University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）

Defending against Backdoor Attacks via Module Switching

通过模块切换防御后门攻击

Weijun Li, Ansh Arora, Xuanli He, Mark Dras, Qiongkai Xu

机构 * Macquarie University（麦考瑞大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University College London（伦敦大学学院） 纠错

AI总结 本文提出模块切换防御方法，通过验证理论依据和实验效果，展示其在减少后门攻击有效性方面优于现有方法，适用于深层网络和多种架构，实验表明其在较少模型情况下具有更强的防御能力。

Comments Accepted to ICLR 2026

Uncertainty-Aware Web-Conditioned Scientific Fact-Checking

具有不确定性的网络条件科学事实核查

Ashwin Vinod, Katrin Erk

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

AI总结 本文提出一种基于原子谓词-论元分解和校准的不确定性和网络验证方法，通过嵌入对齐局部片段，使用紧凑的证据基础检查器验证事实，并仅在不确定支持的事实触发领域受限的网络搜索。系统支持二元和三元分类，优于现有基准。

RiTeK: A Dataset for Large Language Models Complex Reasoning over Textual Knowledge Graphs in Medicine

RiTeK：一个用于大型语言模型在医学领域文本知识图谱上复杂推理的数据集

Jiatan Huang, Mingchen Li, Zonghai Yao, Dawei Li, Yuxin Zhang, Zhichao Yang, Yongkang Xiao, Feiyun Ouyang, Xiaohan Li, Shuo Han, Hong Yu

机构 * University of Connecticut（康涅狄格大学） ； University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校） ； School of Computing, and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院） ； UMass Chan Medical School（马萨诸塞大学陈医学院） ； University of Minnesota（明尼苏达大学） ； Rollins School of Public Health, Emory University（埃默里大学罗林斯公共卫生学院） ； Optum AI ； University of Massachusetts, Lowell（马萨诸塞大学洛厄尔分校） 纠错

AI总结 本文提出RiTeK数据集，用于评估大型语言模型在医学领域文本知识图谱上的复杂推理能力，通过合成高质量查询和专家评估，揭示现有检索方法的不足。

Comments ACL 2026 Findings