文献追踪日报

传统社会选择理论仅适用于在少数预定备选方案中作出选择，而无法处理诸如集体撰写文本陈述等更复杂的决策。我们提出“生成式社会选择”框架，将社会选择理论的数学严谨性与大语言模型生成文本和偏好外推的能力相结合。该框架将AI增强式民主过程的设计分为两个部分：其一，证明该过程在可访问预言查询时满足严格的代表性保障；其二，实证验证这些查询可借助大语言模型近似实现。我们以生成一份能够代表在线协商等场景中自由文本表达意见的陈述清单为例，展示了该框架的应用。

随着互联网AI技术的普及，金融舞弊（尤其在机器学习情境下）成为亟待解决的问题。深度学习与自然语言处理等技术为借助财务报表检测舞弊提供了有效工具，提高了数据分析的效率与准确性，有助于保障金融安全。本文提出一种精密的表示学习方法，通过追踪公司管理层讨论与分析（MD&A）文档随时间的细微变化来检测财务报表舞弊。与传统词频方法不同，我们按段落级相似度对齐相邻披露间的段落，将其分为新增、删除与匹配三类；随后基于舞弊相关词类构建多维变化轨迹表征；最后利用这些词级变化轨迹设计舞弊检测模型，并与若干传统模型及最新的时序基础模型对比。基于1995至2019年24年财务报告数据的实验表明，我们的表示学习方法显著提升了11种机器学习模型的财务报表舞弊检测性能，持续优于传统词频方法，为财务报表舞弊检测的特征工程开辟了新范式。

近年来，大语言模型（LLM）技术取得飞速进展。随着模型参数规模持续增长，训练LLM对数据存储容量与访问效率提出了更高要求与挑战。通过分析训练负载与LLM的I/O特征，本文揭示了传统存储系统在LLM训练中的主要瓶颈，包括长时间的检查点中断、低效的故障恢复以及不足的数据加载性能。针对这些挑战，我们提出面向LLM训练的存储优化框架LMStor：采用全异步分层检查点技术，利用GPU到主机内存的异步拷贝与缓存层双副本存储；引入基于缓存一致性的多级故障恢复策略，可根据故障等级选择最优恢复方案；并实现数据集加载加速技术，采用优化预取策略与多级缓存机制。实验结果表明，LMStor将检查点中断从分钟级降至毫秒级，故障恢复效率较传统方法提升3至24倍，数据集加载效率较Alluxio提升46.63%。在LLaMA2-70B高频检查点场景下，与Megatron同步方案、Alluxio同步方案及Alluxio+DLRover异步方案相比，LMStor将总训练时间分别缩短39.9%、20.7%和5.1%。

本体匹配（OM）在实现异构知识源的语义互操作与集成中发挥关键作用，尤其是在包含大量疾病与药物相关复杂概念的生物医学领域。本文提出GenOM——一个基于大语言模型（LLM）的本体对齐框架：通过生成文本定义来丰富本体概念的语义表征，用嵌入模型检索对齐候选，并结合精确词汇匹配工具提升精度。在OAEI Bio-ML基准上的大量实验表明，GenOM通常能达到具有竞争力的性能，超越包括传统OM系统与最新基于LLM方法在内的众多基线。消融实验证实了语义增强的有效性，凸显了框架的稳健性与适应性。除匹配框架本身外，本文还提出了一套评估生成概念定义质量的准则，为分析LLM生成描述提供了更系统的依据。

数据现被广泛视为企业改善运营决策的关键资产。然而，数据驱动的决策可能无意中暴露私有数据，使企业面临不可预见的风险。如何通过保护数据不被从可观察决策中推断来管理数据安全风险，因此成为重要问题。本文聚焦供应链中的数据安全，因其具有数据密集型特征。具体而言，我们考察数据驱动的情境报童问题；为量化并保障数据安全，采用差分隐私这一在数学上严格的数据安全度量，可限制攻击者的推断精度。借助卷积平滑与噪声注入，我们提出若干差分隐私算法，可同时证明性地保证数据安全与（近）最优渐近绩效。

供应链中断是金融稳定中被广泛忽视的风险来源。与金融网络类似，供应链网络（SCN）中的系统性风险源于单个或少数企业的局部失败影响其他企业生产，并可能引发波及经济重要部分的级联性生产下降。本文研究SCN中的系统性风险如何通过“供应链传染导致银行—企业贷款关联违约”的机制转化为金融系统性风险。我们构建面向宏观审慎应用的金融压力测试框架，融合国家层面的企业SCN、银企贷款与银行间网络；模型以包含匈牙利约100万条企业供应链链接、几乎所有银企贷款与全部银行间贷款的独特数据集校准。以COVID-19真实冲击情景为例，模型揭示实体经济中断动态如何导致并放大银行间偿付能力传染：SCN传染使银行间传染放大70%；个体企业失败引发的银行间传染可将供应链传染违约所致的银行权益损失最多放大28%。该框架是首个在智能体层面纳入经供应链传染传导的真实经济冲击的金融系统性风险模型，为理解实体经济与金融系统间的动态互动开辟了直接、事件驱动的研究路径。

目前推动航运业脱碳的市场机制仍存在不足，现有方法大多侧重于规范船舶的运营方式，而非其运输的货物。本研究提出“货物装载信用交易机制”（CLCTS）——一种基于产出量的基准与信用机制。为评估该机制，我们首先在开放交易体系下构建船舶层面与船队层面的决策模型，并将其与基于船舶效率的信用交易机制比较。结果表明：在相同排放预算下，该机制通过统一激励所有船舶降低航速，以更低合规成本实现更大减排。我们还将模型扩展至覆盖全球船队的封闭行业体系；该机制能够形成唯一且可预测的均衡状态，使监管机构可以通过政策标准控制信用价格与总排放量。总体而言，这种基于服务的机制为航运业脱碳提供了更优的政策选择。

航运业是全球温室气体排放的重要来源，对实现国际海事组织2050年脱碳目标构成重大挑战。波塞冬原则为金融机构将其投资组合与这些气候目标保持一致提供了框架，采用年度效率比与碳强度指标等指标。然而，气候指标与金融体系之间的错位会造成资本获取障碍，阻碍低碳技术投资。本研究运用模糊认知映射（FCM）考察海事行业环境绩效、监管合规与融资可及性之间的复杂关系。FCM模型识别出改善资本可及性的关键杠杆点，如提升能源效率、采纳创新技术以及碳定价等政策干预，并通过模拟揭示各项因素间的动态反馈机制。

随着全球化数字平台的发展，文化生产的价值观与表达方式发生变革。本文对YouTube上五种语言（英语、德语、意大利语、日语、韩语）的200个美妆与科技产品测评视频进行比较分析，探讨全球创作者文化。研究发现，测评博主在沟通策略上呈现显著共性：普遍采用“推拉结合”的沟通方式——一方面通过强调美学、功能性、愉悦感、独特性、经济性等共同价值强化自身评价的合理性；另一方面在范围（以“视情况而定”等修辞缩小测评适用范围）、风格（通过幽默削弱测评严肃性）、权威（以“这只是我个人的观点”等免责声明淡化自身权威性）、内容（只关注产品优点或将批评转化为对未来产品迭代的期许）等方面弱化评价影响，即“限定性影响”（qualified influence）。这种策略反映创作者在平台、观众与广告商之间寻求平衡：既要保持“真实的自我表达”以建立信任，又要避免因过于绝对化的评价引发争议。尽管性别与地域差异仍在一定程度上存在，但YouTube等平台的逻辑正推动一种新型趋同的跨文化沟通方式的产生。

研究表明叙事能够唤起共情，但仍需对能够持续引发共情的特定叙事特征与认知机制展开研究。为填补这一空白，本研究提出并检验“共情苦难理论”，该理论假定角色困境的描绘通过共情与认可两种机制影响态度与行为意图。两项针对美国成年人的实验（N=219与N=372）使用30秒广告（含或不含角色困境描绘）检验该理论。两项研究的结果均强有力地支持该理论，共情与认可中介了困境对态度与行为意图的影响。

理解人们如何感知虚拟人类与真人之间的差异具有重要意义。基于心智感知理论，本研究考察品牌代言丑闻中虚拟网红（VI）与真人网红（HI）在道德责任归因与信任动态上是否存在差异。在一项使用CloudResearch美国被试（N=167）的被试间实验中，我们发现：尽管参与者认为VI拥有更少的心智与道德能动性，但他们仍对VI与HI赋予相近的责备程度与过错感知。有趣的是，VI代言中的道歉在信任修复上比HI代言更有效，尤其是当VI主动道歉时。本研究为人们如何对虚拟智能体进行道德评价提供了洞见，并为品牌在广告中使用VI及危机沟通策略提供了启示。