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。