Korea Advanced Institute of Science and Technology（韩国科学技术院）

ReaMIL: Reasoning- and Evidence-Aware Multiple Instance Learning for Whole-Slide Histopathology

ReaMIL：基于推理和证据的多实例学习用于整张滑片病理学

Hyun Do Jung, Jungwon Choi, Hwiyoung Kim

机构 * Yonsei University（延世大学） ； KAIST（韩国科学技术院） 纠错

AI总结 ReaMIL通过引入轻量选择头改进多实例学习，实现紧凑证据集和高准确率，在病理学图像分类中表现优异。

Comments Accepted at LFMBio Workshop, WACV 2026. Oral Presentation

Journal ref Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) Workshops, March 2026, pp. 40-45

MATRIX: Mask Track Alignment for Interaction-aware Video Generation

MATRIX：用于交互感知视频生成的遮罩跟踪对齐

Siyoon Jin, Seongchan Kim, Dahyun Chung, Jaeho Lee, Hyunwook Choi, Jisu Nam, Jiyoung Kim, Seungryong Kim

机构 * KAIST AI（韩国科学技术院人工智能系） 纠错

AI总结 MATRIX通过引入遮罩跟踪对齐方法，提升视频生成中交互感知能力，增强语义对齐与传播，减少漂移和幻觉。

Comments Project Page is available at: https://cvlab-kaist.github.io/MATRIX/, ICLR 2026

What Models Know, How Well They Know It: Knowledge-Weighted Fine-Tuning for Learning When to Say "I Don't Know"

什么模型知道，它知道得有多好：基于知识加权的微调方法用于学习何时说“我不知道”

Joosung Lee, Hwiyeol Jo, Donghyeon Ko, Kyubyung Chae, Cheonbok Park, Jeonghoon Kim

机构 * NAVER CLOUD（NAVER云） ； Seoul National University（首尔国立大学） ； KAIST（韩国科学技术院） 纠错

AI总结 本文提出一种基于知识加权的微调方法，通过估计实例级知识评分来提升模型在知识不足时的不确定性表达能力，同时保持对已知问题的准确性。

Comments 8 pages

Beyond Semantics: Disentangling Information Scope in Sparse Autoencoders for CLIP

超越语义：在稀疏自编码器中解构信息范围以用于CLIP

Yusung Ro, Jaehyun Choi, Junmo Kim

机构 * KAIST（韩国科学技术院） ； Korea AI Safety Institute, ETRI（韩国电子通信研究院人工智能安全研究所） 纠错

AI总结 本文提出信息范围作为理解CLIP表示的新维度，通过Contextual Dependency Score量化稀疏自编码器特征的广度，揭示不同信息范围特征对CLIP预测和置信度的影响差异。

Comments CVPR 2026 Findings

Multi-Drafter Speculative Decoding with Alignment Feedback

多草案生成与对齐反馈

Taehyeon Kim, Hojung Jung, Se-Young Yun

机构 * LG AI Research（LG AI研究院） ； KAIST AI（韩国科学技术院人工智能学院） 纠错

AI总结 本文提出MetaSD框架，通过整合多个草案生成器并利用对齐反馈，提升大规模语言模型推理效率和生成质量。

Comments ACL 2026 Findings

"When to Hand Off, When to Work Together": Expanding Human-Agent Co-Creative Collaboration through Concurrent Interaction

何时交接，何时协作：通过并发交互扩展人机协同创作

Kihoon Son, Hyewon Lee, DaEun Choi, Yoonsu Kim, Tae Soo Kim, Yoonjoo Lee, John Joon Young Chung, HyunJoon Jung, Juho Kim

机构 * School of Computing, KAIST（韩国科学技术院计算学院） ； Computer Science and Engineering, University of Michigan（密歇根大学计算机科学与工程系） 纠错

AI总结 研究探讨人机协同创作中并发交互的模式与能力需求，提出决策模型和标注数据集，揭示并发交互提升委托效果的核心作用。

Comments Check the demo videos on the website: https://cleo.kixlab.org/

Enhancing Hallucination Detection via Future Context

通过未来上下文增强幻觉检测

Joosung Lee, Cheonbok Park, Hwiyeol Jo, Jeonghoon Kim, Joonsuk Park, Kang Min Yoo

机构 * NAVER CLOUD（NAVER云） ； NAVER AI Lab（NAVER人工智能实验室） ； KAIST（韩国科学技术院） ； University of Richmond（里士满大学） 纠错

AI总结 本文提出通过采样未来上下文来增强幻觉检测，结合多种采样方法提升检测性能。

Comments Findings of ACL 2026