A Systematic Framework for Tabular Data Disentanglement
表格数据解耦的系统框架
机构 * Nanyang Technological University（南洋理工大学）
AI总结 本文提出一个系统框架，将表格数据解耦过程模块化为四个核心组件，以解决现有方法在可扩展性、模式崩溃和外推能力上的不足。
高校专区
Nanyang Technological University（南洋理工大学）
PanoSAM2: Lightweight Distortion- and Memory-aware Adaptions of SAM2 for 360 Video Object Segmentation
PanoSAM2：轻量级的失真和内存感知的SAM2改进用于360视频对象分割
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出PanoSAM2，通过改进SAM2以应对360视频中的失真和内存问题，提升分割可靠性，同时保持用户友好的提示设计。
PyVRP$^+$: LLM-Driven Metacognitive Heuristic Evolution for Hybrid Genetic Search in Vehicle Routing Problems
PyVRP$^+$：基于LLM的元认知启发式进化方法用于车辆路径问题中的混合遗传搜索
机构 * Singapore Management University（新加坡管理大学） ； Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学）
AI总结 本文提出PyVRP$^+$，通过LLM驱动的元认知启发式进化方法改进混合遗传搜索算法，发现更高效的启发式策略，提升VRP问题的求解性能。
Comments 18 pages, accepted to the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026)
Networking-Aware Energy Efficiency in Agentic AI Inference: A Survey
面向网络的代理AI推理能效：综述
机构 * Shanghai University（上海大学） ； Nanyang Technological University（南洋理工大学） ； Edith Cowan University（埃迪斯科文大学） ； Fudan University（复旦大学） ； Xi'an Jiaotong-Liverpool University（西交利物浦大学）
AI总结 本文综述了代理AI推理中网络感知能效问题，探讨了计算与通信能耗的统一分类，提出跨层协同设计策略，并指出联邦绿色学习、6G代理AI等开放挑战。
The Art of (Mis)alignment: How Fine-Tuning Methods Effectively Misalign and Realign LLMs in Post-Training
对齐的艺术：细调方法如何有效地对齐和重新对齐训练后的LLM
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Flexera ； CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心） ； Nanyang Technological University（南洋理工大学）
AI总结 研究探讨细调方法在对齐和重新对齐LLM中的效果，揭示攻击与防御间的机制不对称，发现ORPO在对齐方面最有效，DPO在重新对齐中表现优异但牺牲了模型实用性，同时发现模型特定的抗性及多轮对抗动态的残留效应。
Comments Accepted by ACL Findings 2026
Know Thy Enemy: Securing LLMs Against Prompt Injection via Diverse Data Synthesis and Instruction-Level Chain-of-Thought Learning
知彼者智：通过多样化数据合成和指令级推理学习增强大语言模型抗提示注入能力
机构 * State Key Laboratory of Complex System Modeling and Simulation Technology（复杂系统建模与仿真技术国家重点实验室） ； Science and Technology on Integrated Information System Laboratory, Institute of Software Chinese Academy of Sciences（中国科学院软件研究所综合信息系统技术国家级重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Nanyang Technological University（南洋理工大学） ； Beijing Forestry University（北京林业大学）
AI总结 本文提出InstruCoT方法，通过多样化数据合成和指令级推理学习提升大语言模型对提示注入攻击的防御能力，实验表明其在行为偏差、隐私泄露和有害输出方面显著优于基线方法。
Comments 19 pages, 6 figures; accepted by ACL 2026 Findings
One Shot Dominance: Knowledge Poisoning Attack on Retrieval-Augmented Generation Systems
单文档支配：面向检索增强生成系统的知识污染攻击
机构 * State Key Laboratory of Intelligent Game（智能游戏国家重点实验室） ； Science and Technology on Integrated Information System Laboratory, Institute of Software Chinese Academy of Sciences（中国科学院软件研究所综合信息系统技术国家级重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出AuthChain攻击方法，通过单文档污染实现对检索增强生成系统更有效的知识污染攻击，提升攻击成功率并保持隐蔽性。
Comments 15pages, 4 figures; accepted by EMNLP 2025 Findings
MARS: Enabling Autoregressive Models Multi-Token Generation
MARS：使自回归模型实现多令牌生成
机构 * Nanyang Technological University（南洋理工大学） ； Singapore Management University（新加坡管理大学） ； Uppsala University（乌普萨拉大学）
AI总结 MARS通过轻量级微调方法，使自回归模型在单次前向传递中生成多个令牌，提升生成效率和吞吐量，同时保持模型性能。
Comments 15 pages, 4 fugures
CAAP: Capture-Aware Adversarial Patch Attacks on Palmprint Recognition Models
CAAP：针对指纹识别模型的感知-aware对抗性补丁攻击
机构 * Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所） ； Centre for Frontier AI Research (CFAR), A*STAR（A*STAR前沿人工智能研究中心） ； School of Cyber Science and Engineering, Wuhan University（武汉大学网络空间安全学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； School of Engineering, Yunnan University（云南大学工程学院）
AI总结 本文提出CAAP框架，针对指纹识别模型的感知特性，设计了交叉形补丁拓扑和三个模块，有效提升对抗攻击性能，揭示了深度指纹识别系统在物理可实现的对抗性补丁攻击下的脆弱性。
Plasma GraphRAG: Physics-Grounded Parameter Selection for Gyrokinetic Simulations
等离子体图RAG：用于磁流体动力学模拟的物理基础参数选择
机构 * Nanyang Technological University（南洋理工大学） ； CEA, IRFM（法国原子能委员会，磁聚变研究所） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； School of Physical and Mathematical Sciences, Nanyang Technological University（南洋理工大学物理与数学科学学院）
AI总结 本文提出Plasma GraphRAG，结合图检索增强生成与大语言模型，实现自动化、物理基础的参数范围识别，提升模拟可靠性并加速科学发现。
Comments 9 pages, 8 figures
Purify-then-Align: Towards Robust Human Sensing under Modality Missing with Knowledge Distillation from Noisy Multimodal Teacher
在模态缺失情况下通过知识蒸馏从噪声多模态教师中实现鲁棒的人体感知：Purify-then-Align
机构 * School of Software Engineering, Xi’an Jiaotong University（西安交通大学软件工程学院） ； Institute of Computer Science, Universität Bern（伯尔尼大学计算机科学研究所） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
AI总结 本文提出PTA框架，通过元学习和知识扩散解决多模态人体感知中模态缺失问题，通过净化知识源和对齐模态提升单模态模型鲁棒性。
Comments Accepted by CVPR 2026 Workshop On Any-to-Any Multimodal Learning
SEA-BED: How Do Embedding Models Represent Southeast Asian Languages?
SEA-BED：嵌入模型如何表示东南亚语言？
机构 * Vidyasirimedhi Institute of Science and Technology（威差亚西里梅迪科学技术研究所） ； AI Singapore（新加坡人工智能） ； King Mongkut’s Institute of Technology Ladkrabang（拉卡邦先皇理工学院） ； Nanyang Technological University（南洋理工大学） ； Department of Computer Engineering, Faculty of Engineering, Chulalongkorn University（朱拉隆功大学工程学院计算机工程系）
AI总结 本文通过SEA-BED基准测试，揭示嵌入模型在不同任务和语言间的性能差异，指出单一模型难以统一表现，任务难度和语言组合影响显著。
LongSpec: Long-Context Lossless Speculative Decoding with Efficient Drafting and Verification
LongSpec: 长上下文无损推测解码与高效草稿生成与验证
机构 * Sea AI Lab（Sea AI实验室） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学）
AI总结 LongSpec通过三种创新解决长上下文场景下的推测解码问题，实现3.26倍速度提升和2.25倍时间减少，适用于长上下文理解任务。
Comments Accepted by ACL'25 (Main)
Efficient Learned Data Compression via Dual-Stream Feature Decoupling
通过双流特征解耦实现高效的学得式数据压缩
机构 * College of Computer Science, TMCC, SysNet, DISSec, GTIISC, Nankai University（南开大学计算机学院，TMCC，SysNet，DISSec，GTIISC） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Beijing Institute of Technology（北京理工大学）
AI总结 本文提出双流多尺度解耦器，通过解耦局部和全局上下文，替代深度串行处理，实现浅层并行流，并结合分层门控细化器，提升压缩效率与精度。
Comments Accepted to ACL 2026
Flowr -- Scaling Up Retail Supply Chain Operations Through Agentic AI in Large Scale Supermarket Chains
Flowr -- 通过大规模超市连锁中的代理AI实现零售供应链运营的扩展
机构 * Old Dominion University（老道明大学） ； Florida International University（佛罗里达国际大学） ； Nanyang Technological University（南洋理工大学） ； University of Colombo（科伦坡大学） ； Center for Wireless Communications, University of Oulu（奥卢大学无线通信中心） ； University of Sri Jayewardenepura（斯里贾亚瓦德纳普拉大学） ； Accenture Technology Labs（埃森哲技术实验室）
AI总结 本文提出Flowr框架，通过代理AI自动化大规模超市连锁的端到端供应链流程，减少人工协调负担，提升供需匹配度和异常处理能力。
Does Pass Rate Tell the Whole Story? Evaluating Design Constraint Compliance in LLM-based Issue Resolution
通过率能讲述全部故事吗？评估基于LLM的问题解决的设计约束合规性
机构 * Fudan University（复旦大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出设计感知问题解决方法，引入bench基准，通过挖掘和验证真实项目中的设计约束，评估LLM在问题解决中设计约束的合规性，发现测试通过率高并不代表设计合规性好。
Mixture-of-Modality-Experts with Holistic Token Learning for Fine-Grained Multimodal Visual Analytics in Driver Action Recognition
多模态专家混合与整体标记学习用于驾驶员行为识别的细粒度多模态视觉分析
机构 * Nanyang Technological University（南洋理工大学） ； Singapore University of Technology and Design（新加坡科技设计大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出MoME框架与HTL策略，通过类标记和时空标记提升多模态学习的专家细化与知识传递，验证了在驾驶员行为识别任务中优于单模态和多模态基线的方法。
Comments 11 pages, 3 figures
Graph Topology Information Enhanced Heterogeneous Graph Representation Learning
图拓扑信息增强的异构图表示学习
机构 * Nanyang Technological University（南洋理工大学） ； Joint NTU-UBC Research Centre of Excellence in Active Living for the Elderly（南洋理工大学-不列颠哥伦比亚大学积极老龄化联合卓越研究中心）
AI总结 本文提出ToGRL框架，通过引入任务相关的潜在拓扑信息提升异构图表示学习效果，采用两阶段方法优化邻接矩阵和节点表示，减少内存消耗并增强下游任务适应性。
Hackers or Hallucinators? A Comprehensive Analysis of LLM-Based Automated Penetration Testing
黑客还是幻觉？对基于LLM的自动化渗透测试的全面分析
机构 * School of Cyber Science and Engineering, Sichuan University（四川大学网络空间安全学院） ； Institute for Network Sciences and Cyberspace, Tsinghua University（清华大学网络科学与网络空间研究院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； National University of Singapore（新加坡国立大学） ； College of Electronic Engineering, National University of Defense Technology（国防科技大学电子工程学院） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院）
AI总结 本文对基于LLM的自动化渗透测试框架进行系统分析和大规模评估，揭示其架构设计和性能差异，为未来研究提供结构化分类和基准。
Optimal-Transport-Guided Functional Flow Matching for Turbulent Field Generation in Hilbert Space
基于最优传输的功能流匹配的希尔伯特空间湍流场生成
机构 * School of Physical and Mathematical Sciences, Nanyang Technological University（南洋理工大学物理与数学科学学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Centre for Frontier AI Research, Agency for Science, Technology and Research（新加坡科技研究局前沿人工智能研究中心） ； Dalian Jiaotong University（大连交通大学）
AI总结 本文提出FOT-CFM框架，通过在无限维函数空间中直接学习概率测度的生成动力学，实现高保真湍流场生成，优于现有基线方法。
Comments 41 pages, 5 figures, journal paper
CI-ICM: Channel Importance-driven Learned Image Coding for Machines
CI-ICM: 通道重要性驱动的机器视觉图像编码
机构 * School of Electronics and Communication Engineering, Shenzhen Campus, Sun Yat-Sen University（中山大学深圳校区电子与通信工程学院） ； School of Information Engineering, Guangdong University of Technology（广东工业大学信息工程学院） ； School of Electrical and Information Engineering, Tianjin University（天津大学电气与信息工程学院） ； Faculty of Electrical Engineering and Computer Science, Ningbo University（宁波大学电气工程与计算机科学学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
AI总结 本文提出CI-ICM方法，通过通道重要性生成、特征通道分组与缩放及任务特定通道适应模块，提升机器视觉任务在给定比特率下的性能。
SVAgent: Storyline-Guided Long Video Understanding via Cross-Modal Multi-Agent Collaboration
SVAgent：通过跨模态多智能体协作实现故事线引导的长视频理解
机构 * BCML, Heriot-Watt University（赫瑞瓦特大学BCML） ； Nanyang Technological University（南洋理工大学） ； Peking University（北京大学）
AI总结 SVAgent通过跨模态多智能体协作，利用故事线引导实现视频问答的高效理解，提升推理鲁棒性和答案一致性。
Comments Published in CVPR2026
GaussFly: Contrastive Reinforcement Learning for Visuomotor Policies in 3D Gaussian Fields
GaussFly: 用于3D高斯场中视觉-运动策略的对比学习
机构 * 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 Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院） ； College of Design and Engineering, National University of Singapore（新加坡国立大学设计与工程学院） ； College of Automation Engineering, Nanjing University of Aeronautics and Astronautics（南京航空航天大学自动化学院）
AI总结 本文提出GaussFly框架，通过实-仿-实范式解耦表征学习与策略优化，利用3D高斯点划法重建场景并采用对比学习提取鲁棒特征，提升视觉-运动策略的样本效率和实境迁移能力。
VideoTIR: Accurate Understanding for Long Videos with Efficient Tool-Integrated Reasoning
VideoTIR：通过高效工具集成推理实现长视频的准确理解
机构 * Nanjing University（南京大学） ； Nankai University（南开大学） ； East China Normal University（华东师范大学） ； Tencent（腾讯） ； MiroMind ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出VideoTIR，通过强化学习优化工具调用策略，提升长视频理解的准确性和效率，结合零样本RL和SFT冷启动方法，减少冗余调用并生成高质量轨迹数据。
A Survey of Continual Reinforcement Learning
连续强化学习综述
机构 * School of Computing and Artificial Intelligence, Southwestern University of Finance and Economics（西南财经大学计算机与人工智能学院） ； Key Laboratory of Computational Intelligence and Chinese Information Processing of Ministry of Education, School of Computer and Information Technology, Shanxi University（山西大学计算机与信息技术学院，教育部计算智能与中文信息处理重点实验室） ； School of Computing and Artificial Intelligence, Southwest Jiaotong University（西南交通大学计算机与人工智能学院） ； College of Data Science and Computing, Nanyang Technological University（南洋理工大学数据科学与计算学院）
AI总结 本文综述了连续强化学习，探讨其核心概念、挑战与方法，提出新的分类体系，分析其独特挑战与未来方向。
Dual-Head Knowledge Distillation: Enhancing Logits Utilization with an Auxiliary Head
双头知识蒸馏：通过辅助头增强logits的利用
机构 * Nanyang Technological University（南洋理工大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Southeast University（东南大学）
AI总结 本文提出双头知识蒸馏方法，通过分离分类头和骨干网络，解决传统知识蒸馏中logit级损失与概率级损失结合导致的分类头崩溃问题，提升模型性能。
Comments Accepted by KDD 2025
Recent Advances in Multimodal Affective Computing: An NLP Perspective
多模态情感计算近期进展：自然语言处理视角
机构 * Guangdong University of Technology（广东工业大学） ； Stony Brook University（石溪大学） ； University of Bologna（博洛尼亚大学） ； Peking University（北京大学） ； Nanyang Technological University（南洋理工大学） ； Arizona State University（亚利桑那州立大学）
AI总结 本文从自然语言处理视角系统回顾了多模态情感计算的最新进展，聚焦于多模态情感分析、对话中多模态情绪识别、基于方面的多模态情感分析及多标签情绪识别等四个任务，提出统一视角并探讨相关方向与挑战。
FileGram: Grounding Agent Personalization in File-System Behavioral Traces
FileGram：基于文件系统行为轨迹的智能体个性化研究
机构 * S-Lab, Nanyang Technological University（南洋理工大学S-Lab）
AI总结 本文提出FileGram框架，通过文件系统行为轨迹实现智能体记忆与个性化，包含数据引擎、基准测试和内存架构，解决数据限制和多模态轨迹收集难题。
Comments Project Page: https://filegram.choiszt.com, Code: https://github.com/synvo-ai/FileGram
AI Trust OS -- A Continuous Governance Framework for Autonomous AI Observability and Zero-Trust Compliance in Enterprise Environments
AI信任操作系统——面向企业环境的连续治理框架：自主AI可观测性和零信任合规性
机构 * Old Dominion University（欧道明大学） ； AI Motion Labs（AI Motion实验室） ； Florida International University（佛罗里达国际大学） ； Nanyang Technological University（南洋理工大学） ； University of Colombo（科伦坡大学） ； Accenture Technology Labs（埃森哲技术实验室）
AI总结 本文提出AI Trust OS，通过持续自主AI可观测性和零信任合规性框架，解决企业环境中AI系统治理问题，基于 telemetry 驱动的架构实现持续合规验证。
Synthesis4AD: Synthetic Anomalies are All You Need for 3D Anomaly Detection
Synthesis4AD：合成异常就是3D异常检测所需
机构 * National Center of Technology Innovation for Intelligent Design and Numerical Control, Huazhong University of Science and Technology（华中科技大学国家智能设计与数控技术创新中心） ； School of Artificial Intelligence and Robotics, Hunan University（湖南大学人工智能与机器人学院） ； Department of Intelligent Manufacturing, Contemporary Amperex Technology Ltd.（宁德时代新能源科技股份有限公司智能制造部） ； Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
AI总结 本文提出Synthesis4AD方法，通过大规模高保真合成异常数据提升3D异常检测性能，利用3D-DefectStudio平台生成精确点云异常掩码，并结合多模态大语言模型实现知识驱动的数据生成，实验表明在多个数据集上达到领先水平。
