Imperial College London（帝国理工学院）

Explainability-Aware Frustum Attack: Exposing Structural Vulnerabilities in LiDAR-Based 3D Object Detectors

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

Chengzeng You, Binbin Xu, Soteris Demetriou

机构 * Imperial College London（帝国理工学院伦敦分校） 纠错

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 Task 9: Detecting Multilingual, Multicultural and Multievent Online Polarization

SemEval-2026任务9：多语言、多文化、多事件在线极化检测

Usman Naseem, Robert Geislinger, Juan Ren, Sarah Kohail, Rudy Garrido Veliz, P Sam Sahil, Yiran Zhang, Marco Antonio Stranisci, Idris Abdulmumin, Özge Alaçam, Cengiz Acartürk, Aisha Jabr, Saba Anwar, Abinew Ali Ayele, Elena Tutubalina, Aung Kyaw Htet, Xintong Wang, Surendrabikram Thapa, Tanmoy Chakraborty, Dheeraj Kodati, Sahar Moradizeyveh, Firoj Alam, Ye Kyaw Thu, Shantipriya Parida, Ihsan Ayyub Qazi, Lilian Wanzare, Nelson Odhiambo Onyango, Clemencia Siro, Ibrahim Said Ahmad, Adem Chanie Ali, Martin Semmann, Chris Biemann, Shamsuddeen Hassan Muhammad, Seid Muhie Yimam

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） 纠错

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。

Verbosity Tradeoffs and the Impact of Scale on the Faithfulness of LLM Self-Explanations

冗长性权衡与规模对LLM自我解释忠实度的影响

Noah Y. Siegel, Nicolas Heess, Maria Perez-Ortiz, Oana-Maria Camburu

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） 纠错

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