Johns Hopkins University（约翰斯·霍普金斯大学）

TriC-Motion: Tri-Domain Causal Modeling Grounded Text-to-Motion Generation

TriC-Motion: 基于三域因果建模的文本到动作生成

Yiyang Cao, Yunze Deng, Ziyu Lin, Bin Feng, Xinggang Wang, Wenyu Liu, Dandan Zheng, Jingdong Chen

机构 * Inclusion AI, Ant Group, Beijing, China（蚂蚁集团Inclusion AI北京） ； Whiting School of Engineering, Johns Hopkins University, Baltimore, Maryland, USA（约翰霍普金斯大学工程学院） 纠错

AI总结 TriC-Motion通过整合空间-时间-频域建模与因果干预，提出一种基于扩散的文本到动作生成框架，实现高质量、连贯且与文本对齐的动作序列生成。

Cross-Lingual F5-TTS: Towards Language-Agnostic Voice Cloning and Speech Synthesis

跨语言F5-TTS：迈向语言无关的语音克隆与语音合成

Qingyu Liu, Yushen Chen, Zhikang Niu, Chunhui Wang, Yunting Yang, Bowen Zhang, Jian Zhao, Pengcheng Zhu, Kai Yu, Xie Chen

机构 * Shanghai Innovation Institute, China（上海创新研究院） ； Johns Hopkins University, USA（约翰霍普金斯大学） ； Geely, China（吉利公司） 纠错

AI总结 本文提出Cross-Lingual F5-TTS，通过强制对齐和说话速度预测实现无需转录文本的跨语言语音克隆与合成

Comments 5 pages, 2 figures

Virtual Community: An Open World for Humans, Robots, and Society

虚拟社区：人类、机器人与社会的开放世界

Qinhong Zhou, Hongxin Zhang, Xiangye Lin, Zheyuan Zhang, Yutian Chen, Wenjun Liu, Zunzhe Zhang, Sunli Chen, Lixing Fang, Qiushi Lyu, Xinyu Sun, Jincheng Yang, Zeyuan Wang, Bao Chi Dang, Zhehuan Chen, Daksha Ladia, Quang Vinh Dang, Jiageng Liu, Chuang Gan

机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Johns Hopkins University（约翰霍普金斯大学） ； CMU（卡内基梅隆大学） 纠错

AI总结 虚拟社区是一个开放世界平台，旨在研究人类与机器人共存的社会智能，通过多智能体模拟和大规模社区生成，提出两个新挑战以探索开放世界中的协作与规划能力。

Comments website https://virtual-community-ai.github.io/

ViT-5: Vision Transformers for The Mid-2020s

ViT-5：2020年代中期的视觉变换器

Feng Wang, Sucheng Ren, Tiezheng Zhang, Predrag Neskovic, Anand Bhattad, Cihang Xie, Alan Yuille

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 ViT-5通过改进组件和架构，提升了视觉变换器的性能和泛化能力，成为2020年代中期更优的视觉骨干网络。

Comments Code is available at https://github.com/wangf3014/ViT-5

$\partial$CBDs: Differentiable Causal Block Diagrams

∂CBDs：可微因果块图

Thomas Beckers, Ján Drgoňa, Truong X. Nghiem

机构 * Vanderbilt University（范德比尔特大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Central Florida（中央佛罗里达大学） 纠错

AI总结 ∂CBDs结合因果块图、合同验证和可微编程，提供一种可扩展、可验证且可训练的CPS建模方法。

AgentSys: Secure and Dynamic LLM Agents Through Explicit Hierarchical Memory Management

AgentSys: 通过显式分层内存管理实现安全且动态的LLM代理

Ruoyao Wen, Hao Li, Chaowei Xiao, Ning Zhang

机构 * Washington University in St. Louis（圣路易斯华盛顿大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 AgentSys通过显式分层内存管理有效防御间接提示注入攻击，显著降低攻击成功率并提升LLM代理的安全性和动态性。

Comments 21 pages, 4 figures

Beyond Crash: Hijacking Your Autonomous Vehicle for Fun and Profit

超越事故：为娱乐和利润劫持你的自动驾驶汽车

Qi Sun, Ahmed Abdo, Luis Burbano, Ziyang Li, Yaxing Yao, Alvaro Cardenas, Yinzhi Cao

机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； Johns Hopkins University Applied Physics Laboratory（约翰斯·霍普金斯大学应用物理实验室） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） 纠错

AI总结 本文提出JackZebra框架，通过物理可行的攻击车辆实现对自动驾驶车辆的路线劫持，以实现长期路线完整性妥协。

CHAI: Command Hijacking against embodied AI

CHAI：针对具身AI的命令劫持

Luis Burbano, Diego Ortiz, Qi Sun, Siwei Yang, Haoqin Tu, Cihang Xie, Yinzhi Cao, Alvaro A Cardenas

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 CHAI是一种针对具身AI的物理环境间接提示注入攻击，通过嵌入误导性自然语言指令，利用多模态语言解释能力，有效提升了攻击性能，凸显了对传统对抗鲁棒性之外的防御需求。

Comments This work has been accepted for publication at the IEEE Conference on Secure and Trustworthy Machine Learning (SaTML). The final version will be available on IEEE Xplore

Knowing When to Stop: Efficient Context Processing via Latent Sufficiency Signals

何时停止：通过潜在充分信号实现高效的上下文处理

Roy Xie, Junlin Wang, Paul Rosu, Chunyuan Deng, Bolun Sun, Zihao Lin, Bhuwan Dhingra

机构 * Duke（杜克大学） ； Rice（稻田大学） ； JHU（约翰·霍普金斯大学） ； UC Davis（加州大学戴维斯分校） 纠错

AI总结 通过潜在充分信号实现高效上下文处理，使LLMs在获得足够信息后自动终止处理，提升效率并减少token使用。

Comments Accepted to NeurIPS 2025

Fully Dynamic Adversarially Robust Correlation Clustering in Polylogarithmic Update Time

具有多项式对数更新时间的全动态对抗鲁棒相关聚类

Vladimir Braverman, Prathamesh Dharangutte, Shreyas Pai, Vihan Shah, Chen Wang

机构 * Rice University（里士满大学） ； Google Research（谷歌研究） ； UT Health（UT健康） ； Johns Hopkins University（约翰霍普金斯大学） ； Rutgers University（罗格斯大学） ； Indian Institute of Technology Madras（印度理工学院马德拉斯分校） ； University of Waterloo（滑铁卢大学） ； Texas A&M University（德克萨斯A&M大学） 纠错

AI总结 本文提出了一种在对抗鲁棒环境下实现O(1)近似和多项式对数更新时间的动态相关聚类算法。

Comments AISTATS 2025

Federated Learning Clients Clustering with Adaptation to Data Drifts

具有适应数据漂移的联邦学习客户端聚类

Minghao Li, Dmitrii Avdiukhin, Rana Shahout, Nikita Ivkin, Vladimir Braverman, Minlan Yu

机构 * Harvard University（哈佛大学） ； Northwestern University（西北大学） ； Amazon（亚马逊公司） ； Johns Hopkins University（约翰霍普金斯大学） ； Google（谷歌公司） 纠错

AI总结 FIELDING通过适应数据漂移的CFL框架提升模型准确性并加速收敛

Comments 24 pages, 16 figures

WorldEdit: Towards Open-World Image Editing with a Knowledge-Informed Benchmark

WorldEdit: 向开放世界图像编辑迈进的基于知识的基准

Wang Lin, Feng Wang, Majun Zhang, Wentao Hu, Tao Jin, Zhou Zhao, Fei Wu, Jingyuan Chen, Alan Yuille, Sucheng Ren

机构 * Zhejiang University（浙江大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 WorldEdit通过引入基于知识的基准，提升模型在开放世界图像编辑中对隐式指令的理解和处理能力。