Johns Hopkins University（约翰斯·霍普金斯大学）

Learning Dynamic Belief Graphs for Theory-of-mind Reasoning

学习动态信念图以进行心灵理论推理

Ruxiao Chen, Xilei Zhao, Thomas J. Cova, Frank A. Drews, Susu Xu

机构 * Department of Civil ； Systems Engineering, Johns Hopkins University, Baltimore, MD, USA ； School of the Environment, Society \& Sustainability, University of Utah, Salt Lake City, UT, USA ； Department of Psychology, University of Utah, Salt Lake City, UT, USA ； Coastal Engineering, University of Florida, Gainesville, FL, USA 纠错

AI总结 本文提出一种动态信念图模型，用于增强大语言模型的心灵理论推理能力，通过联合推断潜在信念、学习时间变化依赖关系，并链接信念演变与信息获取和决策，提升高不确定性环境下的行动预测。

Investigating a Policy-Based Formulation for Endoscopic Camera Pose Recovery

探讨基于政策的内窥镜摄像头姿态恢复方法

Jan Emily Mangulabnan, Akshat Chauhan, Laura Fleig, Lalithkumar Seenivasan, Roger D. Soberanis-Mukul, S. Swaroop Vedula, Russell H. Taylor, Masaru Ishii, Gregory D. Hager, Mathias Unberath

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Johns Hopkins Medical Institutions（约翰霍普金斯医学机构） 纠错

AI总结 本文提出基于政策的内窥镜摄像头姿态恢复方法，通过学习运动策略预测短周期相对运动，解决传统几何方法在低纹理和快速光照变化下的问题。

CoverageBench: Evaluating Information Coverage across Tasks and Domains

CoverageBench：跨任务和领域的信息覆盖评估

Saron Samuel, Andrew Yates, Dawn Lawrie, Ian Soboroff, Trevor Adriaanse, Benjamin Van Durme, Eugene Yang

机构 * Johns Hopkins University（约翰霍普金斯大学） ； National Institute of Standards and Technology（国家标准与技术研究院） 纠错

AI总结 本文提出CoverageBench，通过现有数据集构建多任务多领域的统一测试平台，评估信息覆盖能力，释放话题、 nuggets、相关性标签及基线排名至Hugging Face Datasets。

Comments 8

Generative Blocks World: Moving Things Around in Pictures

生成块世界：在图像中移动物体

Vaibhav Vavilala, Seemandhar Jain, Rahul Vasanth, D. A. Forsyth, Anand Bhattad

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出生成块世界方法，通过操控简单几何抽象交互生成图像场景，利用不同数量的凸3D基元表示场景，结合流式生成方法生成图像，改进纹理提示提升视觉质量和可编辑性。

Comments ICLR 2026 34 pages, 25 figures, 4 tables

Parameter-Efficient Token Embedding Editing for Clinical Class-Level Unlearning

参数高效令牌嵌入编辑用于临床类级反学习

Iyad Ait Hou, Shrenik Borad, Harsh Sharma, Pooja Srinivasan, Rebecca Hwa, Aya Zirikly

机构 * Department of Computer Science, The George Washington University（乔治华盛顿大学计算机科学系） ； Center for Speech and Language Processing, Johns Hopkins University（约翰霍普金斯大学语音与语言处理中心） 纠错

AI总结 本文提出STEU方法，通过稀疏嵌入编辑实现高效类级反学习，在不修改深层编码器的情况下，有效抑制目标类并保持任务性能。

Comments 10 pages

Prompt-based Adaptation in Large-scale Vision Models: A Survey

基于提示的大规模视觉模型适应：综述

Xi Xiao, Yunbei Zhang, Lin Zhao, Yiyang Liu, Xiaoying Liao, Zheda Mai, Xingjian Li, Xiao Wang, Hao Xu, Jihun Hamm, Xue Lin, Min Xu, Qifan Wang, Tianyang Wang, Cheng Han

机构 * University of Alabama at Birmingham, USA（美国阿拉巴马大学伯明翰分校） ； Tulane University, USA（美国路易斯安那大学） ； Northeastern University, USA（美国东北大学） ； University of Missouri-Kansas City, USA（美国密苏里大学堪萨斯城分校） ； Johns Hopkins University, USA（约翰霍普金斯大学） ； Ohio State University, USA（俄亥俄州立大学） ； Carnegie Mellon University, USA（卡内基梅隆大学） ； Oak Ridge National Laboratory, USA（橡树岭国家实验室） ； Harvard University, USA（哈佛大学） ； Mohamed bin Zayed University of Artificial Intelligence, UAE（阿联酋Mohamed bin Zayed人工智能大学） ； Meta AI, USA（Meta AI） 纠错

AI总结 本文综述了基于提示的视觉模型适应方法，探讨了VP和VPT的核心机制及在不同领域的应用，揭示了其在测试时适应和可信AI中的作用，并总结了当前基准和未来研究方向。

Comments Accepted by TMLR 2026