高校专区
EquiSteer: 面向更公平的文本引导图像生成的交叉注意力引导
机构 * Queen Mary University of London（伦敦玛丽女王大学） ； Huawei Noah’s Ark（华为诺亚方舟实验室） ； King’s College London（伦敦国王学院） ； Imperial College London（帝国理工学院）
AI总结 提出EquiSteer，一种无需训练的方法，通过在推理时引导交叉注意力激活来减少文本到图像扩散模型中的性别偏见，平均减少高达87%的性别差异。
当上下文弥补稀疏事件历史：AlphaEarth用于时空点过程预测
机构 * German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） ； Université Mohammed VI Polytechnique（穆罕默德六世理工大学） ； University of Oxford（牛津大学） ； Imperial College London（帝国理工学院） ； Rhineland-Palatinate Technical University of Kaiserslautern-Landau (RPTU)（莱茵兰-普法尔茨凯泽斯劳滕-兰道工业大学）
AI总结 研究利用AlphaEarth嵌入作为空间上下文，在事件历史稀疏时提升时空点过程模型的跨区域预测性能，实验表明在短历史下预测误差降低2-6倍。
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）
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%)
基于扩散的共生信息交互的联合医学图像增强与分割
机构 * Shenzhen Research Institute, The Chinese University of Hong Kong（香港中文大学深圳研究院） ； University of Science and Technology of China（中国科学技术大学） ； Imperial Global Singapore, Imperial College London（伦敦帝国学院新加坡分校）
AI总结 提出DiSIINet，利用扩散模型和共生信息交互模块，在统一框架中实现图像增强与分割的相互促进，在多模态医学图像上取得显著性能提升。
Comments Accepted by IJCAI 2026
NeuroCogMap揭示大语言模型的认知组织
机构 * The University of Hong Kong（香港大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所人工智能安全国家重点实验室） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； IGS, Imperial College London（伦敦帝国理工学院IGS）
AI总结 提出神经认知地图框架，将LLM内部特征组织为功能分区，揭示其与认知能力、行为失败及人类大脑皮层的对应关系。
Comments 79 pages, 6 main figures, 5 extended figures
可解释性感知的视锥攻击：揭示基于LiDAR的3D目标检测器中的结构脆弱性
机构 * Imperial College London（帝国理工学院伦敦分校）
AI总结 提出可解释性引导的对抗分析方法，通过SALL方法生成通用显著性图，并设计EFA攻击，仅扰动最关键的视锥区域，在KITTI和nuScenes上使检测召回率下降超15个百分点，同时减少25-50%的扰动视锥数。
Comments European Conference on Computer Vision (ECCV), September 2026
SemEval-2026任务9：多语言、多文化、多事件在线极化检测
机构 * Macquarie University（麦考瑞大学） ； University of Hamburg（汉堡大学） ； Zayed University（扎耶德大学） ； HKBK College of Engineering（HKBK工程学院） ； University of Turin（都灵大学） ； aequa-tech ； University of Pretoria（比勒陀利亚大学） ； Bielefeld University（比勒费尔德大学） ； Jagiellonian University（雅盖隆大学） ； Bahir Dar University（巴赫达尔大学） ； AIRI ； KFU（喀山联邦大学） ； HSE University（高等经济大学） ； Virginia Tech（弗吉尼亚理工大学） ； IIT Delhi（印度理工学院德里分校） ； ABV-IIITM（ABV-印度信息技术与管理学院） ； Qatar Computing Research Institute（卡塔尔计算研究所） ； Hamad Bin Khalifa University（哈马德·本·哈利法大学） ； Language Understanding Lab., Myanmar（缅甸语言理解实验室） ； AMD Silo AI ； Lahore University of Management Sciences（拉合尔管理科学大学） ； Maseno University（马塞诺大学） ； Centrum Wiskunde & Informatica（数学与计算机科学中心） ； Bayero University Kano（卡诺巴耶罗大学） ； Northeastern University（东北大学） ； Imperial College London（伦敦帝国学院）
AI总结 本文介绍了SemEval-2026任务9，旨在检测在线极化，涵盖22种语言，包含超过11万标注实例。任务包含三个子任务，吸引全球1000多参与者和10000多提交，最终有67支队伍提交了系统描述论文。
冗长性权衡与规模对LLM自我解释忠实度的影响
机构 * Google DeepMind（谷歌DeepMind） ； Centre for AI, University College London（伦敦大学学院人工智能中心） ； Imperial College London（伦敦帝国学院） ； University College London（伦敦大学学院）
AI总结 本文分析13个模型家族共75个模型的反事实忠实度，提出phi-CCT和F-AUROC两个新指标，发现更大更强的模型在所有指标上更忠实。
Comments ICLR 2026 Workshop on Principled Design for Trustworthy AI - Interpretability, Robustness, and Safety across Modalities 67 pages, 13 figures
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈