Knowledge-Enhanced Agentic Vulnerability Repair
知识增强的智能体漏洞修复
专题命中 诊断辅助 ：diagnosis(abstract)
AI总结 提出KeaRepair，一种基于智能体的自动化漏洞修复方法，通过提取历史漏洞知识并利用工具增强的智能体进行诊断，生成并迭代优化补丁，在55个C/C++漏洞上修复率达83.64%。
科学与医疗
医学 AI
医学智能、临床 AI、医学影像、病理、诊断和医疗健康大模型。
1. 诊断辅助 9 篇
ASPIRE: Agentic /Skills Discovery for Robotics
ASPIRE: 面向机器人的智能体技能发现
机构 * NVIDIA（英伟达） ； UMich（密歇根大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； UC Berkeley（加州大学伯克利分校） ； CMU（卡内基梅隆大学）
专题命中 诊断辅助 ：diagnosis(abstract)
AI总结 提出ASPIRE系统，通过闭环执行、技能库积累和进化搜索，自主编写和优化机器人控制程序，在扰动、多机器人协作和长时域任务上显著超越现有方法，并实现零样本泛化与仿真到现实的技能迁移。
Comments 43 pages, 12 figures, 9 tables. Project page: https://research.nvidia.com/labs/gear/aspire/
VLBI Tracking of the JUICE Mission: Two Years of Cruise Phase Operations and Performance Analysis
JUICE任务的VLBI跟踪：巡航阶段两年运行与性能分析
专题命中 诊断辅助 ：diagnosis(abstract)
AI总结 利用甚长基线干涉测量（VLBI）技术跟踪JUICE探测器，分析两年巡航阶段的多普勒残差、任务性能指标和太阳风闪烁模式，展示了VLBI网络在深空任务支持中的增强能力。
Comments 12 pages, 9 figures, 2 tables, Proceedings from 24th Australian Space Research Conference. https://www.nssa.com.au/asrc-proceedings
Journal ref Proceedings from 24th Australian Space Research Conference, 2026, 145-156
Persona Without Substrate: Regime-Dependence and the LLM Individuation Problem
无基座的人格：体制依赖性与LLM个体化问题
机构 * Harbin Institute of Technology（哈尔滨工业大学）
专题命中 诊断辅助 ：diagnosis(abstract)
AI总结 通过实验揭示LLM个体化问题中跨体制共指假设的漏洞，提出体制索引个体化框架，将表征内容的身份单位视为（载体，体制）对。
Comments 30 pages, 2 figures, 1 table. Replies to Beckmann & Butlin (arXiv:2604.17031)
Mixture-of-Experts RL for Fault-Tolerant Legged Locomotion
用于容错腿部运动的混合专家强化学习
机构 * Dynamic Legged Systems Laboratory, Istituto Italiano di Tecnologia (IIT), Genova, Italy（意大利技术研究院（IIT）动态腿足系统实验室，热那亚，意大利） ； Dipartimento di Informatica, Bioingegneria, Robotica e Ingegneria dei Sistemi (DIBRIS), Universita di Genova, Genova, Italy（热那亚大学计算机科学、生物工程、机器人及系统工程系（DIBRIS），热那亚，意大利）
专题命中 诊断辅助 ：diagnosis(abstract)
AI总结 提出一种故障感知模块化控制架构，利用故障诊断信息激活针对不同执行器故障模式的专家策略，在多种故障场景下优于同等规模的单一策略，且适用于计算受限平台。
Sample-Efficient Misconfiguration Classification for Network Resilience in Wireless Communications
无线通信中用于网络韧性的小样本误配置分类
专题命中 诊断辅助 ：diagnosis(abstract)
AI总结 本文提出了一种基于图学习的任务，通过EtaGATv2算法对协议误配置进行分类，该算法能够处理非均匀症状传播并提取协议特定特征，实验表明在仅有50%训练样本的情况下达到最先进的性能，适用于动态拓扑和有限负样本的数据集。
MORPHEUS: A Multidimensional Framework for Modeling, Measuring, and Mitigating Human Factors in Cybersecurity
MORPHEUS: 一个用于建模、测量和减轻网络安全中人为因素的多维框架
专题命中 诊断辅助 ：diagnosis(abstract)
AI总结 针对网络安全中人为因素研究碎片化的问题，提出MORPHEUS框架，基于认知-情感-行为模型和归因理论，整合50个人为因素，映射302个实证交互，提炼12种交互机制，并提供99个心理测量工具，支持风险诊断和干预。
2. 病理影像 2 篇
Histopathology Multi-modal Embedding for Pathology Composed Retrieval
病理学组合检索的组织病理学多模态嵌入
机构 * The University of Texas at Arlington（德克萨斯大学阿灵顿分校）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 提出HOMIE框架，将生成式多模态大语言模型适配为病理检索专家，解决组合查询中的架构、任务和领域不匹配问题，在病理组合检索基准上显著优于现有方法。
Comments Accepted by ECCV 2026
CellPrior-Net: Prior-Guided Nuclei Detection and Classification for H&E Whole-Slide Images
CellPrior-Net: 基于先验引导的H&E全切片图像细胞核检测与分类
专题命中 病理影像 ：pathology(abstract)
AI总结 提出CellPriorNet，利用轻量级CNN和H通道先验信息实现高效细胞核检测与分类，在8个数据集上达到可比性能并显著减少推理时间。
Comments Submitted to Intelligence-Based Medicine Journal
3. 医疗多模态 2 篇
Text Over Image: Auditing Multimodal Robustness in Synthetic Medical Image Detection
超越视觉取证：审计多模态鲁棒性用于合成医学图像检测
机构 * University of Notre Dame（圣母大学） ； IBM Research（IBM研究院） ； Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院） ； Optum AI, UnitedHealth Group（Optum AI, 联合健康集团）
专题命中 医疗多模态 ：medical image(title,abstract)；分类 cs.CV
AI总结 针对合成医学图像检测中多模态鲁棒性不足的问题，提出图像-记录配对基准，揭示视觉语言模型因过度依赖记录上下文而导致的预测偏差。
Comments Accepted at MICCAI 2026. Version 2 is a substantial journal extension of the MICCAI 2026 conference version, with additional provenance perturbations, paired statistical analysis, extended SAVC mitigation experiments, and broader deployment discussion. 19 pages, 3 figures, 2 tables
Synergistic Perception-Reasoning Governance: Grounding Medical MLLMs with Verifiable Anatomical Evidence
协同感知-推理治理：用可验证解剖证据为医学多模态大语言模型提供基础
机构 * Huazhong University of Science and Technology（华中科技大学） ； Imperial Global Singapore, Imperial College London（帝国理工学院新加坡全球中心） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） ； Anhui University（安徽大学）
专题命中 医疗多模态 ：radiology(abstract)；分类 cs.CV
AI总结 提出一种无需训练的证据注入框架，通过ROI引导的视觉激活调制和解剖坐标语义标记，协同校准视觉感知与文本推理，动态路由任务特定干预，有效减少医学MLLM的幻觉。
Comments Accepted by MICCAI 2026 (Early Accept, Top 9%)
4. 生物医学文本 1 篇
Prediction of Cellular Identities from Trajectory and Cell Fate Information
从轨迹和细胞命运信息预测细胞身份
专题命中 生物医学文本 ：分类 cs.CV、cs.LG、q-bio；biomedical(journal_ref)
AI总结 本文提出利用机器学习从时间延展图像中预测细胞身份，通过分析细胞轨迹和命运信息，达到91%以上的分类准确率，展示了时空特征在细胞身份预测中的有效性。
Journal ref 2024 IEEE International Symposium on Biomedical Imaging (ISBI), Athens, Greece, 2024, pp. 1-5
5. 医学数据与评测 4 篇
LLM-Guided ODE Discovery and Parameter Inference from Small-Cohort Aggregate Data
LLM引导的ODE发现与小群体聚合数据的参数推断
机构 * Institute of Medical Biometry and Statistics, Faculty of Medicine and Medical Center, University of Freiburg（弗莱堡大学医学中心与医学院医学统计与生物统计研究所） ； Department of Dermatology, Medical Faculty and Medical Center, University of Freiburg（弗莱堡大学医学中心与医学院皮肤科） ； Prior Labs, University of Freiburg（弗莱堡大学Prior实验室）
专题命中 医学数据与评测 ：diagnosis(abstract)；分类 cs.LG
AI总结 提出AgentODE框架，利用LLM提出候选ODE结构，并通过工具增强的推理代理仅基于群体级汇总统计量迭代优化参数分布，实现从稀疏、噪声数据中发现可解释的ODE结构。
Creating Impactful Autonomous Driving Datasets: A Strategic Guide from Research Gap to Benchmark
创建有影响力的自动驾驶数据集：从研究空白到基准的战略指南
机构 * Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； FZI Research Center for Information Technology（FZI信息技术研究中心）
专题命中 医学数据与评测 ：diagnosis(abstract)；分类 cs.CV
AI总结 提出一种诊断研究问题类型并选择最小数据操作符填补空白的战略框架，通过KITScenes案例验证，指导中小实验室和初创公司高效创建有影响力的自动驾驶数据集。
Comments Keywords: Autonomous Driving, Dataset Design, Benchmarks, Research Gap Identification. 14 pages, 3 figures
MindEdit-Bench: Benchmarking Object-Level Counterfactual Spatial Reasoning in VLMs from In-the-Wild Photos
MindEdit-Bench：基于野外照片的VLM中对象级反事实空间推理基准
机构 * ZODA ； Zhejiang University（浙江大学） ； Tongji University（同济大学） ； The University of Tokyo（东京大学）
专题命中 医学数据与评测 ：diagnosis(abstract)；分类 cs.CV
AI总结 提出MindEdit-Bench基准，包含六项空间推理任务，其中两项新任务（L4和L5）测试对象级反事实推理，VLM平均准确率仅8%-31%，远低于人类的81%-97%。
Comments 18 pages, 7 figures. Dataset available at https://huggingface.co/datasets/ZODAOfficial/MindEdit-Bench
On the Reliability of Cue Conflict and Beyond
论线索冲突的可靠性及其超越
机构 * Ulsan National Institute of Science and Technology（乌山国立科学研究院） ； College of Medicine, Hanyang University（翰阳大学医学院） ； NAVER AI Lab（NAVER AI实验室）
专题命中 医学数据与评测 ：diagnosis(abstract)；分类 cs.CV
AI总结 针对现有线索冲突基准在评估形状-纹理偏好时存在不稳定和模糊的问题，提出REFINED-BIAS数据集与评估框架，通过显式定义形状和纹理、构建平衡的线索对及基于排序的度量，实现更可靠和可解释的偏差诊断。
Comments Shape-Texture Bias, Cue Conflict Benchmark
