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

Doxing via the Lens: Revealing Location-related Privacy Leakage on Multi-modal Large Reasoning Models

通过镜头进行Doxing：揭示多模态大推理模型中的位置相关隐私泄露

Weidi Luo, Tianyu Lu, Qiming Zhang, Xiaogeng Liu, Bin Hu, Yue Zhao, Jieyu Zhao, Song Gao, Patrick McDaniel, Zhen Xiang, Chaowei Xiao

机构 * University of Georgia（佐治亚大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； John Hopkins University（约翰·霍普金斯大学） ； University of Southern California（南加州大学） ； University of Maryland, College Park（马里兰大学学院市分校） 纠错

AI总结 本文研究了多模态大推理模型中的位置隐私泄露问题，提出DoxBench和GeoMiner框架，揭示模型在推断地理位置信息上的能力及隐私风险。

Comments Camera-ready version. Accepted as a poster at the 14th International Conference on Learning Representations (ICLR 2026). For official ICLR page, see https://iclr.cc/virtual/2026/poster/10006914

LLM-MLFFN: Multi-Level Autonomous Driving Behavior Feature Fusion via Large Language Model

LLM-MLFFN: 通过大语言模型的多级自动驾驶行为特征融合

Xiangyu Li, Tianyi Wang, Xi Cheng, Rakesh Chowdary Machineni, Zhaomiao Guo, Sikai Chen, Junfeng Jiao, Christian Claudel

机构 * Department of Civil, Architectural, and Environmental Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校土木、建筑与环境工程系） ； Systems Engineering Program, Cornell University（康奈尔大学系统工程项目） ； Department of Electrical and Computer Engineering, University of Michigan（密歇根大学电气与计算机工程系） ； Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系） ； School of Architecture, The University of Texas at Austin（德克萨斯大学奥斯汀分校建筑学院） 纠错

AI总结 LLM-MLFFN通过大语言模型的多级特征融合提升自动驾驶行为分类的准确性和鲁棒性。

Physics-Informed Neural Networks with Architectural Physics Embedding for Large-Scale Wave Field Reconstruction

具有建筑物理嵌入的物理信息神经网络用于大规模波场重建

Huiwen Zhang, Feng Ye, Chu Ma

机构 * Department of Electrical and Computer Engineering, University of Wisconsin-Madison, Madison, United States（电气与计算机工程系，威斯康星大学麦迪逊分校，麦迪逊，美国） 纠错

AI总结 本文提出PE-PINN，通过在神经网络架构中嵌入物理指导，提升大规模波场重建的效率和精度，适用于电磁波重建及无线通信等领域。

Comments 20 pages, 17 figures

CHAMMI-75: Pre-training multi-channel models with heterogeneous microscopy images

CHAMMI-75：利用异质显微图像预训练多通道模型

Vidit Agrawal, John Peters, Tyler N. Thompson, Mohammad Vali Sanian, Chau Pham, Nikita Moshkov, Arshad Kazi, Aditya Pillai, Jack Freeman, Byunguk Kang, Samouil L. Farhi, Ernest Fraenkel, Ron Stewart, Lassi Paavolainen, Bryan A. Plummer, Juan C. Caicedo

机构 * Morgridge Institute for Research（莫里格研究所） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Institute for Molecular Medicine Finland (FIMM)（芬兰分子医学研究所） ； University of Helsinki（赫尔辛基大学） ； Boston University（波士顿大学） ； Institute of Computational Biology, Helmholtz Munich（海德堡医学院计算生物学研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； Broad Institute of MIT and Harvard（MIT和哈佛大学博德研究所） 纠错

AI总结 CHAMMI-75通过预训练多通道模型，提升异质显微图像在细胞形态分析中的性能与适应性。

Comments 47 Pages, 23 Figures, 26 Tables. Published in ICLR 2026