Backdooring Masked Diffusion Language Models
掩码扩散语言模型的后门攻击
机构 * Cornell University（康奈尔大学） ； Virginia Tech（弗吉尼亚理工学院） ； IBM Research（IBM研究院）
AI总结 提出SHADOWMASK后门攻击方法，通过修改掩码扩散语言模型的前向破坏过程，实现高成功率攻击并保持模型清洁性能。
高校专区
Cornell University（康奈尔大学）
TRUST-TECH based Methods for Optimization and Learning
基于TRUST-TECH的优化与学习方法
机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； Cornell University（康奈尔大学）
AI总结 针对机器学习中的非线性和全局优化问题，提出基于TRUST-TECH的框架，通过交替局部和邻域搜索阶段，降低对初始化的敏感性并提高解的质量。
Comments PHD Thesis
Journal ref Chandan K. Reddy, TRUST-TECH based Methods for Optimization and Learning, PHD Thesis, Cornell University, February 2007
Thinking in Blender: Staged Executable Inverse Graphics with Vision-Language Models
在Blender中思考：基于视觉语言模型的分阶段可执行逆向图形
机构 * Cornell University（康奈尔大学）
AI总结 提出分阶段可执行逆向图形（SEIG）框架，利用预训练视觉语言模型直接从单张图像重建可编辑的Blender程序，无需专用基础模型或可微渲染，通过逐步细化几何、材质、组合和光照提升重建保真度。
Gate the Filter, Not the Message: Node-Channel Mixtures for Pre-Propagation GNNs
门控滤波器而非消息：预传播图神经网络中的节点-通道混合
机构 * School of Electrical and Computer Engineering, Cornell University（康奈尔大学电气与计算机工程学院）
AI总结 针对预传播图神经网络中复杂跳聚合器性能不佳的问题，提出FilterMoE模型，通过3D门控张量联合路由节点和通道上的可学习切比雪夫滤波器专家，在11个同质和异质基准测试中平均提升1.53个测试分数。
UniD$^3$: A Knowledge Graph-Enhanced RAG Framework for Drug-Disease Discovery and Reasoning
UniD$^3$：一种用于药物-疾病发现与推理的知识图谱增强RAG框架
机构 * Department of Health Outcomes and Biomedical Informatics, University of Florida（佛罗里达大学健康成果与生物医学信息学系） ； Department of Hematology, H. Lee Moffitt Cancer Center and Research Institute（血液科，H. Lee Moffitt癌症中心与研究院） ； Center for Bioinformatics and Computational Biology, Houston Methodist Research Institute（生物信息学与计算生物学中心，休斯顿方法主义研究学院） ； Department of Cardiothoracic Surgery, Weill Cornell Medicine, Cornell University（心胸外科，Weill Cornell医学，康奈尔大学） ； Department of Biostatistics and Health Data Science, Indiana University School of Medicine（生物统计学与健康数据科学系，印第安纳大学医学院）
AI总结 提出UniD$^3$框架，结合大语言模型与知识图谱增强检索生成（KG-RAG），从生物医学文献中提取、组织和验证药物-疾病知识，生成结构化数据集并提升推理可靠性。
Reasmory: 3D Reconstruction as Explicit Memory for VLMs Spatial Reasoning
Reasmory: 3D重建作为VLMs空间推理的显式记忆
机构 * Cornell Tech, Cornell University（康奈尔科技学院、康奈尔大学） ； NVIDIA（英伟达） ； illoca AI（illoca人工智能） ； The University of California, Merced（加州大学梅尔塞德斯分校）
AI总结 提出Reasmory框架，通过结构化程序执行重建的3D显式记忆，并引入轻量级领域特定语言约束VLM查询和操作，在空间推理任务上提升6-18%。
Graph Transfer Learning via Shared Latent Geometry: Theory and Applications
基于共享潜在几何的图迁移学习：理论与应用
机构 * University of Central Florida, USA（佛罗里达中央大学） ； Cornell University, USA（康奈尔大学）
AI总结 提出一种非对称双路径架构，通过教师编码器从高保真模拟器学习算子多项式特征，学生编码器从稀疏数据学习相同潜在几何，实现零样本迁移并给出可证明的误差界。
Algorithmic Fragility and Persona Bias in LLM-Generated Autistic Communication
LLM生成的自闭症交流中的算法脆弱性与人格偏见
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Cornell University（康奈尔大学） ； Cardiff University（卡迪夫大学）
AI总结 通过双人格改写范式，发现LLM在生成自闭症人格文本时存在词汇与情感偏离、输出坍塌等系统性失败，且对齐策略而非参数规模主导这些失败，表明当前对齐训练导致深层表征鸿沟。
Comments main paper: 9 pages; total: 19 pages; 2 figures; 5 tables
Hypothesis Generation and Inductive Inference in Children and Language Models
儿童与语言模型中的假设生成与归纳推理
机构 * Computer Science University of Waterloo（滑铁卢大学计算机科学系） ； Department of Computer Science Cornell University（康奈尔大学计算机科学系） ； Department of Computer Science Dalhousie University（达尔豪斯大学计算机科学系） ； Department of Psychology University of Toronto（多伦多大学心理学系）
AI总结 通过归纳推理盒子任务，结合贝叶斯粒子推断的程序归纳形式化，比较儿童与基于LLM的智能体在不确定性下的假设生成与证据寻求行为，发现两者在适应环境结构上相似但信息寻求成本与归纳偏差不同。
LISTEN to Your Preferences: An LLM Framework for Multi-Objective Selection
LISTEN 你的偏好：面向多目标选择的LLM框架
机构 * Cornell University（康奈尔大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出LISTEN框架，利用LLM作为决策代理，通过迭代优化内部偏好模型（LISTEN-U参数法或LISTEN-T非参数法）从自然语言中学习用户隐含偏好，实现多目标选择。
Comments Accepted at IJCAI-ECAI 2026 (the 35th International Joint Conference on Artificial Intelligence)
Ethical Fairness in Ubiquitous Health Sensing without Known Attributes
无已知属性下的普适健康感知伦理公平性
机构 * Ira A. Fulton Schools of Engineering, Arizona State University（亚利桑那州立大学弗里曼工程学院） ； Arizona State University（亚利桑那州立大学） ； Cornell University（康奈尔大学） ； University of Michigan（密歇根大学）
AI总结 针对普适健康感知中缺乏人口统计或异构属性时的公平性问题，提出基于Fisher信息引导的潜在子群学习与无害正则化框架Flare，通过优化几何实现伦理公平。
d2: Improving Reasoning in Diffusion Language Models via Trajectory Likelihood Estimation
d2: 通过轨迹似然估计改进扩散语言模型的推理能力
机构 * Cornell University, Cornell Tech（康奈尔大学，康奈尔科技）
AI总结 提出d2框架，通过新的策略梯度算法和轨迹似然估计，显著提升扩散语言模型在逻辑与数学推理任务上的性能。
Comments ICML 2026. project page: https://guanghanwang.com/d2
BlueFin: Benchmarking LLM Agents on Financial Spreadsheets
BlueFin: 在金融电子表格上对LLM智能体进行基准测试
机构 * Longitude Labs Inc.（Longitude Labs公司） ； Cornell University（康奈尔大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出BlueFin基准，通过131个真实金融电子表格任务评估LLM智能体的合成、操作和理解能力，并验证了LM评判与人类专家的一致性。
Comments 26 pages
Cost-aware Stopping for Bayesian Optimization
成本感知的贝叶斯优化停止规则
机构 * Cornell University, Ithaca, New York, USA（康奈尔大学） ； University of California, Berkeley, Berkeley, California, USA（加州大学伯克利分校）
AI总结 针对贝叶斯优化中成本感知的停止问题，提出一种基于理论连接成本感知采集函数的停止规则，并证明其能保证期望成本调整简单遗憾的界。
Comments Accepted by ICML 2026
BackSplit: The Importance of Sub-dividing the Background in Biomedical Lesion Segmentation
BackSplit：在生物医学病灶分割中细分背景的重要性
机构 * Cornell University（康奈尔大学） ； Cornell Tech（康奈尔科技） ； Weill Cornell Medicine（韦尔医学院）
AI总结 提出BackSplit方法，通过将背景细分为多个子类（如组织、器官）进行训练，在不增加推理成本的情况下显著提升小病灶分割性能，并从信息论角度证明其有效性。
Comments Accepted to CVPR 2026
NeuROK: Generative 4D Neural Object Kinematics
NeuROK：生成式4D神经物体运动学
机构 * Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学）
AI总结 提出基于Transformer的编码器-解码器模型NeuROK，通过学习物体潜在运动学参数化，实现从静态3D物体生成逼真的4D动态变形，克服了传统方法对预定义物理模型和特定类别的依赖。
Comments CVPR 2026
On Language Generation in the Limit with Bounded Memory
有界记忆下的极限语言生成
机构 * Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； Google Research（谷歌研究）
AI总结 研究有界记忆下语言生成的极限问题，通过组合界和滑动窗口分析记忆约束对可生成性、密度和识别的影响。
Comments The abstract has been shortened to fit within the arXiv limit
VisualThink-VLA: Visual Intermediate Reasoning for Effective and Low-Latency Vision-Language-Action Policies
VisualThink-VLA：用于高效低延迟视觉-语言-动作策略的视觉中间推理
机构 * Zhejiang University（浙江大学） ； Cornell University（康奈尔大学） ； National University of Singapore（新加坡国立大学） ； Xi'an University of Electronic Science and Technology（西安电子科技大学）
AI总结 提出VisualThink-VLA框架，通过视觉中间推理和选择性路由机制，在保持高精度的同时将推理延迟从数秒降至亚秒级。
AtomWorld: A Benchmark for Evaluating Spatial Reasoning in Large Language Models on Crystalline Materials
AtomWorld: 评估大型语言模型在晶体材料空间推理能力的基准
机构 * University of New South Wales, NSW, Sydney, Australia（新南威尔士大学，新州，悉尼，澳大利亚） ； Suzhou Institute for Advanced Research, University of Science（苏州先进研究院，科学大学） ； Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室，上海，中国） ； Cornell University（康奈尔大学）
AI总结 提出AtomWorld基准，通过十种基本原子结构操作评估LLM在材料科学中的空间推理能力，发现Claude Opus 4.6表现最佳但复杂空间关系操作成功率低，表明LLM更适合作为辅助工具而非完全自主的科研代理。
Wait! There's a Way Out: A Decision Mechanism for Forecasting Conversational Derailment
等等！有出路：一种预测对话偏离的决策机制
机构 * Cornell University（康奈尔大学）
AI总结 提出一种基于前瞻性模拟的延迟决策机制，在预测对话偏离时通过评估紧张时刻的恢复可能性来降低误报率，同时保持预测准确性。
Comments To appear in the Proceedings of ACL 2026
Adopt $\neq$ Adapt: Longitudinal Analyses of LLM Conversations in the Wild
采用 ≠ 适应：野外LLM对话的纵向分析
机构 * Cornell University（康奈尔大学） ； Microsoft Research（微软研究院）
AI总结 通过分析约12,000名Microsoft Bing Copilot用户的对话轨迹及WildChat-4.8M数据，发现用户行为高度固化，活跃用户更倾向复杂专业任务，且WildChat数据集偏向高熟练度“超级用户”，表明现有用户行为难以改变并揭示用户异质性。
When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making
机器人何时应该思考？基于强化学习的资源感知推理在具身机器人决策中的应用
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Northeastern University（东北大学） ； Harvard University（哈佛大学） ； Cornell University（康奈尔大学） ； MIT（麻省理工学院） ； Fujitsu Research of America（美国富士通研究） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； University of Georgia（佐治亚大学） ； Florida International University（佛罗里达国际大学） ； EmbodyX Inc（EmbodyX公司） ； Cisco Systems（思科系统）
AI总结 提出RARRL框架，通过强化学习学习高层编排策略，使具身代理能自适应决定是否调用LLM推理、选择推理角色及分配计算预算，以平衡推理开销与任务成功率。
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
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）
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
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）
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
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）
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
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）
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
机构 * Cornell University（康奈尔大学） ； Columbia University（哥伦比亚大学）
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
机构 * Cornell University（康奈尔大学） ； TogetherAI ； Stanford University（斯坦福大学）
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
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）
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
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）
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
