Northeastern University（东北大学）

Code-Poisoning Property Inference Attacks

代码中毒属性推理攻击

Xukun Luan, Yuhui Gong, Gang Zhang, Zixuan Huang, Yuanguo Bi, Xuesong Li, Jinyan Liu

机构 * School of Computer Science and Technology, Beijing Institute of Technology（计算机科学与技术学院，北京理工大学） ； School of Computer Science and Engineering, Northeastern University（计算机科学与工程学院，东北大学） 纠错

AI总结 研究针对机器学习模型训练数据隐私泄露问题，提出代码中毒属性推理攻击（CPPIA），克服现有工作局限。通过恶意代码提供者使数据持有者下载中毒代码训练模型，对手借此嵌入属性查询模型泄露隐私，该方法攻击准确率高、计算轻量，评估证明其通用性和有效性。

Beyond a Single Direction: Chain-of-Thought Disrupts Simple Steering of Refusal

超越单一方向：思维链破坏简单的拒绝引导

Kia-Jüng Yang, Dominik Meier, Jiachen Zhao, Terry Ruas, Bela Gipp

机构 * University of Göttingen, Germany（哥廷根大学，德国） ； Northeastern University, Boston, MA, USA（东北大学，波士顿，马萨诸塞州，美国） 纠错

AI总结 本文研究大型推理模型（LRM）中拒绝行为的机制，发现思维链（CoT）与激活共同编码拒绝信号，使得仅通过激活引导难以逆转拒绝，但通过两阶段干预（激活引导下重新生成CoT）可显著提高逆转率。

High-Fidelity Mural Restoration via a Unified Hybrid Mask-Aware Transformer

高保真壁画修复的统一混合掩码感知变换器

Jincheng Jiang, Qianhao Han, Chi Zhang, Zheng Zheng

机构 * Northeastern University (Toronto Campus)（东北大学（多伦多校区）） ； The Bishop Strachan School（主教斯特拉坎学校） 纠错

AI总结 本文提出混合掩码感知变换器HMAT，通过结合掩码感知动态过滤与Transformer瓶颈，实现壁画的高保真修复，同时通过掩码条件风格融合模块和教师强迫解码器提升修复效果。

Comments 17 pages, 3 figures

Energy-Aware Collaborative Exploration for a UAV-UGV Team

面向能耗的无人机-地面车辆协同探索

Cahit Ikbal Er, Saikiran Juttu, Yasin Yazicioglu

机构 * Department of Mechanical and Industrial Engineering at Northeastern University（东北大学机械与工业工程系） ； Departments of Mechanical and Industrial Engineering and Electrical and Computer Engineering at Northeastern University（东北大学机械与工业工程系和电气与计算机工程系） 纠错

AI总结 本文提出一种面向能耗的无人机-地面车辆协同探索框架，通过密度感知分层概率路标实现稀疏耦合空地路标，将路线选择建模为耦合导向问题以最大化信息增益，同时满足会合约束。

Comments Accepted to the IEEE/RSJ International Conference on Intelligent Robots and Systems 2026 (IROS 2026)

AutoSpec: Automated Generation of Neural Network Specifications

AutoSpec：神经网络规范的自动生成

Shuowei Jin, Taobo Liao, Anuj Kalia, Xenofon Foukas, Huan Zhang, Cheng Tan, Z. Morley Mao, Francis Y. Yan

机构 * University of Michigan（密歇根大学） ； Microsoft Research（微软研究院） ； Northeastern University（东北大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 针对神经网络在学习增强系统中对模型安全鲁棒性需求，AutoSpec提出首个自动生成和评估神经网络规范的综合框架，通过基于树算法、统计认证框架及评估框架，经实验验证其性能优于手动定义规范和现有基线算法。