Nanyang Technological University（南洋理工大学）

On the Regularity and Generalization of One-Step Wasserstein-guided Generative Models for PDE-Induced Measures

关于PDE诱导度量的一步Wasserstein引导生成模型的正则性和泛化性

Likun Lin, Zhongjian Wang, Jack Xin, Zhiwen Zhang

机构 * Department of Mathematics, The University of Hong Kong（香港大学数学系） ； Division of Mathematical Sciences, School of Physical and Mathematical Sciences, Nanyang Technological University（南洋理工大学数学科学系） ； Department of Mathematics, University of California at Irvine（加州大学 Irvine 分校数学系） 纠错

AI总结 本文研究了一步Wasserstein引导生成模型在处理PDE诱导概率度量时的正则性和泛化性，通过理论框架证明了运输映射的正则性和生成模型的泛化性质，并通过实验验证了理论结果。

Reducing Object Hallucination in LVLMs via Emphasizing Image-negative Tokens

通过强调图像负样本token减少LVLMs中的物体幻觉

Meng Shen, Minghao Wu, Deepu Rajan

机构 * Nanyang Technological University（南洋理工大学） ； Monash University（墨尔本大学） 纠错

AI总结 本文通过强调图像负样本token来减少LVLMs中的物体幻觉问题，提出调整不同token的训练权重和数据过滤策略以控制幻觉。

Comments 20 pages, 10 figures, 10 tables

Efficient Banzhaf-Based Data Valuation for $k$-Nearest Neighbors Classification

高效基于Banzhaf值的$k$-最近邻分类数据估值

Guangyi Zhang, Lutz Oettershagen, Lixu Wang, Aristides Gionis

机构 * Shenzhen Technology University（深圳技术大学） ； University of Liverpool（利物浦大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出了一种高效计算$k$-最近邻分类器中Banzhaf值的方法，解决了数据估值中的计算复杂性问题，通过动态规划框架实现了显著的计算效率提升。

Comments To appear at VLDB 2026

PlexRL: Cluster-Level Orchestration of Serviceized LLM Execution for RLVR

PlexRL: 服务化大语言模型执行在RLVR中的集群级编排

Yiqi Zhang, Fangzheng Jiao, Tian Tang, Boyu Tian, Hangyu Wang, Qiaoling Chen, Guoteng Wang, Zhen Jiang, Peng Sun, Ping Zhang, Xiaohe Hu, Ziming Liu, Menghao Zhang, Yanmin Jia, Yang You, Siyuan Feng

机构 * National University of Singapore（新加坡国立大学） ； Beihang University（北航） ； Shanghai Qiji Zhifeng Co., Ltd.（上海启智风科技有限公司） ； Nanyang Technological University（南洋理工大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 本文提出PlexRL，通过集群级编排服务化大语言模型执行，解决RLVR训练中的效率问题，提升集群容量并降低GPU小时成本，同时保持算法灵活性和最小的单任务开销。

IndusAgent: Reinforcing Open-Vocabulary Industrial Anomaly Detection with Agentic Tools

IndusAgent: 通过智能工具增强开放词汇工业异常检测

Rongbin Tan, Fangfang Lin, Zhenlong Yuan, Min Qiu, Kejin Cui, Mengmeng Wang, Yi Wang, Zijian Song, Zhiyuan Wang, Jiyuan Wang, Yue Wang, Shuhan Song§, Huawei Cao

机构 * State Key Lab of Processors, Institute of Computing Technology, CAS（处理器国家重点实验室，计算技术研究所，中国科学院） ； Santa Clara University（圣克拉拉大学） ； LongCat Team（LongCat团队） ； Independent Researcher（独立研究者） ； New York University（纽约大学） ； Sun Yat-sen University（孙中山大学） ； Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） 纠错

AI总结 本文提出IndusAgent框架，通过整合视觉观测、高分辨率局部片段和专家正常性先验，提升开放词汇工业异常检测的零样本性能，验证了方法的鲁棒性和泛化能力。

Trusted Weights, Treacherous Optimizations? Optimization-Triggered Backdoor Attacks on LLMs

可信的权重，危险的优化？针对大语言模型的优化触发后门攻击

Yifei Wang, Tianlin Li, Xiaohan Zhang, Yida Yang, Xiaoyu Zhang, Li Pan

机构 * Shanghai Jiao Tong University（上海交通大学） ； Beihang University（北京航空航天大学） ； Tongji University（同济大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出了一种利用编译优化过程植入隐蔽后门的攻击方法，通过两种互补策略在无需修改编译器或硬件的情况下，实现对大语言模型的后门攻击，并展示了其在多个开源大语言模型上的高成功率。

Comments 20 pages, 3 figures

VLANeXt: Recipes for Building Strong VLA Models

VLANeXt: 构建强大VLA模型的配方

Xiao-Ming Wu, Bin Fan, Kang Liao, Jian-Jian Jiang, Runze Yang, Yihang Luo, Zhonghua Wu, Wei-Shi Zheng, Chen Change Loy

机构 * S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； SenseTime Research（商汤科技研究院） ； Sun Yat-sen University（中山大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文通过统一框架和评估设置重新审视VLA设计空间，系统分析了基础组件、感知要素和动作建模视角，总结出12项关键发现，提出了一种简单有效的VLA模型VLANeXt，并在LIBERO和LIBERO-plus基准测试中超越了现有方法，同时提供了易于使用的代码库。

Comments Accepted in ICML 2026, Project Page: https://dravenalg.github.io/VLANeXt/

DC-LA: Difference-of-Convex Langevin Algorithm

DC-LA：差分凸拉格朗日算法

Hoang Phuc Hau Luu, Zhongjian Wang

机构 * Division of Mathematical Sciences, School of Physical and Mathematical Sciences, Nanyang Technological University, Singapore（数学科学系，物理与数学科学学院，南洋理工大学，新加坡） 纠错

AI总结 本文研究了一个采样问题，其目标分布为π∝exp(-f-r)，其中数据保真项f是Lipschitz光滑的，而正则化项r=r1-r2是一个非光滑的差分凸（DC）函数。通过利用r的DC结构，分别对r1和r2应用Moreau包络以平滑r。随后，将正则化部分的凹部分分配给数据保真项，并研究相应的近端拉格朗日算法（称为DC-LA）。在V远离耗散的假设下，建立了DC-LA在q-Wasserstein距离上收敛到目标分布π的结论，且在离散化和平滑误差范围内对所有q∈ℕ*成立。结果在非对数凹采样方面改进了之前的成果。

Maxitive Donsker-Varadhan Formulation for Possibilistic Variational Inference

Maxitive Donsker-Varadhan Formulation for Possibilistic Variational Inference

Jasraj Singh, Shelvia Wongso, Jeremie Houssineau, Badr-Eddine Chérief-Abdellatif

机构 * Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出了一种基于可能性理论的变分推断方法，通过建立最大性Donsker-Varadhan公式，解决了传统变分推断中对加法性假设的依赖问题，并提出了CBOpt优化器以提升图像分类任务的性能。

Comments 37 pages, 3 figures, 13 tables

Spacetime Optimal-Transport Attention for Visuo-Haptic Imitation Learning of Contact-Rich Manipulation

时空最优传输注意力用于视觉-触觉模仿学习中的富接触操作

Yue Feng, Weicheng Huang, I-Ming Chen

机构 * Robotics Research Centre, School of Mechanical and Aerospace Engineering, Nanyang Technological University, Singapore（机器人研究中心，机械与航空航天工程学院，南洋理工大学，新加坡） ； Wings Robotics（Wings机器人） 纠错

AI总结 本文提出了一种三模态融合框架Spacetime Optimal-Transport Attention (SO-TA)，通过熵正则化的最优传输对力-姿态衍生的子查询和视觉块进行对齐，以解决富接触操作中多模态信息融合的问题，并在真实机器人任务中实现了高成功率。

Comments 8 pages, 16 figures, 3 tables. Preprint

ConceptSeg-R1: Segment Any Concept via Meta-Reinforcement Learning

ConceptSeg-R1: 通过元强化学习实现任意概念的分割

Yuan Zhao, Youwei Pang, Jiaming Zuo, Wei Ji, Kailai Zhou, Bin Fan, Yunkang Cao, Lihe Zhang, Xiaofeng Liu, Huchuan Lu, Weisi Lin, Dacheng Tao, Xiaoqi Zhao

机构 * Dalian University of Technology（大连理工大学） ； X3000 Inspection Co., Ltd（X3000检测有限公司） ； Nanyang Technological University（南洋理工大学） ； Yale University（耶鲁大学） ； Northwestern Polytechnical University（西北工业大学） ； Hunan University（湖南大学） 纠错

AI总结 本文提出ConceptSeg-R1框架，通过元强化学习机制学习可迁移的任务规则，结合轻量级概念翻译模块实现概念分割，并在多个领域基准上验证了其在概念层次上的强性能。

Adaptive Probe-based Steering for Robust LLM Jailbreaking

适应性探针引导用于鲁棒大语言模型劫持

Junxi Chen, Junhao Dong, Xiaohua Xie

机构 * School of Computer Science（计算机科学学院） ； Engineering, Sun Yat-Sen University, China（中山大学工程学院，中国） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡） 纠错

AI总结 本文提出了一种基于模型提取的适应性探针引导方法，通过动态调整引导强度来提升大语言模型劫持的鲁棒性和有效性，无需额外对比提示或手动调参，显著提高了攻击效果。

Comments 19 pages, 13 figures, accepted by ICML 2026

Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine

在流形假设下证明学习扩散模型：坍缩与细化

Wei Huang, Andi Han, Mingyuan Bai, Huanjian Zhou, Qixin Zhang, Taiji Suzuki, Kenji Fukumizu

机构 * RIKEN AIP & The Institute of Statistical Mathematics（日本理化学研究所AIP及统计数学研究所） ； University of Sydney（悉尼大学） ； Agency for Science, Technology and Research & The Institute of Statistical Mathematics（科技研究局及统计数学研究所） ； The University of Tokyo（东京大学） ； Nanyang Technological University（南洋理工大学） ； The Institute of Statistical Mathematics（统计数学研究所） 纠错

AI总结 本文在流形假设下研究扩散模型的学习问题，提出了一种由得分函数几何特性驱动的坍缩与细化机制，并通过Score-induced Latent Diffusion模型验证了其理论预测，证明样本复杂性依赖于内在维度而非外在维度。

Comments 3 figures

Letting Trajectories Spread: Quality-Preserving Control for Diverse Flow Matching

让轨迹扩散：用于多样化流匹配的质量保持控制

Jingxuan Wu, Zhenglin Wan, Xingrui Yu, Yuzhe Yang, Bo An, Ivor Tsang, Yang You

机构 * The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Nanyang Technological University（南洋理工大学） ； CFAR, Agency for Science, Technology and Research, Singapore（新加坡科技研究局CFAR） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出了一种无需训练的推理时控制机制，使流本身具备多样性意识，通过几何上与模式质量寻求方向解耦的引导来鼓励轨迹横向扩散，同时通过时间调度的随机扰动重新引入不确定性，从而在不降低图像细节和提示忠实度的情况下提升多样性。