高校专区
Omni-Fake：面向社交媒体的统一多模态深度伪造检测基准测试
机构 * University of Liverpool（利物浦大学） ； University of Exeter（埃克塞特大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出Omni-Fake多模态深度伪造检测基准，包含大规模数据集和分布外基准，支持联合检测-定位-解释协议，并提出基于强化学习的多模态检测器，提升检测准确性和可解释性。
Comments Accepted to CVPR 2026
MIRL：基于互信息的强化学习用于视觉-语言模型
机构 * School of Mathematics, Tianjin University, Tianjin, China（天津大学数学学院） ； Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China（中国科学院信息工程研究所） ； Shanghai Advanced Institute of Finance (SAIFS), East China Normal University, Shanghai, China（上海先进金融研究所（SAIFS），东华大学） ； ENN Group, Digital Technology Research Institute, China（ENN集团，数字技术研究院） ； Nanyang Technological University, Singapore（南洋理工大学） ； National University of Singapore, Singapore（新加坡国立大学）
AI总结 MIRL通过利用生成描述与视觉输入之间的互信息，解决视觉语言模型在复杂推理任务中的感知误差和幻觉问题，提升回答准确性。
基于注意力随机性的混合卷积：在可证明的鲁棒性和经验鲁棒性之间
机构 * Indian Institute of Technology Ropar（印度理工学院罗帕尔分校） ； Nanyang Technological University（南洋理工大学） ； RoentGen Health（RoentGen健康） ； Queensland University of Technology（昆士兰理工大学） ； RMIT University（皇家墨尔本理工大学） ； Murdoch University（莫纳什大学） ； Deakin University（迪金大学）
AI总结 HyCAS通过结合确定性和随机性原理，提升模型在L2和L攻击下的鲁棒性，实验证明其在多个数据集上显著优于现有方法。
在高维均值测试中的截断极限
机构 * Amazon（亚马逊） ； IMPA（巴西国家数学科学与研究所） ； Nanyang Technological University（南洋理工大学）
AI总结 研究在任意截断下高维均值测试的极限，发现截断引入的偏倚影响检测能力，提出基于方向中位数的结构逃离方法，统一了有限矩、亚高斯和中位数正则等不同框架。
非对称可逆威胁：学习可逆隐私保护用于人脸识别
机构 * School of Cyber Science and Engineering, Sichuan University（四川大学计算机科学与工程学院） ； Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李科钦医学院） ； School of Electrical and Electronic Engineering, Yonsei University（延世大学电子与电气工程学院）
AI总结 本文提出ARFP，通过整合隐私保护、密钥恢复和篡改指示，提升人脸识别系统对逆向净化攻击的防御能力，同时保持授权恢复的实用性。
迈向高保真人脸交换：全面综述与新基准
机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Nanyang Technological University（南洋理工大学） ； Yonsei University（延世大学）
AI总结 本文综述了人脸交换方法，提出新基准CASIA FaceSwapping，通过系统分析设计原理和局限性，提供统一视角和评估框架以推动更稳健的人脸交换技术。
对抗流匹配用于端到端自动驾驶中的不可察觉攻击
机构 * Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（深圳先进研究院，电子科技大学） ； School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院） ； School of Mechanical and Electrical Engineering, University of Electronic Science and Technology of China（电子科技大学机械与电气工程学院）
AI总结 本文提出对抗流匹配（AFM）框架，通过利用Transformer结构漏洞生成高效且视觉不可察觉的对抗样本，有效降级VLA和模块化自动驾驶代理性能，同时保持先进的视觉不可察觉性及跨模型迁移能力。
Comments 16 pages, 11 figures
基于基础模型的双分支共适应源无关EEG解码
机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； College of Artifical Intelligence and Automation, Hohai University（河海大学人工智能与自动化学院） ； College of Artificial Intelligence, Nanjing University of Aeronautics and Astronautics（南京航空航天大学人工智能学院） ； Brainnetcome Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所脑网络中心） ； Information Systems Technology and Design, Singapore University of Technology and Design（新加坡科技设计大学信息系统技术与设计）
AI总结 本文提出FUSED框架，通过双分支共适应机制整合大规模基础模型与紧凑专家模型，提升源无关EEG解码的泛化能力和稳定性，实验验证其在多任务中的优越性能。
2026 年人工智能与机器学习在智能制造中的路线图
机构 * Center for Industrial Artificial Intelligence, Department of Mechanical Engineering, University of Maryland, College Park（工业人工智能中心，机械工程系，马里兰大学College Park分校） ； Department of Management, Economics and Industrial Engineering, Politecnico di Milano（管理、经济与工业工程系，米兰理工学院） ； Department of Industrial and Systems Engineering, The Hong Kong Polytechnic University（工业与系统工程系，香港理工大学） ； Centre for Advanced Manufacturing & Supply Chains, World Economic Forum（先进制造与供应链研究中心，世界经济论坛） ； Department of Mechanical Engineering, Indian Institute of Technology Indore（机械工程系，印度理工学院Indore分校） ； Future Information Innovative College, Fudan University（未来信息创新学院，复旦大学） ； Department of Mechanical Engineering, Seoul National University（机械工程系，首尔国立大学） ； Department of Mechanical and Information Engineering, University of Seoul（机械与信息工程系，首尔大学） ； Onepredict Corp.（Onepredict公司） ； School of Mechanical and Aerospace Engineering, Nanyang Technological University（机械与航空航天工程学院，南洋理工大学） ； Singapore Centre for 3D Printing, Nanyang Technological University（新加坡3D打印中心，南洋理工大学） ； Mechanical Engineering, Purdue University（机械工程系，普渡大学） ； Digital Twin International Research Center, International Institute for Interdisciplinary and Frontiers, Beihang University（数字孪生国际研究中心， interdisciplinary and Frontiers 国际研究院，北京航空航天大学） ； School of Automation Science and Electrical Engineering, Beihang University（自动化科学与电气工程学院，北京航空航天大学） ； Department of Engineering, University of Cambridge（工程系，剑桥大学） ； Center for Advanced Manufacturing, University of Southern California（先进制造中心，南加州大学） ； School of Sustainability Engineering and Environmental Engineering, Purdue University（可持续工程与环境工程系，普渡大学） ； School of Mechanical Engineering, Sungkyunkwan University（机械工程系，全南大学） ； Intelligent Maintenance and Operations Systems, EPFL（智能维护与运营系统，苏黎世联邦理工学院） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院） ； J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学） ； Department of Mechanical and Process Engineering, ETH Zürich（机械与工艺工程系，苏黎世联邦理工学院）
AI总结 本文探讨人工智能与机器学习在智能制造中的发展现状与未来方向，涵盖基础理论、应用领域及新兴技术，旨在推动创新与产业应用。
Comments This paper has been accepted for publication in the Journal Machine Learning: Engineering
壳中的假朋友：揭示大型语言模型中的表情符号语义混淆
机构 * Xi’an Jiaotong University（西安交通大学） ； Nanyang Technological University（南洋理工大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 研究揭示大型语言模型对表情符号的语义混淆问题，通过构建数据集发现平均混淆率超38%，且多数混淆响应导致安全风险，呼吁开发有效缓解方法。
具有情感智能的智能体：当前趋势、挑战与未来展望
机构 * School of Computer Engineering, Iran University of Science and Technology（伊朗科学技术大学计算机工程学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院）
AI总结 本文综述了情感智能智能体的核心组件，涵盖多模态数据处理的情感理解、情感认知及表达合成，分析了发展中的关键挑战与未来方向，强调生成技术对情感计算的潜力。
Comments Enhanced the quality of figures, incorporated additional and recent references, and improved the manuscript for better clarity and writing quality
EngiBench：用于评估大型语言模型在工程问题解决上的基准
机构 * Nanyang Technological University（南洋理工大学） ； The University of Sydney（悉尼大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院） ； The University of Hong Kong（香港大学） ； Hong Kong Polytechnic University（香港理工大学） ； AIRS
AI总结 EngiBench是一个分层基准，用于评估大型语言模型在解决工程问题上的能力，涵盖基础知识检索、情境推理和开放性建模三个层次，揭示当前LLM在现实工程中仍缺乏高级推理能力。
Comments Accepted at ACL 2026 Findings
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈