Georgia Institute of Technology（佐治亚理工学院）

MEDVISTAGYM: A Scalable Training Environment for Thinking with Medical Images via Tool-Integrated Reinforcement Learning

MEDVISTAGYM：一种通过工具集成强化学习进行医学图像思考的可扩展训练环境

Meng Lu, Yuxing Lu, Yuchen Zhuang, Megan Mullins, Yang Xie, Guanghua Xiao, Charles Fleming, Wenqi Shi, Xuan Wang

机构 * Virginia Tech（弗吉尼亚理工大学） ； UT Southwestern Medical Center（德克萨斯大学西南医学中心） ； Georgia Institute of Technology（佐治亚理工学院） ； Cisco（思科公司） 纠错

AI总结 MedVistaGym通过工具集成强化学习提升医学图像分析的代理训练效果。

CloneMem: Benchmarking Long-Term Memory for AI Clones

CloneMem：用于AI克隆的长期记忆基准测试

Sen Hu, Zhiyu Zhang, Yuxiang Wei, Xueran Han, Zhenheng Tang, Huacan Wang, Ronghao Chen

机构 * Peking University（北京大学） ； UC Davis（加州大学戴维斯分校） ； Georgia Tech（佐治亚理工学院） ； MBZUAI（穆桑人工智能研究所） ； HKUST（香港科技大学） ； UCAS（中国科学技术大学） 纠错

AI总结 CloneMem是一个用于评估AI克隆长期记忆能力的基准，通过非对话数字痕迹数据，评估代理对个人状态演变的跟踪能力。

Graph-KV: Breaking Sequence via Injecting Structural Biases into Large Language Models

Graph-KV: 通过向大语言模型注入结构偏差打破序列

Haoyu Wang, Peihao Wang, Mufei Li, Shikun Liu, Siqi Miao, Zhangyang Wang, Pan Li

机构 * Georgia Institute of Technology（佐治亚理工学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 Graph-KV通过引入结构偏差打破序列限制，提升大语言模型在图结构任务中的表现。

Safe Vision-Language Models via Unsafe Weights Manipulation

通过不安全权重操作实现安全的视觉-语言模型

Moreno D'Incà, Elia Peruzzo, Xingqian Xu, Humphrey Shi, Nicu Sebe, Massimiliano Mancini

机构 * University of Trento（特伦托大学） ； NVIDIA（NVIDIA公司） ； Georgia Tech（佐治亚理工学院） 纠错

AI总结 本文提出UWM方法，通过不训练的方式提升视觉-语言模型在不安全查询上的安全性，同时在安全输入上表现更优。

Comments WACV 2026

FlexVAR: Flexible Visual Autoregressive Modeling without Residual Prediction

FlexVAR: 无需残差预测的灵活视觉自回归建模

Siyu Jiao, Gengwei Zhang, Yinlong Qian, Jiancheng Huang, Yao Zhao, Humphrey Shi, Lin Ma, Yunchao Wei, Zequn Jie

机构 * Institute of Information Science, Beijing Jiaotong University（北京交通大学信息科学学院） ； University of Technology Sydney（悉尼科技大学） ； Meituan（美团） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 FlexVAR通过无需残差预测的灵活视觉自回归建模，在低分辨率图像上实现高分辨率图像生成和多种图像任务处理。

CLIP-GS: Unifying Vision-Language Representation with 3D Gaussian Splatting

CLIP-GS: 通过3D高斯点划法统一视觉-语言表示

Siyu Jiao, Haoye Dong, Yuyang Yin, Zequn Jie, Yinlong Qian, Yao Zhao, Humphrey Shi, Yunchao Wei

机构 * Institute of Information Science, Beijing Jiaotong University（北京交通大学信息科学学院） ； National University of Singapore（新加坡国立大学） ； Meituan（美团） ； Georgia Institute of Technology（佐治亚理工学院） ； Picsart AI Research (PAIR)（Picsart AI研究（PAIR）） 纠错

AI总结 CLIP-GS通过3D高斯点划法统一视觉-语言表示，利用对比损失和图像投票损失提升多模态检索和分类性能。

MTMCS-Bench: Evaluating Contextual Safety of Multimodal Large Language Models in Multi-Turn Dialogues

MTMCS-Bench: 多轮对话中多模态大语言模型上下文安全性的评估

Zheyuan Liu, Dongwhi Kim, Yixin Wan, Xiangchi Yuan, Zhaoxuan Tan, Fengran Mo, Meng Jiang

机构 * University of Notre Dame（诺丁汉大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Montreal（蒙特利尔大学） 纠错

AI总结 MTMCS-Bench评估多模态大语言模型在多轮对话中的上下文安全性，揭示了安全与效用之间的权衡及现有防护措施的不足。

Comments A benchmark of realistic images and multi-turn conversations that evaluates contextual safety in MLLMs under two complementary settings

Evaluating Cross-Lingual Unlearning in Multilingual Language Models

评估多语言语言模型中的跨语言反学习

Tyler Lizzo, Larry Heck

机构 * AI Virtual Assistant (AVA) Lab（人工智能虚拟助手（AVA）实验室） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文研究了多语言语言模型中的跨语言反学习，发现子空间投影方法在去除非训练语言事实方面表现最佳，揭示了权重空间几何结构对多语言遗忘的影响。

Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing

连续量子架构搜索与张量列车编码：理论与信号处理应用

Jun Qi, Chao-Han Huck Yang, Pin-Yu Chen, Javier Tejedor, Ling Li, Min-Hsiu Hsieh

机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology（电气与计算机工程学院，佐治亚理工学院） ； NVIDIA Research（NVIDIA研究） ； IBM Thomas J. Watson Research Center（IBM托马斯·J·沃森研究中心） ； Department of Information Technology, Institute of Technology, Universidad San Pablo-CEU（信息科技系，技术研究所，圣地亚哥-CEU大学） ； City St George's, University of London（伦敦圣乔治大学） ； Hon Hai (Foxconn) Quantum Computing Research Center（鸿海（富士康）量子计算研究中心） 纠错

AI总结 CL-QAS通过张量列车编码和双循环学习策略，实现连续量子架构搜索，在信号处理中提升了准确性和鲁棒性。

Comments In submission

Average shortest-path length in word-adjacency networks: Chinese versus English

词邻接网络中平均最短路径长度：中文与英文

Jakub Dec, Michał Dolina, Stanisław Drożdż, Jarosław Kwapień, Jin Liu, Tomasz Stanisz

机构 * Faculty of Computer Science and Telecommunications, Cracow University of Technology（计算机科学与电信系，克拉科夫技术大学） ； Complex Systems Theory Department, Institute of Nuclear Physics, Polish Academy of Sciences（复杂系统理论系，波兰科学院核物理研究所） ； School of Modern Languages, Georgia Institute of Technology（现代语言学院，佐治亚理工学院） 纠错

AI总结 本文研究了中文和英文词邻接网络中平均最短路径长度的差异，通过包含标点符号来分析语言结构特性，发现标点符号对路径长度有显著影响。

Journal ref Physical Review E 112, 064318 (2025)

Predictive inference for time series: why is split conformal effective despite temporal dependence?

时间序列预测中的预测推断：为何分裂置信区间在存在时间依赖性时仍有效

Rina Foygel Barber, Ashwin Pananjady

机构 * Department of Statistics, University of Chicago（芝加哥大学统计系） ； Schools of Industrial and Systems Engineering and Electrical and Computer Engineering, Georgia Tech（佐治亚理工学院工业与系统工程及电气与计算机工程学院） 纠错

AI总结 本文研究了时间序列中分裂置信预测的有效性，通过引入切换系数量化时间依赖性对交换性假设的违反程度，揭示了预测区间覆盖概率的理论性质。

Comments v2 has minor changes to the presentation

KG-MuLQA: A Framework for KG-based Multi-Level QA Extraction and Long-Context LLM Evaluation

KG-MuLQA：基于知识图谱的多级问答提取与长上下文LLM评估框架

Nikita Tatarinov, Vidhyakshaya Kannan, Haricharana Srinivasa, Arnav Raj, Harpreet Singh Anand, Varun Singh, Aditya Luthra, Ravij Lade, Agam Shah, Sudheer Chava

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 KG-MuLQA通过基于知识图谱的文档表示，实现了多级问答提取与长上下文LLM评估，揭示了模型在集合运算和多跳推理上的系统性失败模式。

KARMA: Leveraging Multi-Agent LLMs for Automated Knowledge Graph Enrichment

KARMA：利用多智能体大语言模型实现知识图谱的自动化丰富

Yuxing Lu, Wei Wu, Xukai Zhao, Rui Peng, Jinzhuo Wang

机构 * Department of Big Data and Biomedical AI, Peking University（北京大学大数据与生物医学人工智能系） ； Wallace H. Coulter Department of Biomedical Engineering, Georgia Institute of Technology（佐治亚理工学院生物医学工程系） ； School of Architecture, Tsinghua University（清华大学建筑学院） 纠错

AI总结 KARMA通过多智能体大语言模型自动丰富知识图谱，有效识别新实体并提高正确性与一致性

Comments 24 pages, 3 figures, 2 tables

Journal ref Spotlight paper of NeurIPS 2025

Point processes with event time uncertainty

具有事件时间不确定性的点过程

Xiuyuan Cheng, Tingnan Gong, Yao Xie

机构 * Department of Mathematics, Duke University（杜克大学数学系） ； H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院H. Milton Stewart工业与系统工程学院） 纠错

AI总结 本文提出了一种处理时间不确定性的Hawkes过程建模框架，通过离散时间模型和优化方法提升推断效率，并在多个数据集上验证了其优越性。