University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

C-kNN-LSH: A Nearest-Neighbor Algorithm for Sequential Counterfactual Inference

C-kNN-LSH：一种用于序列反事实推断的最近邻算法

Jing Wang, Jie Shen, Qiaomin Xie, Jeremy C Weiss

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Stevens Institute of Technology（史蒂文斯理工学院） 纠错

AI总结 C-kNN-LSH通过局部敏感哈希和双重鲁棒校正，有效处理高维、混淆的序列因果推断问题，提升长期新冠康复异质性识别与政策价值估计性能。

Draft-based Approximate Inference for LLMs

基于草案的近似推理用于大语言模型

Kevin Galim, Ethan Ewer, Wonjun Kang, Minjae Lee, Hyung Il Koo, Kangwook Lee

机构 * FuriosaAI ； UW-Madison（威斯康星大学麦迪逊分校） ； Seoul National University（首尔国立大学） ； Ajou University（全州大学） ； KRAFTON 纠错

AI总结 本文提出基于草案的近似推理方法，通过结合lookahead技术和小模型预测，实现更精确的KV缓存丢弃和提示压缩，提升LLM在长上下文任务中的推理效率和准确性。

Comments Accepted to ICLR 2026

Journal ref ICLR 2026

How Does Unfaithful Reasoning Emerge from Autoregressive Training? A Study of Synthetic Experiments

自回归训练如何导致不忠推理？合成实验研究

Fuxin Wang, Amr Alazali, Yiqiao Zhong

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本研究通过合成实验探讨自回归训练如何导致不忠推理，发现训练噪声阈值影响推理的忠实性，模型在低噪声下能学习因果推理，高噪声下则出现跳步推理。

Comments 25 pages, 23 figures

HERMES: A Holistic End-to-End Risk-Aware Multimodal Embodied System with Vision-Language Models for Long-Tail Autonomous Driving

HERMES: 一种集成端到端风险感知多模态具身系统，用于长尾自动驾驶

Weizhe Tang, Junwei You, Jiaxi Liu, Zhaoyi Wang, Rui Gan, Zilin Huang, Feng Wei, Bin Ran

机构 * Department of Civil and Environmental Engineering, University of Wisconsin–Madison（土木与环境工程系，威斯康星大学麦迪逊分校） 纠错

AI总结 HERMES通过整合视觉-语言模型和多模态感知，提升自动驾驶在长尾混合交通场景中的风险感知和轨迹规划能力。

Stable Signer: Hierarchical Sign Language Generative Model

Stable Signer: 层级化手语生成模型

Sen Fang, Yalin Feng, Hongbin Zhong, Yanxin Zhang, Dimitris N. Metaxas

机构 * Rutgers University（罗格斯大学） ； Nanyang Technological University（南洋理工大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出Stable Signer模型，通过层级生成端到端任务提升手语视频生成质量，采用SLUL和SLP-MoE模块实现高效生成。

Comments 12 pages, 7 figures. More Demo at https://stablesigner.github.io

On The Finetuning of MLIPs Through the Lens of Iterated Maps With BPTT

通过迭代映射视角对MLIPs进行微调

Evan Dramko, Yizhi Zhu, Aleksandar Krivokapic, Geoffroy Hautier, Thomas Reps, Christopher Jermaine, Anastasios Kyrillidis

机构 * Department of Computer Science, Rice University, Houston, USA（计算机科学系，里士大学） ； Department of Materials Science（材料科学系） ； Nanoengineering, Rice University, Houston, USA（纳米工程，里士大学） ； Rice Advanced Materials Institute, Rice University, Houston, USA（里士先进材料研究所，里士大学） ； Faculty of Technical Sciences, University of Novi Sad, Novi Sad, Serbia（技术科学系，诺维萨德大学） ； Department of Computer Sciences, University of Wisconsin--Madison, Madison, USA（计算机科学系，威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出通过迭代映射视角对MLIPs进行微调，通过端到端模拟循环提升结构弛豫精度，实现预测误差降低32%

Comments 9 main pages, total of 15 pages. 6 tables, 6 Figures

Contamination Detection for VLMs using Multi-Modal Semantic Perturbation

使用多模态语义扰动检测VLMs中的污染

Jaden Park, Mu Cai, Feng Yao, Jingbo Shang, Soochahn Lee, Yong Jae Lee

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； Kookmin University（韩国庆北大学） 纠错

AI总结 本文提出了一种基于多模态语义扰动的检测方法，用于识别和验证受污染的视觉语言模型。

Comments Accepted at ICLR 2026

An Extended VIIRS-like Artificial Nighttime Light Data Reconstruction (1986-2024)

扩展的VIIRS类人工夜间光数据重建（1986-2024）

Yihe Tian, Kwan Man Cheng, Zhengbo Zhang, Tao Zhang, Junning Feng, Zhehao Ren, Suju Li, Dongmei Yan, Bing Xu

机构 * Department of Earth System Science, Ministry of Education, Ecological Field Station for East Asian Migratory Birds, Tsinghua University, Beijing 100084, China（地球系统科学系，教育部，东亚迁徙鸟类生态观测站，清华大学，北京100084，中国） ； Department of Computer Sciences, University of Wisconsin-Madison, Madison 53703, USA（计算机科学系，威斯康星大学麦迪逊分校，麦迪逊53703，美国） ； Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China（自动化研究所，中国科学院，北京100190，中国） ； China Association for International Exchange of Personnel, Beijing 100038, China（中国国际人员交流协会，北京100038，中国） ； National Disaster Reduction Center of China, Beijing 100124, China（中国减灾中心，北京100124，中国） ； Aerospace Information Research Institute, CAS, Beijing 100094, China（航天信息研究所，中国科学院，北京100094，中国） 纠错

AI总结 本文提出EVAL数据集，通过两阶段深度学习模型扩展VIIRS类人工夜间光数据，解决光强低估和结构细节缺失问题，提升时间序列研究的长期覆盖能力。

A Survey of Token Compression for Efficient Multimodal Large Language Models

多模态大语言模型高效性中的标记压缩综述

Kele Shao, Keda Tao, Kejia Zhang, Sicheng Feng, Mu Cai, Yuzhang Shang, Haoxuan You, Can Qin, Yang Sui, Huan Wang

机构 * Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Xiamen University（厦门大学） ； National University of Singapore（新加坡国立大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of Central Florida（佛罗里达大学） ； Salesforce AI Research（Salesforce AI研究） ； Rice University（德克萨斯大学） 纠错

AI总结 本文综述了多模态大语言模型中标记压缩技术，分类讨论了图像、视频和音频三种模态的压缩方法及其机制，旨在推动该领域的发展。

Comments For ongoing updates and to track the latest advances in this promising area, we maintain a public repository: https://github.com/cokeshao/Awesome-Multimodal-Token-Compression

LLaVA-PruMerge: Adaptive Token Reduction for Efficient Large Multimodal Models

LLaVA-PruMerge: 适应性令牌减少用于高效的大多模态模型

Yuzhang Shang, Mu Cai, Bingxin Xu, Yong Jae Lee, Yan Yan

机构 * UCF（佛罗里达大学） ； UW-Madison（威斯康星大学麦迪逊分校） ； USC（南加州大学） ； UIC（伊利诺伊大学香槟分校） 纠错

AI总结 LLaVA-PruMerge通过自适应视觉令牌减少策略，显著降低视觉令牌数量而不影响性能，适用于高效的大多模态模型。

Comments Accepted to ICCV 2025. First Version is released in 2024/03

Opportunistic Promptable Segmentation: Leveraging Routine Radiological Annotations to Guide 3D CT Lesion Segmentation

机会性可提示分割：利用常规放射学注释指导3D CT病变分割

Samuel Church, Joshua D. Warner, Danyal Maqbool, Xin Tie, Junjie Hu, Meghan G. Lubner, Tyler J. Bradshaw

机构 * University of Wisconsin–Madison Department of Computer Sciences（威斯康星大学麦迪逊分校计算机科学系） ； University of Wisconsin–Madison Department of Radiology（威斯康星大学麦迪逊分校放射学系） 纠错

AI总结 SAM2CT通过利用放射科注释生成3D CT病变分割，实现机会性可提示分割，优于现有模型并展示零样本性能。

Subspace Clustering on Incomplete Data with Self-Supervised Contrastive Learning

不完整数据上的子空间聚类与自监督对比学习

Huanran Li, Daniel Pimentel-Alarcón

机构 * Department of Electrical Engineering, Biostatistics（电气工程与生物统计学系） ； Wisconsin Institute of Discovery（威斯康星发现研究所） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出对比子空间聚类（CSC）方法，通过自监督对比学习处理不完整数据，实现鲁棒的子空间聚类。

ReasoningBomb: A Stealthy Denial-of-Service Attack by Inducing Pathologically Long Reasoning in Large Reasoning Models

ReasoningBomb: 通过诱导病态长推理实现隐蔽的拒绝服务攻击

Xiaogeng Liu, Xinyan Wang, Yechao Zhang, Sanjay Kariyappa, Chong Xiang, Muhao Chen, G. Edward Suh, Chaowei Xiao

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Nanyang Technological University（南洋理工大学） ； NVIDIA（NVIDIA公司） ； University of California, Davis（加州大学戴维斯分校） ； Cornell University（康奈尔大学） 纠错

AI总结 ReasoningBomb通过生成短自然提示诱导大型推理模型进入病态长推理，实现隐蔽的拒绝服务攻击，具有高放大率、隐蔽性和可优化性。

Comments Pre-print. Code is available at https://github.com/SaFo-Lab/ReasoningBomb