Northeastern University（东北大学）

VisualLeakBench: Auditing the Fragility of Large Vision-Language Models against PII Leakage and Social Engineering

VisualLeakBench: 对大型视觉-语言模型在PII泄露和社会工程中的脆弱性进行审计

Youting Wang, Yuan Tang, Yitian Qian, Chen Zhao

机构 * Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Boston University（波士顿大学） ； New York University（纽约大学） 纠错

AI总结 本文提出VisualLeakBench，通过合成对抗图像评估LVLMs对OCR注入和PII泄露的鲁棒性，揭示了Claude~4在PII识别上的高风险及防御策略的模板依赖性。

Thinking in Uncertainty: Mitigating Hallucinations in MLRMs with Latent Entropy-Aware Decoding

在不确定性中思考：通过潜在熵感知解码减轻MLRMs中的幻觉

Zhongxing Xu, Zhonghua Wang, Zhe Qian, Dachuan Shi, Feilong Tang, Ming Hu, Shiyan Su, Xiaocheng Zou, Wei Feng, Dwarikanath Mahapatra, Yifan Peng, Mingquan Lin, Zongyuan Ge

机构 * Monash University（墨尔本大学） ； Georgia Tech（佐治亚理工学院） ； Cornell University（康奈尔大学） ； Northeastern University（东北大学） ； Khalifa University（卡利法大学） ； University of Minnesota（明尼苏达大学） 纠错

AI总结 本文提出通过潜在熵感知解码策略减轻多模态大推理模型中的幻觉问题，利用语义上下文增强推理能力。

Uncertainty Quantification and Data Efficiency in AI: An Information-Theoretic Perspective

人工智能中的不确定性量化与数据效率：信息论视角

Osvaldo Simeone, Yaniv Romano

机构 * Institute for Intelligent Networked Systems, Northeastern University London（智能网络系统研究所，诺思安普顿大学伦敦分校） ； Departments of Electrical and Computer Engineering and of Computer Science at the Technion–Israel Institute of Technology（技术ion-以色列理工学院电子与计算机工程系和计算机科学系） 纠错

AI总结 本文从信息论角度探讨了人工智能中数据有限场景下的不确定性量化与数据效率问题，分析了贝叶斯学习框架、信息论泛化界限及合成数据增强等方法。

HyReaL: Clustering Attributed Graph via Hyper-Complex Space Representation Learning

HyReaL: 通过超复数空间表示学习进行属性图聚类

Junyang Chen, Yang Lu, Mengke Li, Cuie Yang, Yiqun Zhang, Yiu-ming Cheung

机构 * Tsinghua University（清华大学） ； Xiamen University（厦门大学） ； Shenzhen University（深圳大学） ； Northeastern University（东北大学） ； Hong Kong Baptist University（香港 Baptist大学） 纠错

AI总结 HyReaL通过引入超复数空间提升属性图聚类的表示学习，解决过平滑问题，增强属性耦合学习能力，无需过多图卷积层即可实现更有效的聚类。

Comments Accepted to DASFAA 2026