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

CIG-RL: Curiosity-Driven Information-Guided Reinforcement Learning for Source Term Estimation in Uncertain Environments

CIG-RL：面向不确定环境下源项估计的好奇心驱动信息引导强化学习

Junhee Lee, Seunghwan Kim, Hongro Jang, Hyungjin Kim, Hyoungho Park, Changseung Kim, Hyondong Oh

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST）） ； Ulsan National Institute of Science and Technology (UNIST)（蔚山国家科学技术研究院（UNIST）） 纠错

AI总结 针对不确定环境下源项估计的问题，提出CIG-RL方法，通过好奇心驱动的信息引导强化学习，结合不确定性自适应主动感知奖励提升鲁棒性，经模拟与真实实验验证其有效性。

APT: Anchor-aligned Perturbations for Tamper Localization in Fully Regenerated Images

APT：用于完全再生图像篡改定位的锚点对齐扰动

Suhyeon Ha, Woo Jae Kim, Joonsung Jeon, Sooel Son, Sung-eui Yoon

机构 * KAIST（韩国科学技术院） 纠错

AI总结 针对现有篡改定位方法在完全再生图像中失效的问题，提出半脆弱潜在空间扰动APT，通过锚点对齐特征实现篡改定位，在COCO数据集上FR IoU达0.92，性能优于基线，可泛化到未知篡改类型。

Comments Accepted to ECCV 2026

Where Identity Lives: Localized, Retain-Free Identity Unlearning in Multimodal Large Language Models

身份信息的留存位置：多模态大语言模型中无保留集的本地化身份遗忘

Kangwook Ko, Jaehyuk Jang, Wonjun Lee, Hee-Seon Kim, Changick Kim

机构 * KAIST（韩国科学技术院） 纠错

AI总结 该研究针对多模态大语言模型身份遗忘需依赖难获取保留集的问题，提出PAVA方法，定位解码器早期到中期MLPs并结合遗忘损失与视觉属性锚定，在基准上取得良好遗忘-保留权衡。

Comments Accepted to Findings of the Association for Computational Linguistics: EMNLP 2026

Cost-efficient Active Learning for Referring Image Segmentation and Grounding

用于指称图像分割与指称的高成本效益主动学习

Junbeom Hong, Seonghoon Yu, Hyung Rok Jung, Sundong Kim, Jeany Son

机构 * Meissa ； KAIST（韩国科学技术院） ； GIST（光州科学技术院） ； POSTECH（浦项科技大学） 纠错

AI总结 该研究针对视觉指称的标注瓶颈，提出结合基础模型生成辅助区域-文本对与指称区域模糊度获取函数的主动学习框架，在RIS、REC基准及用户研究中均实现更优性能与更快标注速度。

Comments Accepted to EMNLP 2026 Findings

Hidden Threat in Synthetic Data: Covert Targeted Bias Injection through Benign Text

合成数据中的隐藏威胁：通过良性文本注入隐蔽的针对性偏见

Minkyung Cho, Jihyo Kim, SeungWoo Song, Junghun Yuk, Minjoon Kee, Hoyun Song, KyungTae Lim

机构 * KAIST（韩国科学技术院） ； Dankook University（檀国大学） 纠错

AI总结 该研究发现可通过语义良性的合成数据，利用潜意识学习机制向对齐LLM注入针对性社会偏见，同时保留模型通用任务能力，揭示了合成数据训练LLM的新安全风险，提出基于对数线性的评分或可用于筛查此类数据。

Comments To be published in EMNLP 2026

PLC-DPO: Posterior Label Correction in Noisy and Ambiguous Preference Optimization

PLC-DPO：带噪声与歧义偏好优化中的后验标签修正

Boryeong Cho, Sumyeong Ahn, Se-Young Yun

机构 * KAIST AI（韩国科学技术院人工智能学院） ； KENTECH（韩国世宗国立大学（原韩国科学技术研究院世宗校区）） 纠错

AI总结 PLC-DPO针对DPO假设偏好全可靠的缺陷，提出后验标签修正方法，经57个数据集-模型-基准单元验证，其平均胜率优于DPO及次优方法，且在各类测试中表现稳定。

Comments Findings of EMNLP 2026; Code is available at https://github.com/VennTum99/PLC-DPO

AdaPath: Query-Adaptive Path-Finding via Path-Bank for Multi-Hop Implicit Biomedical KGQA

AdaPath：基于路径库的查询自适应路径查找用于多跳隐式生物医学知识图谱问答

Jun Hyeong Kim, Dongki Kim, Yinhua Piao, Sung Ju Hwang

机构 * KAIST（韩国科学技术院） 纠错

AI总结 本文针对生物医学KGQA的两个挑战，提出AdaPath框架，通过Path-Bank检索查询自适应元路径，发布BioStrat-QA基准，在多个生物医学KGQA基准上性能优于基线。

Comments 25 pages, 6 figures, 30 tables

Journal ref EMNLP 2026 Main Conference

Lies We Can See: Joint Verbal and Non-Verbal Deception by VLM Agents in Embodied Social Interactions

我们能看见的谎言：具身社交交互中VLM智能体的联合言语与非言语欺骗

Jaewoo Ahn, Junseo Kim, Hyunseo Kim, Heeseung Yun, Jaehyeon Son, Zsolt Kira, Gunhee Kim

机构 * Seoul National University（首尔大学） ； Inha University（仁荷大学） ； KAIST（韩国科学技术院） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本研究构建了3D多模态社交推理游戏测试平台MineAmongUs，提出可配置VLM智能体控制程序ARIA，发现非言语通道是VLM智能体欺骗取胜的更关键因素，为具身VLM智能体对齐研究开辟新方向。

Comments Workshop on Agent Behavior (WAB) at COLM 2026. Project page: https://junseokim0103.github.io/Lies-We-Can-See/

PRISM: Predictive Recomposition via Semantic Latent Decomposition for View-invariant Video Representation Learning

PRISM：基于语义隐分解的预测重组用于视角不变视频表示学习

Youngchae Chee, Hosu Lee, Sungjune Park, Junho Kim, Yong Man Ro

机构 * KAIST（韩国科学技术院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； LG AI Research（LG人工智能研究院） 纠错

AI总结 针对现有跨视角视频表示学习方法中视角不变与可变语义纠缠的问题，提出PRISM模型，通过语义隐分解与语言监督实现解耦，在多个数据集上达到SOTA，零样本性能优于领域内模型。

VeloBins: Learning Velocity and Its Uncertainty via Bins and Error-Conditioned Gaussian Labels for Aerial Inertial Odometry

VeloBins：通过分箱和误差条件高斯标签学习空中惯性里程计的速度及其不确定性

Maulana Bisyir Azhari, Seungwook Lee, Donghun Han, Sung Jun Park, David Hyunchul Shim

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

AI总结 针对空中惯性里程计的速度估计问题，提出VeloBins将速度回归转为分箱分类，无需单独不确定性解码器，在四类空中数据集上降低了多种误差，实现了最优性能。

Comments 8 pages, 6 figures, 4 tables. Supplementary video: https://youtu.be/QkZY0So3myw

How You Ask Shapes What You Get: A Theory-Seeded Measurement of Articulation in Advice-Seeking LLM Conversations

提问方式决定获取内容：基于理论的建议寻求型大语言模型对话中表达清晰度的测量

Juneha Baek, Suhyeon Lee, Donghyuk Shin

机构 * KAIST（韩国科学技术院） 纠错

AI总结 该研究探究建议寻求型LLM对话中提问的表达清晰度是否为可与话题分离的潜在维度，从16447条提示词中提取出可复现的表达清晰度因子，发现其与模型回应存在关联，提出基准测试应按表达清晰度分层。

NFAD: Nuisance-Filtered Anomaly Detection Under Distribution Shift

NFAD：分布偏移下的干扰过滤异常检测

Dat Cao, Son Nghiem, Phan Nguyen, Jun Rekimoto, Jhih-Ciang Wu

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST）） ； Sony Computer Science Laboratories (Sony CSL)（索尼计算机科学实验室） ； The University of Tokyo（东京大学） ； National Taiwan Normal University (NTNU)（国立台湾师范大学（NTNU）） 纠错

AI总结 NFAD框架通过建模成像条件干扰变异，在AeBAD-S上实现91.0%图像级AUROC，既提升分布偏移下的异常检测性能，又保持标准基准的竞争力。

Beyond Visual Boundaries: Rethinking Scene Segmentation for Movie RAG

超越视觉边界：为电影检索增强生成（RAG）重新思考场景分割

Dong-Hee Kim, Seonwoo Choi, Changbeen Kim, Jungmyung Wi, Juyeon Ko, Youngju Choi, Il Hyeon Mun, Hyunwoo J. Kim, Donghyun Kim

机构 * Korea University（高丽大学） ； KAIST（韩国科学技术院） 纠错

AI总结 本文针对电影RAG场景，发现现有场景分割方法不如均匀时间分块，提出以叙事为核心的NarraScene数据集，其生成的片段作为检索单元可提升下游电影理解任务性能。

Instruction-Tuned Language Models Cannot Sample from Distributions They Can Describe

指令微调语言模型无法从它们能描述的分布中进行采样

Chaemin Jang, Dongman Lee, Jihee Kim

机构 * School of Computing, KAIST（韩国科学技术院计算学院） ； School of Business and Technology Management, KAIST（韩国科学技术院商业与技术管理学院） 纠错

AI总结 研究发现指令微调语言模型无法从其能描述的分布中采样，存在“知道/做”分裂，通过让模型描述分布可减半误差，还提出PPA在无额外成本下降低21%误差。

Comments EMNLP Findings 2026

FiCA: Feed-forward instant Gaussian Codec Avatars from a Single Portrait Image

FiCA：基于单张肖像图像的前馈即时高斯编解码器化身

Kim Youwang, Zhengyu Yang, Liuhao Ge, Yu Rong, Timur Bagautdinov, Su Zhaoen, Nir Sopher, Jovan Popović, Teng Deng, Tae-Hyun Oh, Chen Cao

机构 * Codec Avatars Lab, Meta（Meta编解码虚拟化身实验室） ； Dept. of Electrical Engineering, POSTECH（浦项科技大学电气工程系） ； School of Computing, KAIST（韩国科学技术院计算机学院） 纠错

AI总结 提出FiCA，一种结合人类视觉基础模型和扩散模型的前馈管道，从单张图像生成逼真、可驱动的3D高斯化身，无需测试时优化。

Comments Project page: https://kim-youwang.github.io/FiCA

Perturbation-Based Epistemic Uncertainty for Failure Detection in Vision-Language-Action Models

基于扰动的视觉-语言-动作模型不确定性用于故障检测

Yousung Lee, Dongsoo Har

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

AI总结 提出一种无标签、模型无关的扰动框架，通过注入高斯扰动到隐藏激活中估计认知不确定性，在分布偏移下提升故障检测性能。

SubT: Subspace Tuning for Few-shot Generalization of Audio-Language Models

约束泛化：音频-语言模型少样本泛化的子空间微调

Jaehyuk Jang, Kangwook Ko, Wonjun Lee, Changick Kim

机构 * KAIST（韩国科学技术院） 纠错

AI总结 针对音频-语言模型少样本微调导致的基类-新类权衡问题，提出子空间微调（SubT），通过结构化子空间参数化和残差锚定约束文本嵌入漂移，并利用子空间感知门控抑制负迁移，在11个音频基准上实现高效强泛化。

Comments EMNLP 2026 Findings

A Zero-shot Generalized Graph Anomaly Detection Framework via Node Reconstruction

基于节点重构的零样本广义图异常检测框架

Phan Nguyen, Dat Cao, Hien Chu, Khue Hoang

机构 * School of Computing, KAIST（韩国科学技术院计算机学院） 纠错

AI总结 提出AlignGAD框架，通过全局统一模块对齐异构特征、聚类模块捕获组级异常模式及节点差异评分模块聚合多视图异常证据，实现零样本跨域图异常检测。

Comments PRICAI 2026

KVoiceBench, KOpenAudioBench, and KMMAU: Agent-Driven Korean Speech Benchmarks for Evaluating SpeechLMs

KVoiceBench, KOpenAudioBench 和 KMMAU：用于评估语音语言模型的智能体驱动的韩语语音基准

Haechan Kim, Seungjun Chung, Inkyu Park, Jihoo Lee, Jonghyun Lee

机构 * KRAFTON ； Graduate School of AI, KAIST（韩国科学技术院人工智能研究生院） ； Department of Mathematical Sciences, Seoul National University（首尔国立大学数学科学系） 纠错

AI总结 针对语音语言模型评估中英语中心化的问题，提出两种智能体驱动的基准构建框架，构建并发布了三个韩语语音基准（KVoiceBench、KOpenAudioBench、KMMAU），通过评估八个最新模型揭示了英语-韩语性能差距和不同任务间的互补性弱点。

Comments 16 pages, 4 figures

H-AdminSim: A Multi-Agent Simulator for Realistic Hospital Administrative Workflows with FHIR Integration

H-AdminSim：一种用于真实医院行政工作流的多智能体模拟器，集成FHIR

Jun-Min Lee, Meong Hi Son, Edward Choi

机构 * KAIST（韩国科学技术院） ； Samsung Medical Center（三星医疗中心） 纠错

AI总结 H-AdminSim通过结合真实数据生成与多智能体模拟，系统评估LLM在医院行政工作流中的表现，利用FHIR实现跨异构环境的标准化测试平台。

Comments Accepted at CHIL 2026

Journal ref Proceedings of the Conference on Health, Inference, and Learning (CHIL), PMLR 333:572-613, 2026

OmniACBench: A Benchmark for Evaluating Context-Grounded Acoustic Control in Omni-Modal Models

OmniACBench：一种评估多模态模型上下文感知语音控制的基准

Seunghee Kim, Bumkyu Park, Kyudan Jung, Joosung Lee, Soyoon Kim, Jeonghoon Kim, Taeuk Kim, Hwiyeol Jo

机构 * Hanyang University（翰阳大学） ； Seoul National University（首尔国立大学） ； KAIST AI（韩国科学技术院人工智能研究所） ； NAVER Cloud（NAVER云） 纠错

AI总结 OmniACBench评估多模态模型在上下文感知语音生成中的能力，通过语音速率、音调等六种特征验证，揭示模型在多模态整合中的瓶颈及三种常见失败模式。

Comments EMNLP 2026

T-MAP: Red-Teaming LLM Agents with Trajectory-aware Evolutionary Search

T-MAP: 通过轨迹感知的进化搜索实现红队攻击LLM代理

Hyomin Lee, Sangwoo Park, Yumin Choi, Sohyun An, Seanie Lee, Sung Ju Hwang

机构 * KAIST（韩国科学技术院） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 本文提出T-MAP方法，通过轨迹感知的进化搜索发现对抗性提示，有效突破安全防护并实现有害目标，实验显示其在攻击实现率上优于基线方法，适用于多步骤工具执行的LLM代理安全测试。

Comments EMNLP 2026

PACE-RAG: Patient-Aware Contextual and Evidence-Constrained RAG for Clinical Drug Recommendation

PACE-RAG：面向临床药物推荐的患者感知上下文与证据约束RAG

Chaeyoung Huh, Hyunmin Hwang, Jung Hwan Shin, Sungyang Jo, Jinse Park, Jong Chul Ye

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Department of Neurology, Seoul National University Hospital（首尔国立大学医院神经科） ； Asan Medical Center, University of Ulsan, College of Medicine（釜山大学医学院阿桑医院） ； Haeundae Paik Hospital, Inje University（庆尚大学医院海undae医院） 纠错

AI总结 提出PACE-RAG框架，通过提取患者特定临床特征、检索相关病例并结合当前症状与用药史，实现个性化药物推荐，在帕金森病和MIMIC-IV数据集上取得最优性能。

Comments EMNLP Findings 2026 (34 pages, 18 figures)

Training-free LLM Verification via Recycling Few-shot Examples

利用回收少样本示例实现无需训练的大语言模型验证

Dongseok Lee, Jimyung Hong, Dongyoung Kim, Jaehyung Kim

机构 * Yonsei University（延世大学） ； KAIST（韩国科学技术院） 纠错

AI总结 针对LLM推理随机性与结论不一致的问题，提出无需训练的ReFeri框架，结合前向置信得分与后向重构惩罚，在7项任务上使3种LLM准确率平均提升8.2%。

Comments EMNLP 2026 Main

Learning diverse attacks on large language models for robust red-teaming and safety tuning

针对大语言模型学习多样化攻击以用于鲁棒红队测试与安全调优

Seanie Lee, Minsu Kim, Lynn Cherif, David Dobre, Juho Lee, Sung Ju Hwang, Kenji Kawaguchi, Gauthier Gidel, Yoshua Bengio, Esmeralda S. Whitammer, Moksh Jain

机构 * KAIST（韩国科学技术院） ； Mila – Québec AI Institute（米拉-魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； McGill University（麦吉尔大学） ； National University of Singapore（新加坡国立大学） ； University of Edinburgh（爱丁堡大学） ； CIFAR（加拿大高级研究所） 纠错

AI总结 该研究针对现有红队测试方法存在的模式崩塌或攻击有效性不足问题，提出GFlowNet微调加二次平滑的方法生成多样化攻击提示，其攻击对各类LLM有效且可迁移，用该攻击提示调优的模型对其他攻击方法具有鲁棒性。

Comments ICLR 2025; code: https://github.com/GFNOrg/red-teaming