高校专区
自生成：一种自我进化代理协议
机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； City University of Hong Kong（香港城市大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出了一种自生成协议（AGP），该协议通过分离进化内容与进化过程，解决了现有代理协议在跨实体生命周期管理、版本追踪和安全更新接口方面的不足。基于AGP，作者展示了自生成系统（AGS），该系统能够动态实例化、检索和优化协议注册的资源，通过多个具有长视界规划和工具使用的挑战性基准测试，验证了代理资源管理和闭环自我进化的有效性。
TMPO：用于多样化和高效扩散对齐的轨迹匹配策略优化
机构 * Huazhong University of Science and Technology（华中科技大学） ； Kuaishou Technology（快手科技） ； Nanyang Technological University（南洋理工大学） ； Wuhan University（武汉大学） ； Tsinghua University（清华大学）
AI总结 本文提出TMPO，通过轨迹级奖励分布匹配提升扩散模型生成多样性，采用Softmax-TB目标和动态随机树采样，有效减少训练时间并提升性能。
你的凭证如何被LLM智能体技能泄露：一项实证研究
机构 * Griffith University（格里菲斯大学） ； Wake Forest University（威克森林大学） ； Nanyang Technological University（南洋理工大学） ； University of New South Wales（新南威尔士大学） ； Zhejiang Sci-Tech University（浙江科技学院） ； The University of Tokyo（东京大学） ； University of Alberta（阿尔伯塔大学） ； Independent Researcher（独立研究者）
AI总结 首次大规模实证研究LLM智能体技能中的凭证泄露问题，通过分析170,226个技能样本，识别出520个受影响技能和10种泄露模式，发现76.3%的案例需跨模态分析，调试日志占73.5%的漏洞，89.6%的泄露凭证可立即利用。
Comments Accepted to ASE 2026 (The 41st IEEE/ACM International Conference on Automated Software Engineering)
通过先验映射协同进化训练扩散策略
机构 * Nanyang Technological University（南洋理工大学） ； National University of Singapore（国立新加坡大学） ； Carnegie Mellon University（卡内基梅隆大学） ； CFAR Agency for Science Technology and Research（科技研究局（CFAR）） ； IHPC Agency for Science Technology and Research（科技研究局（IHPC））
AI总结 提出GoRL框架，通过将策略优化限制在易处理的潜空间，同时用条件生成解码器合成动作，解耦优化与生成，实现稳定优化与表达力提升，在连续控制任务上显著超越基线。
Comments Ver 3 (Accepted as a conference paper by ICML 2026)
骨架到图像编码：通过视觉预训练模型实现骨架表示学习
机构 * KTH Royal Institute of Technology（皇家理工学院） ； Lancaster University（兰卡斯特大学） ； Hebei University of Technology（河北工业大学） ； Nanyang Technological University（南洋理工大学） ； Shenzhen MSU-BIT University（深圳MSU-BIT大学） ； VinUniversity（文大学）
AI总结 提出S2I编码，将骨架序列转换为图像状数据，首次利用视觉预训练模型进行自监督骨架表示学习，统一异构骨架格式，在多个数据集上验证了有效性。
Comments Submitted to IJCV, under review
基于集合与基于分布的认知不确定性表示：一项比较研究
机构 * KU Leuven（库勒芬大学） ； Nanyang Technological University（南洋理工大学） ； College of Computing and Data Science（计算与数据科学学院） ； Department of Computer Science（计算机科学系） ； Oxford Brookes University（奥xford布鲁克斯大学）
AI总结 本文通过控制实验，比较了基于集合（credal集）和基于分布（后验参数分布）的认知不确定性表示方法，发现两者在选择性预测和分布外检测等任务中表现可比，揭示了表示选择对不确定性感知性能的影响。
Comments Accepted by The Forty-Second Conference on Uncertainty in Artificial Intelligence (UAI 2026)
最优Token基线：长程LLM-RL的方差缩减
机构 * National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Fudan University（复旦大学） ； Hong Kong University of Science（香港科学大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Vector Institute（向量研究所）
AI总结 针对长程LLM-RL训练中梯度方差爆炸问题，从第一性原理推导最优Token基线，提出仅用前向概率近似梯度范数的Logit-Gradient Proxy，以N=4分组达到N=32性能，减少65%以上Token消耗。
面向海港电力物流调度的决策聚焦持续学习：跨不同任务的泛化
机构 * College of Smart Energy, Shanghai Jiao Tong University（上海交通大学智能能源学院） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院） ； School of Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电气工程学院） ； Dyson School of Design Engineering, Imperial College London（伦敦帝国理工学院戴森设计工程学院）
AI总结 针对预测-优化框架在任务变化时泛化差的问题，提出基于Fisher信息正则化的决策聚焦持续学习框架，通过可微凸代理稳定梯度，实现跨任务决策对齐的在线学习，在裕廊港实验中提升决策性能并降低计算成本。
Comments Preprint to IEEE Transactions on Smart Grid
QAMO: 面向语音深度伪造检测的质量感知多质心单类学习
机构 * Nanyang Technological University, Singapore（南洋理工大学, 新加坡） ； National University of Singapore, Singapore（新加坡国立大学, 新加坡） ； The Hong Kong Polytechnic University, Hong Kong（香港理工大学, 香港）
AI总结 提出QAMO方法，通过引入多个质量感知质心扩展单类学习，利用语音质量评分（MOS）建模真实语音的类内变异性，实现更优的深度伪造检测。
Comments Accepted by INTERSPEECH 2026
Detail++: 文本到图像扩散模型的免训练细节增强器
机构 * AGI Lab, Westlake University（AGI实验室，西lake大学） ； Nanyang Technological University（南洋理工大学）
AI总结 提出免训练框架Detail++，通过渐进式细节注入策略分解复杂提示词，利用自注意力布局控制与交叉注意力质心对齐损失，提升多主体复杂提示下的生成质量。
CuDi: 曲线蒸馏实现高效可控曝光调整
机构 * VCIP, CS, Nankai University（VCIP、计算机科学系、南开大学） ； S-Lab, Nanyang Technological University（S实验室、南洋理工大学）
AI总结 提出曲线蒸馏方法CuDi，无需配对或未配对数据，通过高阶曲线切线逼近加速推理、减小模型，并利用自监督空间曝光控制损失实现全局或局部曝光调整，单模型同时校正欠曝和过曝图像。
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