Cornell University（康奈尔大学）

MORI-Seg: Learning Morphological Geometry for Instance Segmentation without Instance Annotations

MORI-Seg: 无需实例标注的形态学几何学习用于实例分割

Leiyue Zhao, Tianyu Shi, Daniel Reisenbuchler, Xinzi He, Junchao Zhu, Tianyuan Yao, Yuechen Yang, Yanfan Zhu, Junlin Guo, Gelei Xu, Haichun Yang, Yuankai Huo, Mert R. Sabuncu, Yihe Yang, Ruining Deng

机构 * Southern University of Science and Technology（南方科技大学） ； Sichuan University（四川大学） ； University of Regensburg（莱茵-魏尔堡大学） ； Cornell University（康奈尔大学） ； Vanderbilt University（范德比尔特大学） ； University of Notre Dame（Notre Dame 大学） ； Vanderbilt University Medical Center（范德比尔特大学医学中心） ； Cornell Tech（康奈尔科技） ； Weill Medical College of Cornell University（康奈尔大学韦尔医学院） 纠错

AI总结 提出MORI-Seg框架，通过从语义掩码学习形态感知几何表示（对象中心距离场和边界带表示）以及类条件特征解耦模块，在仅语义监督下实现端到端的实例分割，提升拥挤粘连区域的实例分离精度。

Relevant Is Not Warranted: Evidence-Force Calibration for Cited RAG

相关并不保证：引用RAG的证据力度校准

Pin Qian, Su Wang, Xiaoyuan Wang, Yihang Chen, Wenxuan Xu, Qiaolin Yu, Shuhuai Lin, Sipeng Zhang, Junxian You, Xinpeng Wei

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Dartmouth College（达特茅斯学院） ； Cornell University（康奈尔大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Glasgow（格拉斯哥大学） 纠错

AI总结 针对引用RAG中证据力度不足的问题，提出FORCEBENCH基准测试，通过对比证据校准声明与力度增强变体，评估模型在五个操作轴上的单调性，发现标准支持提示不足以校准证据力度。

Quantum principal component analysis without eigenvector recovery

无需特征向量恢复的量子主成分分析

Yewei Yuan, Michele Minervini, Mark M. Wilde, Nana Liu

机构 * Global College, Shanghai Jiao Tong University, Shanghai 200240, China（上海交通大学全球学院） ； School of Electrical and Computer Engineering, Cornell University, Ithaca, New York 14850, United States（康奈尔大学电气与计算机工程学院） ； Institute of Natural Sciences, Shanghai Jiao Tong University, Shanghai 200240, China（上海交通大学自然科学研究院） ； School of Mathematical Sciences, Shanghai Jiao Tong University, Shanghai 200240, China（上海交通大学数学科学学院） 纠错

AI总结 提出一种基于测量的软PCA框架，用熵正则化费米-狄拉克滤波器替代硬top-k投影，通过量子电路实现无需特征向量恢复的主子空间评分。

Reward Transfer from Inverse Reinforcement Learning: A Coupled Minimax Approach

从逆强化学习中的奖励迁移：一种耦合极小极大方法

Guang-Yuan Hao, Lars van der Laan, Aurélien Bibaut, Nathan Kallus

机构 * Cornell Tech, Cornell University（康奈尔科技，康奈尔大学） ； Netflix Research（netflix研究） ； Department of Statistics, University of Washington（华盛顿大学统计学系） 纠错

AI总结 提出一种耦合极小极大方法，通过联合求解源和目标环境的贝尔曼方程组，消除源贝尔曼残差误差的一阶影响，实现逆强化学习奖励从源环境到目标环境的有效迁移。

Prefix-Safe Bayesian Belief Tracking for LLM Reasoning Reliability:Separating Calibration from Ranking

前缀安全贝叶斯信念追踪用于LLM推理可靠性：将校准与排序分离

Zhenghan Song, Yunyi Li, Yulong Liu

机构 * Cornell University（康奈尔大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 提出前缀安全贝叶斯信念追踪（SBBT）框架，通过分离概率质量与排序能力，在长链推理中实现可靠的在线校准与不确定性估计。

Voice "Cloning" is Style Transfer

语音“克隆”是风格迁移

Kaitlyn Zhou, Federico Bianchi, Martijn Bartelds, Anna Pot, Yongchan Kwon, James Zou

机构 * Cornell University（康奈尔大学） ； TogetherAI ； Stanford University（斯坦福大学） 纠错

AI总结 研究发现语音克隆并非忠实复制原声，而是系统性地应用风格迁移，使克隆语音更权威、温暖、客服化且更人性化，导致说话者特征同质化，并影响人类信任与行为。

Addressing Pitfalls in Auditing Practices of Automatic Speech Recognition Technologies: A Case Study of People with Aphasia

自动语音识别技术审计实践中的陷阱：以失语症患者为例

Katelyn Xiaoying Mei, Anna Seo Gyeong Choi, Hilke Schellmann, Mona Sloane, Allison Koenecke

机构 * University of Washington（华盛顿大学） ； Cornell University（康奈尔大学） ； New York University（纽约大学） ； University of Virginia（弗吉尼亚大学） 纠错

AI总结 本文识别了标准ASR审计中的三个常见陷阱，并提出了一个整体审计框架，通过失语症患者的案例研究发现ASR系统对其表现更差。

Comments Published at the Proceedings of The 2026 ACM Conference on Fairness, Accountability, and Transparency (FAccT '26)

xKV: Cross-Layer KV-Cache Compression via Aligned Singular Vector Extraction

xKV：通过对齐奇异向量提取的跨层KV缓存压缩

Chi-Chih Chang, Wei-Cheng Lin, Chien-Yu Lin, Hung-Yueh Chiang, Yash Akhauri, Xilai Dai, Huiqiang Jiang, Yucheng Li, Luis Ceze, Kai-Chiang Wu, Mohamed S. Abdelfattah

机构 * Cornell University（康奈尔大学） ； University of Washington（华盛顿大学） ； Department of Computer Science, National Yang Ming Chiao Tung University（国立阳明交通大学计算机科学系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Surrey（塞夫顿大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

AI总结 提出xKV，一种通过跨层共享低秩子空间压缩KV缓存的后训练方法，实现高达8倍压缩且保持长上下文任务精度，并引入选择性重建实现端到端加速。

Comments ICML 2026