建模为一组可学习“熵特征签名”的强化学习框架。具体而言，PEA通过对专家推理轨迹中的不确定性模式进行聚类，动态生成一组原型以识别这些熵特征签名。随后，它通过奖励模型在自身推理过程中与这些不断演化的目标保持一致，从而形成一个自我改进的循环。与传统的基于结果的奖励不同，PEA提供了一种以过程为导向的补充信号。实验结果表明，这种协同作用至关重要：PEA在创造性和通用推理任务上显著提升了模型表现，并且在与基于结果的奖励结合时，在数学等结构化任务上达到了当前最优性能。通过奖励模型与多样且动态演化的推理结构保持一致，PEA为增强大型语言模型推理的深度与适应性提供了一条稳健、无需外部验证器的新途径。

（百合小说  简忠权 通讯员 黄昆畅）