高校专区
少即是多：迈向简单的图对比学习
机构 * School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（南洋理工大学电子与电气工程学院）
AI总结 本文提出一种简单的图对比学习方法，通过聚合图结构特征来减少节点特征噪声，无需数据增强或负采样，在异质图基准上取得最佳性能。
内在缪子：在黎曼矩阵流形上的谱优化
机构 * Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Indian Institute of Technology Bombay, India（印度理工学院班加罗尔，印度） ； University of Sydney, Australia（悉尼大学，澳大利亚） ； Microsoft India（微软印度）
AI总结 本文提出内在缪子框架，通过在固定秩、SPD、Stiefel和Grassmann流形上实现闭式更新，解决传统缪子在流形参数上的泛化问题，并提供收敛保证。
Comments Code: https://github.com/1bang118/manifold-intrinsic-muon
在任意维度下几乎无遗憾地学习纯量子态
机构 * Centre for Quantum Technologies, National University of Singapore, Singapore（量子技术中心，新加坡国立大学） ； Nanyang Quantum Hub, School of Physical and Mathematical Sciences, Nanyang Technological University, Singapore（南洋量子枢纽，南洋理工大学物理与数学科学学院） ； Department of Electrical and Computer Engineering, National University of Singapore, Singapore（电子与计算机工程系，新加坡国立大学）
AI总结 本文提出一种在任意有限维中学习纯量子态的方法，通过局部线性模型和鲁棒估计器实现无累积干扰的量子态重构，其在T次测量后累积遗憾为O(d³log²T)。
Comments 43 pages
面向视觉-语言-动作模型的后门基于所有权验证
机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； A*STAR Institute of High Performance Computing (A*STAR IHPC)（新加坡A*STAR高性能计算研究所） ； A*STAR Centre for Frontier AI Research (A*STAR CFAR)（新加坡A*STAR前沿人工智能研究中心） ； 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） ； College of Design and Engineering, Nanyang Technological University（南洋理工大学设计与工程学院） ； Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (LIESMARS), Wuhan University（武汉大学测绘遥感信息工程国家重点实验室（LIESMARS））
AI总结 本文提出GuardVLA，首个针对视觉-语言-动作模型的后门基于所有权验证框架，通过在训练中嵌入隐蔽无害的后门水印，实现可靠的模型所有权验证并保持正常任务性能。
FraudBench: 一个多模态基准用于检测AI生成的欺诈性退款证据
机构 * 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） ； Alibaba-NTU Global e-Sustainability CorpLab (ANGEL)（阿里巴巴-NTU全球可持续性科技实验室） ； Alibaba Group（阿里巴巴集团）
AI总结 本文提出FraudBench，一个用于检测AI生成欺诈性退款证据的多模态基准。通过真实用户评价证据构建，结合图像编辑模型生成伪造证据，并评估不同模型在不同生成器下的性能。
SimReg：通过嵌入相似性正则化提升预训练性能
机构 * Baidu Inc.（百度公司） ； Sun Yat-sen University（中山大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出SimReg，通过增强相同标签嵌入的相似性与不同标签嵌入的对比，提升预训练效率和下游任务表现。
近确定性结构输出在线策略蒸馏中的外推悬崖
机构 * Nanyang Technological University（南洋理工大学）
AI总结 本文研究了在线策略蒸馏中近确定性结构输出任务的外推悬崖问题，推导了基于模态概率、预热质量及重要性采样剪切强度的闭式安全阈值，并展示了在Amazon Fashion数据集上通过调整参数实现模型性能提升。
掌控你的视角：高分辨率全球语义操控在学习图像压缩中的应用
机构 * University of Macau（澳门大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出了一种新的方法，用于在学习图像压缩中实现高分辨率全球语义操控，通过改进的周期几何衰减调度策略，克服了现有方法在高分辨率语义操控中的局限性。
MIND-Skill: 通过多智能体归纳与演绎保证技能质量
机构 * Nanyang Technological University（南洋理工大学） ； Waseda University（早稻田大学） ； Zhejiang University（浙江大学） ； Southeast University（东南大学）
AI总结 本文提出MIND-Skill框架，通过归纳与演绎自动生成可复用的技能，结合三种损失函数保证质量，实验显示其在AppWorld和BFCL-v3上优于现有方法。
Self-Debias：为大型语言模型引入自我纠正的去偏方法
机构 * Jinan University, China（济南大学，中国） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡）
AI总结 本文提出Self-Debias框架，通过资源再分配策略使模型具备自我纠正能力，以解决去偏过程中持续的偏见传播问题，无需外部干预即可提升去偏效果。
Comments ICML 2026
PromptGuard: 基于软提示的文本到图像模型不安全内容审查
机构 * Department of Computer Science, University of Maryland（计算机科学系，马里兰大学） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机科学与数据科学学院） ； Kahlert School of Computing, The University of Utah（犹他大学Kahlert计算学院） ； Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院）
AI总结 PromptGuard通过引入软提示机制，有效抑制文本到图像模型生成不安全内容，同时保持生成质量，且比现有方法快3.8倍。
Comments Accepted for publication in IEEE Transactions on Information Forensics and Security (TIFS)
隐式神经网络点云压缩
机构 * College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院） ； Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电子与电气工程系） ； 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 本文提出NeRC³框架，利用隐式神经表示实现点云的高效压缩，通过坐标基神经网络编码几何与属性，并扩展至动态点云压缩，实验验证其在静态和动态点云压缩中的优越性能。
Journal ref IEEE Transactions on Image Processing, vol. 35, pp. 260-275, 2026
Auto-Rubric as Reward：从隐含偏好到显式多模态生成标准
机构 * Nanyang Technological University（南洋理工大学） ； Ant Group（蚂蚁集团） ； MMLab, The Chinese University of Hong Kong（香港中文大学MMLab） ； UIUC（伊利诺伊大学香槟分校）
AI总结 本文提出Auto-Rubric as Reward框架，通过显式标准分解替代隐含权重优化，提升多模态生成模型对人类偏好的对齐效果，实验证明显式标准能更可靠地实现数据高效对齐。
Comments 28 pages, 10 figures, 11 tables
通过一个单个演示缓解多示例劫持攻击
机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； Sun Yat-sen University（中山大学） ； University of Science and Technology of China（中国科学技术大学） ； Virginia Tech（弗吉尼亚理工大学）
AI总结 本文研究多示例劫持攻击为何随着演示数量增加而增强，提出通过添加固定单个安全演示来对抗该攻击，从而提升模型鲁棒性。
基于文本的多尺度频率表示适应
机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出FreqAdapter，通过在频域进行多尺度信号微调，结合文本信息减少信息冗余，提升多模态模型的性能与效率。
Comments ACL 2026 Main
DLink：从EEG基础模型中蒸馏分层和主导知识
机构 * Xiamen University（厦门大学） ； Nanyang Technological University（南洋理工大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Southeast University（东南大学）
AI总结 DLink通过输入条件化层路由和频谱引导蒸馏，有效蒸馏EEG基础模型知识，提升紧凑学生模型性能，减少参数和计算量。
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