Korea Advanced Institute of Science and Technology（韩国科学技术院）

INDIBATOR: Diverse and Fact-Grounded Individuality for Multi-Agent Debate in Molecular Discovery

INDIBATOR: 多样且基于事实的个体性用于分子发现中的多智能体辩论

Yunhui Jang, Seonghyun Park, Jaehyung Kim, Sungsoo Ahn

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； Yonsei university（延世大学） 纠错

AI总结 INDIBATOR 通过基于个性化科学家资料的多智能体辩论框架，在分子发现中实现了更高质量的科学发现。

Uncertainty-Aware Non-Prehensile Manipulation with Mobile Manipulators under Object-Induced Occlusion

具有物体遮挡的移动机械臂非抓取操作的不确定性意识

Jiwoo Hwang, Taegeun Yang, Jeil Jeong, Minsung Yoon, Sung-Eui Yoon

机构 * Robotics Program at the Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院机器人项目） 纠错

AI总结 CURA-PPO 通过建模不确定性解决移动机械臂在物体遮挡下的非抓取操作问题，提高操作成功率。

Comments 8 pages, 7 figures, Accepted to ICRA 2026, Webpage: https://jiw0o.github.io/cura-ppo/

VRGaussianAvatar: Integrating 3D Gaussian Avatars into VR

VRGaussianAvatar：将3D高斯法 avatars整合到VR中

Hail Song, Boram Yoon, Seokhwan Yang, Seoyoung Kang, Hyunjeong Kim, Henning Metzmacher, Woontack Woo

机构 * KAIST UVR Lab（韩国科学技术院UVR实验室） ； KAIST KI-ITC ARRC（韩国科学技术院KI-ITC ARRC） ； Hansung University and ETH Zurich, Game Technology Center（翰山大学和苏黎世联邦理工学院游戏技术中心） ； ETH Zurich, Game Technology Center（苏黎世联邦理工学院游戏技术中心） ； KAIST UVR Lab and KAIST KI-ITC ARRC（韩国科学技术院UVR实验室和韩国科学技术院KI-ITC ARRC） 纠错

AI总结 VRGaussianAvatar通过HMD跟踪信号实现实时全身体3DGS avatars，采用并行流水线和双目批处理提升渲染效率，实验证明其在交互性能和外观相似性上的优势。

Comments Accepted as an IEEE TVCG paper at IEEE VR 2026 (journal track)

Conformal mapping based Physics-informed neural networks for designing neutral inclusions

基于共形映射的物理信息神经网络用于设计中性包含体

Daehee Cho, Hyeonmin Yun, Jaeyong Lee, Mikyoung Lim

机构 * Department of Mathematical Sciences, Korea Advanced Institute of Science and Technology（韩国科学技术院数学科学系） ； Department of Artificial Intelligence, Chung-Ang University（Chung-Ang 大学人工智能系） 纠错

AI总结 本文提出CoCo-PINNs，结合共形映射与物理信息神经网络，解决中性包含体设计问题，提升PINNs的可信度、一致性和稳定性。

Multi-LLM Adaptive Conformal Inference for Reliable LLM Responses

多LLM自适应置信推理用于可靠的LLM响应

Kangjun Noh, Seongchan Lee, Ilmun Kim, Kyungwoo Song

机构 * Department of Applied Statistics and Data Science, Yonsei University（应用统计与数据科学系，延世大学） ； Department of Mathematical Sciences, KAIST（数学科学系，韩国科学技术院） 纠错

AI总结 多LLM自适应置信推理通过集成生成更准确的事实性分数，提升高风险领域中LLM响应的可靠性和准确性。

Comments Accepted to ICLR 2026

Learning to Reason in LLMs by Expectation Maximization

通过期望最大化学习大语言模型的推理能力

Junghyun Lee, Branislav Kveton, Anup Rao, Subhojyoti Mukherjee, Ryan A. Rossi, Sunav Choudhary, Alexa Siu

机构 * kaist-ai（韩国科学技术院人工智能学院） ； adobe（Adobe研究） 纠错

AI总结 本文提出基于奖励的过滤期望最大化方法，通过不同采样方案提升大语言模型的推理能力，实验表明PPS在任务表现上优于其他方案。

Comments 27 pages, 15 figures, 5 tables (ver2: major revision, including new experiments, reorganization, etc)