Johns Hopkins University（约翰斯·霍普金斯大学）

DECAF: Dynamic Envelope Context-Aware Fusion for Speech-Envelope Reconstruction from EEG

DECAF：动态包络上下文感知融合用于从EEG中重建语音包络

Karan Thakkar, Mounya Elhilali

机构 * Laboratory for Computational Audio Perception, Johns Hopkins University, USA（计算听觉感知实验室，约翰霍普金斯大学，美国） 纠错

AI总结 DECAF通过动态状态空间融合模型结合EEG神经估计与语音上下文预测，提升从EEG重建语音包络的准确性与连贯性。

Comments Accepted at ICASSP 2026

Safe and Interpretable Multimodal Path Planning for Multi-Agent Cooperation

安全且可解释的多模态路径规划用于多智能体协作

Haojun Shi, Suyu Ye, Katherine M. Guerrerio, Jianzhi Shen, Yifan Yin, Daniel Khashabi, Chien-Ming Huang, Tianmin Shu

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

AI总结 CaPE通过多模态路径规划实现安全且可解释的多智能体协作，利用视觉-语言模型和模型基于规划器确保路径调整的安全性和可解释性。

Quantifying Automation Risk in High-Automation AI Systems: A Bayesian Framework for Failure Propagation and Optimal Oversight

对高自动化AI系统中自动化风险的量化：一种贝叶斯框架用于故障传播和最优监管

Vishal Srivastava, Tanmay Sah

机构 * Whiting School of Engineering（惠特инг工程学院） ； Johns Hopkins University（约翰霍普金斯大学） ； Harrisburg University of Science and Technology（哈里斯堡科学技术大学） 纠错

AI总结 本文提出了一种贝叶斯框架，用于量化高自动化AI系统中的风险，通过分解预期损失为故障概率、传播概率和严重性，提供部署导向的风险治理工具。

Graph Neural Networks Powered by Encoder Embedding for Improved Node Learning

由编码器嵌入驱动的图神经网络用于改进节点学习

Shiyu Chen, Cencheng Shen, Youngser Park, Carey E. Priebe

机构 * Department of Applied Mathematics and Statistics (AMS), Johns Hopkins University（应用数学与统计学系，约翰霍普金斯大学） ； Microsoft Research（微软研究院） ； Department of Applied Mathematics and Statistics (AMS), the Center for Imaging Science (CIS), and the Mathematical Institute for Data Science (MINDS), Johns Hopkins University（应用数学与统计学系，影像科学中心，数据科学数学研究所，约翰霍普金斯大学） 纠错

AI总结 本文提出了一种基于编码器嵌入的图神经网络框架，通过结构感知的初始化提升节点学习性能，实验表明在多种任务中均取得显著效果。