文献追踪日报

扩散模型已成为图像可控生成与稠密预测等任务的有力框架。然而，现有模型往往难以捕捉底层语义（如边缘、纹理、形状），也难以有效利用上下文学习，限制了其上下文理解与图像生成质量；此外，高昂的计算成本与缓慢的推理速度阻碍了其实时应用。针对这些挑战，本文提出底层语义扩散（US-Diffusion）增强模型，在多任务场景下提升底层语义学习、计算效率与上下文学习能力。引入“分离与聚合适配器”（SGA），在共享架构的同时解耦不同任务的输入条件，实现更好的上下文学习与跨视觉域泛化；提出反馈辅助学习（FAL）框架，利用反馈信号引导模型捕捉语义细节并动态适应任务特定上下文线索；进一步提出即插即用的高效采样策略（ESS），在高噪声时间步进行稠密采样，在保持强上下文学习性能的同时优化训练与推理效率。实验结果表明，US-Diffusion 全面超越现有最优方法：Map2Image 任务 FID 平均降低 7.47，Image2Map 任务 RMSE 平均降低 0.026，推理速度提升约 9.45 倍。该方法在新数据集与任务上展现出卓越的训练效率与上下文学习能力，凸显其在多样视觉域中的鲁棒性与适应性。

近年来，端侧大模型（如 7B 参数的 LLM 与 LVLM）日益部署于移动助手、边缘计算与物联网等真实服务场景，低延迟与资源效率至关重要。由于通用域数据训练的大模型对下游服务通常并非最优，上下文学习（ICL）被广泛用于在不额外调优的情况下提升其任务特定服务性能。然而，有效的 ICL 通常需要充足监督数据以提供丰富的服务相关信息，导致模型需处理较长上下文（即更多文本或图像输入），这会显著降低实时推理效率并影响信息利用有效性，尤其对长上下文建模能力受限的端侧大模型影响更大。为应对该挑战，本文提出个性化知识精炼（PKR）框架，实现端侧大模型的高效有效 ICL。具体地，首先引入个性化知识提取模块，分析目标模型在小规模监督数据上的推理行为，并将这些行为模式转化为个性化服务知识作为指令上下文；进一步提出自适应知识过滤机制，建模所提取知识的信息量并消除冗余，提升单位上下文长度的知识编码效率。基于覆盖文本与视觉任务服务的 14 个基准及 4 种大模型的实验表明，PKR 在降低上下文长度与推理延迟的同时持续提升任务精度，是真实端侧服务的实用方案。

Web 服务的快速激增给 Mashup 开发带来重大挑战——开发者需集成多个 API 创建新应用。随着服务数量与复杂度持续增长，有效的推荐方法愈发重要。服务捆绑将互补服务分组，为提升 Mashup 构建的效率与质量提供了有前景的途径。近期方法试图通过联合建模 Mashup 与服务捆绑视角的交互来更好捕捉 Mashup 偏好，但仍面临语义数据稀缺、多层次描述差异与历史交互稀疏等挑战。为此，本文提出大模型增强的对齐对比学习服务捆绑推荐模型（LACL）。具体地，设计大模型增强语义插补块与多投影自编码器块以生成富化语义表示；基于历史交互关系在 Mashup、服务与捆绑之间建立信息传播，并引入双注意力块通过捕捉全局与局部协同信号缓解数据稀疏；最后提出对比学习策略，对齐并整合文本与结构特征，提升模型表征复杂语义的能力。真实数据集上的大量实验表明，LACL 在所有指标上显著优于现有最优方法，在真实 ProgrammableWeb 数据集上 NDCG 平均提升 10.31%、Recall 平均提升 16.67%。

医疗联邦学习面临机构多样性、数据约束与计算资源差异等挑战，需要公平有效的分布式医学图像分析创新方案，以在提升模型性能的同时处理不同医疗环境的独特数据特征。本文提出 RAGE-FED（面向联邦疾病诊断的资源感知生成框架），一种旨在解决上述问题的全新范式。RAGE-FED 以计算效率、通信开销降低与节能为核心，力求在保证诊断准确性与隐私的前提下最大化各医疗机构性能。为实现目标，框架采用先进的数据生成方法与自适应训练系统：通过动态模型复杂度调整与自适应学习率调度有效利用参与节点的不同处理能力；采用差分隐私与安全聚合等隐私保护技术保护患者隐私；并通过合成数据生成解决数据短缺与不平衡问题。基于胸部 X 光肺炎数据集的性能评估证实了 RAGE-FED 在多样医疗环境中的有效性，相比现有最优方法在效率、通信与能耗方面提升超过 21.47%；在脑肿瘤 MRI 与 HAM10000 皮肤病变图像上的扩展实验进一步验证了泛化性，分别提升 20.13% 与 17.85%。结合消融与敏感性分析，这些结果表明所提框架具有鲁棒性、可扩展性与广泛适用性。

本文考察强制分部披露对商业信用融资的影响。分部披露降低了供应商相对投资者评估企业违约风险的信息优势，从而减少企业对商业信用的依赖。利用 SFAS 131 的采用作为分部披露的冲击，本文发现分部披露降低了披露企业对商业信用的依赖，该效应在事前违约风险高、信息环境差与治理薄弱的企业中更强。进一步分析表明，分部披露降低了感知违约风险、缓解了融资约束、提升了股票流动性，并便利了信息敏感型证券的发行。

本研究考察上海原油期货（SC）市场对企业商业信用融资的影响。利用 2012—2023 年上市公司数据与双重差分模型，本文发现 SC 上市显著增加了石油依赖企业的商业信用融资。机制证据表明，SC 与信用风险及市场信息环境的改善相关，这与供应商的商业信用决策在经济上一致。横截面分析显示，该效应在投资能力更强、生产成本更高与透明度更低的企业中更为显著。经济后果分析表明，该效应进一步刺激了企业资本投资与技术创新。研究结果展示了能源金融创新如何支持实体经济并为中国能源行业稳定作出贡献。

本文考察商业秘密作为企业重要知识产权资产，是否以及如何影响商业信用提供。基于 1995—2023 年 8044 家美国企业的研究，本文发现更依赖商业秘密的企业向客户提供的商业信用更少，该发现在一系列敏感性检验与内生性检验中保持稳健。进一步的中介分析表明，这一负向关系源于专有知识带来的信息不对称加深与市场力量增强。最后，本文证明商业信用提供部分中介了商业秘密与企业价值之间的关系。

以往研究表明，CEO 行动主义的效果取决于其与利益相关者政治意识形态的一致性。本文考察 CEO 行动主义在何时以及为何能在跨意识形态谱系中提升企业声誉。将信号理论与声誉形成的认知视角相结合，本文认为 CEO 行动主义的声誉影响取决于企业的企业社会责任（CSR），后者能促进对组织真实性的感知。基于全国调查与实验，本文发现 CEO 行动主义通过感知道德真实性提升企业声誉；当企业获得 B Corp 认证、参与慈善捐赠或被感知为更具社会责任感时，该效应更强。尽管当利益相关者的政治意识形态与 CEO 行动主义一致时，其对企业的声誉评价更高，但当企业参与 CSR 从而发出真实性信号时，这种关系会减弱。这些发现展示了非市场战略如何相互作用以塑造企业声誉，并为面向异质受众的企业社会政治倡导提供了启示。

虚拟影响者（VIs）是社交媒体上日益流行的一类新型影响者，品牌正将其用于多种活动。然而，关于这些 VI 如何驱动粉丝信任与品牌爱的研究仍然有限。为此，本研究旨在理解 VI 的拟人化与态度同质性如何驱动对 VI 的信任与品牌爱。研究基于“计算机是社会行动者”（CASA）理论构建概念模型，以情感依恋与享乐体验为中介变量，通过问卷收集沙特阿拉伯 321 名受访者数据。研究发现，拟人化驱动情感依恋与享乐体验，进而决定对 VI 的信任与品牌爱；意见领导力的调节效应亦得到确认。研究建议社交媒体管理者在 VI 中融入更多类人特征，使其对用户更具吸引力与相关性。

拟人化人工智能（AI）在数字品牌中的快速兴起，正在改变消费者感知、解读与情感参与品牌中介互动的方式。本研究考察嵌入 AI 驱动品牌代理的类人线索（如对话温暖、社会临场感与自适应响应性）如何塑造消费者的认知与情感过程。基于心智感知理论、评价情感理论与“计算机是社会行动者”（CASA）范式，本文提出并实证检验了双路径框架：拟人化通过心智模型形成与情感评价影响品牌结果。研究采用混合方法设计，将 AI 拟人化的受控实验操作与 450 名参与者的调查数据相结合。结构方程建模（SEM）结果显示，拟人化 AI 显著增强心智模型形成（β=0.63, p<0.001）与情绪反应（β=0.58, p<0.001），进而预测信任（β=0.49, p<0.001）、满意（β=0.46, p<0.001）与感知品牌真实性（β=0.41, p<0.001）。多群组分析进一步揭示调节效应：年轻消费者表现出更强的情感参与，而数字素养较高的参与者更多依赖认知路径。这些发现凸显了 AI 作为关系型品牌行动者不断演化的角色，并强调校准类人设计特征在营造有意义、可信且富有情感共鸣的数字品牌体验中的重要性。本研究推进了对消费者—AI 交互的理论理解，并为设计促进当代品牌生态可持续参与的 AI 驱动触点提供了可操作指导。