Membership Inference on LLMs in the Wild
在真实环境中对大语言模型进行成员推断
机构 * The Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出SimMIA框架和WikiMIA-25基准，通过先进采样策略和评分机制，在黑盒环境下实现对大语言模型成员推断的高精度检测。
高校专区
The Chinese University of Hong Kong（香港中文大学）
FTDMamba: Frequency-Assisted Temporal Dilation Mamba for Unmanned Aerial Vehicle Video Anomaly Detection
FTDMamba：基于频率的时域扩张Mamba用于无人机视频异常检测
机构 * Information Materials and Intelligent Sensing Laboratory of Anhui Province（安徽省信息材料与智能感知实验室） ； Anhui Provincial Key Laboratory of Multimodal Cognitive Computation（安徽省多模态认知计算重点实验室） ； School of Computer Science and Technology, Anhui University（安徽大学计算机科学与技术学院） ； Department of Computer Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）计算机科学与工程系）
AI总结 FTDMamba通过频率辅助的时域扩张Mamba网络，解决动态背景下无人机视频异常检测的挑战，提出两个核心模块并构建大规模数据集，实现最先进的检测性能。
Redefining Machine Simultaneous Interpretation: From Incremental Translation to Human-Like Strategies
重新定义机器同声传译：从逐步翻译到人样策略
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Nara Institute of Science and Technology（奈良研究所）
AI总结 本文提出通过扩展SiMT的操作空间，引入四种自适应操作以提升翻译质量与实时性，实验证明在语义指标和延迟方面优于现有方法。
Comments arXiv admin note: substantial text overlap with arXiv:2509.21801
Spatio-Temporal Representation Decoupling and Enhancement for Federated Instrument Segmentation in Surgical Videos
联邦学习中手术视频仪器分割的时空表示解耦与增强
机构 * Department of Electrical and Computer Engineering, NUS, Singapore（新加坡国立大学电子与计算机工程系） ； Department of Biomedical Engineering, NUS, Singapore（新加坡国立大学生物医学工程系） ； Institute of High Performance Computing, A*STAR, Singapore（新加坡A*STAR高性能计算研究所） ； Department of Computer Science and Engineering, The Chinese University of Hong Kong, HKSAR, China（香港中文大学（深圳）计算机科学与工程系） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China（中国科学院深圳先进技术研究所）
AI总结 本文提出FedST方法，通过解耦和增强时空表示，提升联邦学习中手术视频仪器分割的性能。
FROG: Fair Removal on Graphs
FROG: 图上的公平移除
机构 * University of Massachusetts Lowell, USA（马萨诸塞大学洛约拉分校） ； Pennsylvania State University, USA（宾夕法尼亚州立大学） ； Michigan State University, USA（密歇根州立大学） ； The Chinese University of Hong Kong, China（香港中文大学） ； Sapienza University of Rome, Italy（罗马萨皮恩扎大学）
AI总结 FROG通过联合优化图结构和模型，实现图上的公平无学习，通过移除冗余边和增强边来保持公平性，并引入最坏情况评估机制提升鲁棒性。
Comments CIKM 2025; v2 fixes author list
