IJCAI

Bridging the SEA Gap: An Initial Benchmark for Neural Audio Codec-Synthesized Speech Deepfakes in South-East Asian Languages

弥合SEA差距：南亚语言神经音频编码合成语音深度伪造的初步基准

Orchid Chetia Phukan, Girish, Mohd Mujtaba Akhtar, Arun Balaji Buduru

机构 * IIIT-Delhi, India（印度德里国家理工学院） ； UPES, India（印度UPES大学） ； VBSPU, India（印度VBSPU大学） 纠错

AI总结 针对南亚语言神经音频编码合成语音深度伪造检测缺乏基准的问题，构建首个大规模基准SEA-CF，并提出轻量级小模型GARUDA，在低资源场景下实现高效检测。

Comments Accepted to IJCAI-ECAI 2026

Clinically Aware Synthetic Image Generation for Concept Coverage in Chest X-ray Models

临床感知的合成图像生成用于胸部X光模型的概念覆盖

Amy Rafferty, Rishi Ramaesh, Ajitha Rajan

机构 * University of Edinburgh（爱丁堡大学） ； NHS Lothian（洛锡安国家健康服务） 纠错

AI总结 提出CARPA框架，通过解剖约束的概念扰动生成合成胸部X光图像，扩展临床概念覆盖，提升模型性能与可靠性。

Comments Accepted for presentation at the IJCAI-ECAI 2026 RobustifAI workshop

ReSyn: A Generalized Recursive Regular Expression Synthesis Framework

ReSyn：一种通用的递归正则表达式合成框架

Seongmin Kim, Hyunjoon Cheon, Su-Hyeon Kim, Yo-Sub Han, Sang-Ki Ko

AI总结 提出ReSyn框架，通过分治策略将复杂正则表达式合成问题分解为子问题，并结合Set2Regex合成器，在真实基准上达到最先进性能。

Comments Accepted at IJCAI 2026

A Survey on 3D Skeleton Based Person Re-Identification: Taxonomy, Advances, Challenges, and Interdisciplinary Prospects

基于3D骨架的行人重识别综述：分类、进展、挑战与跨学科前景

Haocong Rao, Chunyan Miao

机构 * College of Computing and Data Science, Nanyang Technological University (NTU), Singapore（南洋理工大学计算与数据科学学院，新加坡） ； Joint NTU-UBC Research Centre of Excellence in Active Living for the Elderly (LILY), NTU, Singapore（老龄化积极生活卓越研究中心（LILY），南洋理工大学，新加坡） ； Alibaba-NTU Global e-Sustainability CorpLab (ANGEL), NTU, Singapore（阿里巴巴-南洋理工大学全球可持续发展企业实验室（ANGEL），南洋理工大学，新加坡） 纠错

AI总结 本文系统综述了基于3D骨架的行人重识别方法，提出了手工、序列和图建模三类分类法，并评估了监督、自监督和无监督学习范式下的最新技术，最后讨论了关键挑战与跨学科应用前景。

Comments Accepted by IJCAI 2026. A curated collection of valuable resources is available at https://github.com/Kali-Hac/3D-SRID-Survey

Federated Foundation Language Model Post-Training Should Focus on Open-Source Models

联邦基础语言模型后训练应聚焦开源模型

Nikita Agrawal, Ruben Mayer

机构 * University of Bayreuth（拜罗伊特大学） 纠错

AI总结 本文批判性分析联邦后训练中使用黑盒模型的问题，主张采用开源模型以符合联邦学习的数据隐私和自治原则。

Comments Accepted at International Workshop on Federated Learning in the Age of Foundation Models In Conjunction with IJCAI 2026