University of Southern California（南加州大学）

DeCo-DETR: Decoupled Cognition DETR for efficient Open-Vocabulary Object Detection

DeCo-DETR：解耦认知DETR用于高效的开放词汇目标检测

Siheng Wang, Yanshu Li, Bohan Hu, Zhengdao Li, Haibo Zhan, Linshan Li, Weiming Liu, Ruizhi Qian, Guangxin Wu, Hao Zhang, Jifeng Shen, Piotr Koniusz, Zhengtao Yao, Junhao Dong, Qiang Sun

机构 * Jiangsu University（江苏大学） ； Brown University（布朗大学） ； Nanyang Technological University（南洋理工大学） ； MBZUAI ； University of New South Wales（新南威尔士大学） ； USC ； University of Toronto（多伦多大学） ； Data61 CSIRO 纠错

AI总结 DeCo-DETR通过统一解耦范式解决开放词汇目标检测中的计算开销与训练目标冲突问题，构建层次化语义原型空间并解耦语义推理与定位，提升推理效率。

Comments Accepted at ICLR 2026

AdeptHEQ-FL: Adaptive Homomorphic Encryption for Federated Learning of Hybrid Classical-Quantum Models with Dynamic Layer Sparing

AdeptHEQ-FL: 适应性同态加密用于混合经典-量子模型联邦学习的框架

Md Abrar Jahin, Taufikur Rahman Fuad, M. F. Mridha, Nafiz Fahad, Md. Jakir Hossen

机构 * University of Southern California（南加州大学） ； Islamic University of Technology（伊斯兰科技大学） ； American International University-Bangladesh（孟加拉国美国国际大学） ； Multimedia University（多媒体大学） 纠错

AI总结 本文提出AdeptHEQ-FL框架，结合混合CNN-PQC架构、自适应准确度加权聚合方案、选择性同态加密和动态层冻结技术，提升联邦学习在非独立同分布环境下的性能、隐私保护与通信效率。

Comments Accepted in 1st International Workshop on ICCV'25 BISCUIT (Biomedical Image and Signal Computing for Unbiasedness, Interpretability, and Trustworthiness)

Journal ref 1st International Workshop on BISCUIT at ICCV 2025

Agentic Interpretation: Lattice-Structured Evidence for LLM-Based Program Analysis

代理解释：基于格结构的证据用于基于LLM的程序分析

Jacqueline L. Mitchell, Chao Wang

机构 * University of Southern California, Los Angeles, California, USA（美国南加州大学） 纠错

AI总结 本文提出代理解释框架，结合格结构静态分析与LLM程序推理，通过分解分析目标为局部断言并跟踪LLM判断，改进程序分析的灵活性和准确性。

Comments 27 pages, 6 figures

Geometry over Density: Few-Shot Cross-Domain OOD Detection

密度上的几何学：少样本跨领域异常检测

Shawn Li, You Qin, Jiate Li, Charith Peris, Lisa Bauer, Roger Zimmermann, Yue Zhao

机构 * University of Southern California（南加州大学） ； National University of Singapore（新加坡国立大学） ； Amazon（亚马逊） 纠错

AI总结 本文提出UFCOD框架，通过扩散轨迹的信息几何分析实现少样本跨领域异常检测，无需额外训练即可在不同领域中高效检测异常样本。

PG-LRF: Physiology-Guided Latent Rectified Flow for Electro-Hemodynamic PPG-to-ECG Generation

PG-LRF：基于生理的潜在修正流用于电-血流PPG到ECG生成

Xiaoda Wang, Minxiao Wang, Kaiqiao Han, Defu Cao, Ching Chang, Yidan Shi, Runze Yan, Xiao Luo, Yan Liu, Xiao Hu, Yizhou Sun, Wei Wang, Carl Yang

机构 * Department of Computer Science, Emory University（埃默里大学计算机科学系） ； Nell Hodgson Woodruff School of Nursing, Emory University（埃默里大学Nell Hodgson Woodruff护理学院） ； Department of Computer Science, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系） ； Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Department of Statistics, University of Wisconsin–Madison（威斯康星大学麦迪逊分校统计系） 纠错

AI总结 本文提出PG-LRF框架，通过结合电-血流模拟器和生理感知自编码器，生成符合生理学的ECG信号，提升PPG到ECG的生成质量及心血管疾病分类性能。