高校专区
统一形式解释：一种复杂性理论的视角
机构 * The Hebrew University of Jerusalem（海法大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文从复杂性理论视角提出统一框架，揭示解释计算的复杂性由单调性、次模性和超模性等属性决定，并在全局可解释性设置中证明多项式时间算法，而在局部设置中计算变得NP难。
Comments To appear in ICLR 2026
通过约束参数区域能否确保大语言模型的安全性？
机构 * Nanyang Technological University（南洋理工大学） ； Institute for Infocomm Research (I 2 R)（信息通信研究所） ； IRIT, Université de Toulouse, CNRS, Toulouse INP（图卢兹大学IRIT研究所、法国国家科学研究中心） ； IPAL, CNRS-NUS-A*STAR（IPAL、法国国家科学研究中心-南洋理工大学-A*STAR）
AI总结 本文评估了四种安全区域识别方法，发现其在不同粒度和数据集下重叠程度低，表明现有方法难以可靠地识别稳定的安全区域。
Comments 32 pages
UniReason 1.0: 一个统一的推理框架，用于世界知识对齐的图像生成与编辑
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； Zhejiang University（浙江大学） ； University of Southern California（美国南加州大学）
AI总结 UniReason 1.0通过统一推理框架整合图像生成与编辑，利用世界知识增强文本推理和视觉优化，提升复杂合成任务的性能。
物理信息神经网络的进化优化：Evo-PINN的前沿与机遇
机构 * Agency for Science, Technology and Research (A*STAR)（科技研究局） ； Indian Institute of Technology (IIT) Goa（印度理工学院 Goa分校） ； Nanyang Technological University（南洋理工大学）
AI总结 本文探讨了物理信息神经网络的进化优化方法，提出利用进化算法改进模型训练速度、精度和泛化能力，以推动物理人工智能的发展。
Comments Accepted for publication in IEEE Computational Intelligence Magazine
Journal ref IEEE Computational Intelligence Magazine, 2026
物理信息神经网络的进化优化：通过巴尔德效应提升通用性
机构 * Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore（高性能计算研究所，科技研究局，新加坡） ； School of Mechanical Sciences, Indian Institute of Technology Goa, India（机械科学学院，印度理工学院 Goa） ； College of Computing and Data Science, Nanyang Technological University, Singapore（计算与数据科学学院，南洋理工大学） ； Technology Centre for Offshore and Marine, Singapore（海上与海洋技术中心，新加坡） ； Agency for Science, Technology and Research, Singapore（科技研究局，新加坡）
AI总结 本文提出通过巴尔德效应框架优化PINNs，提升其在多物理任务中的通用性和预测精度。
Comments Accepted for publication in IEEE Transactions on Evolutionary Computation
Journal ref IEEE Transactions on Evolutionary Computation, 2026
RPDR：基于回程预测的数据增强框架用于长尾问答
机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； NYU Shanghai（纽约大学上海分校） ； Center for Data Science, New York University（纽约大学数据科学中心）
AI总结 RPDR通过数据增强框架提升长尾问答性能，利用回程预测选择易学实例并动态路由查询以优化检索效果。
Cert-SSBD：基于样本特定平滑噪声的认证后门防御
机构 * School of Control and Computer Engineering, North China Electric Power University（控制与计算机工程学院，华北电力大学） ； Research Institute, China Unicom（中国unicom研究院） ； National Engineering Research Center of Next Generation Internet Broadband Service Application（下一代互联网宽带服务应用国家工程研究中心） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学）
AI总结 Cert-SSB提出了一种基于样本特定平滑噪声的认证后门防御方法，通过优化噪声幅度和动态调整认证区域提升防御效果。
Comments To appear in TIFS 2026. 21 pages
BadCLIP++: 多模态对比学习中隐蔽且持久的后门
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） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院）
AI总结 BadCLIP++通过语义融合触发器和参数稳定技术，实现了多模态对比学习中隐蔽且持久的后门攻击，实验显示其在低污染率下具有高攻击成功率。
Comments 25 pages, 10 figures
当更多专家损害：多专家学习延迟中的欠拟合
机构 * Nanyang Technological University（南洋理工大学） ； Southeast University（东南大学）
AI总结 本文提出PiCCE方法，解决多专家学习延迟中的欠拟合问题，通过自适应识别可靠专家提升预测性能。
参考文献提高非可验证领域的LLM对齐
机构 * Yale University（耶鲁大学） ； Meta ； Scale AI ； Salesforce Research（Salesforce 研究） ； Nanyang Technological University（南洋理工大学）
AI总结 本研究提出参考引导的LLM评估器，通过增强LLM对齐的评估器和自我改进，显著提升了非可验证领域中LLM的性能。
Comments ICLR 2026 Camera Ready
面向图像伪造检测的通用反取证攻击框架 via 多模态指导
机构 * Shenzhen University, China（深圳大学） ； Nanyang Technological University, Singapore（南洋理工大学） ； Shenzhen MSU-BIT University, China（深圳MSU-BIT大学） ； Lomonosov Moscow State University's Institute for Artificial Intelligence, Russia（罗蒙诺索夫莫斯科国立大学人工智能研究所）
AI总结 本文提出ForgeryEraser框架，通过多模态指导损失实现对图像伪造检测器的通用反取证攻击，揭示了VLMs依赖性带来的对抗性漏洞，并展示了对先进AIGC检测器的性能影响。
Comments 17 pages, 11 figures
基于最优平面的鲁棒图像拼接
机构 * School of Artificial Intelligence, Chongqing University of Posts and Telecommunications（重庆邮电大学人工智能学院） ； Department of Aeronautical and Aviation Engineering, The Hong Kong Polytechnic University（香港理工大学航空与航空工程系） ； School 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 Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； Institute of Information Science, Beijing Jiaotong University（北京交通大学信息科学学院）
AI总结 RopStitch通过引入虚拟最优平面和双分支架构，提升图像拼接的鲁棒性和自然性，实验表明其在多样场景中表现优异。
Comments IEEE TVCG 2026
向神经求解器在路由问题中高效处理约束的方向
机构 * Nanyang Technological University（南洋理工大学） ； Singapore Management University（新加坡管理学院） ； Shandong University（山东大学） ； Eindhoven University of Technology（埃因霍温理工大学） ； MIT（麻省理工学院）
AI总结 本文提出了一种新的神经求解器约束处理框架CaR，通过显式学习的可行性细化方法，提升了在复杂约束下的求解效率和质量。
Comments Accepted by ICLR 2026
FUTURE-VLA：在实时执行下统一轨迹预测
机构 * Department of Automation, Tsinghua University（自动化系，清华大学） ； Shenzhen International Graduation School, Tsinghua University（深圳国际研究生院，清华大学） ； Department of Computer Science and Technology, Tsinghua University（计算机科学与技术系，清华大学） ； 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）
AI总结 FUTURE-VLA通过实时执行实现统一轨迹预测，采用双效效率范式提升时空信息密度，实现实时预测与人机交互机制，取得多项任务的高成功率。
深入神经网络：端到端提取
机构 * Shanghai Jiao Tong University, China（上海交通大学） ； Nanyang Technological University, Singapore（南洋理工大学） ； IRIF, Université Paris Cité, France（IRIF，巴黎cité大学，法国） ； Institut universitaire de France (IUF), Paris, France（法国国家科学院（IUF），巴黎，法国）
AI总结 本文提出了一种端到端的神经网络模型提取方法，通过改进签名提取和符号提取过程，实现了多项式时间复杂度的深度网络提取。
Comments 42 pages, published at EUROCRYPT 2026
AnchorWeave: 通过检索的局部空间记忆实现世界一致的视频生成
机构 * Department of Computer Science, University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校计算机科学系） ； Nanyang Technological University, Singapore（新加坡南洋理工大学）
AI总结 AnchorWeave通过检索局部空间记忆提升视频生成的长期场景一致性与视觉质量。
Comments Project website: https://zunwang1.github.io/AnchorWeave
MoRL: 用于统一运动理解与生成的强化推理
机构 * The University of Sydney（悉尼大学） ； Peking University（北京大学） ； Nanyang Technological University（南洋理工大学）
AI总结 MoRL通过结合监督微调和强化学习，提升运动理解与生成的推理能力和现实感，并引入链式运动方法和大规模CoT数据集以增强推理效果。
解构大语言模型中的欺骗与幻觉故障
机构 * Beijing University of Posts（北京邮电大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本研究提出一种机制导向的视角，解构大语言模型中幻觉与欺骗的不同故障机制，通过受控环境分析四种行为案例，揭示知识存在与行为表达的分离。
多模态长链推理中的知识冲突诊断
机构 * Huazhong University of Science and Technology（华中科技大学） ； Nanyang Technological University（南洋理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Renmin University of China（中国人民大学）
AI总结 本研究提出了一种统一的知识冲突概念，揭示了多模态长链推理中不同冲突类型的特征和处理机制，为诊断和控制推理失败提供了原理性方法。
层次化视觉-语言交互用于面部动作单元检测
机构 * Key Laboratory of Child Development and Learning Science (Ministry of Education), School of Biological Sciences and Medical Engineering, Southeast University（儿童发展与学习科学重点实验室（教育部），生物科学与医学工程学院，东南大学） ； School of Computer Science and Engineering, Nanjing University of Science and Technology（计算机科学与工程学院，南京理工大学） ； School of Computer Science and Engineering, Nanyang Technological University（计算机科学与工程学院，南洋理工大学）
AI总结 HiVA通过层次化视觉-语言交互方法，利用文本描述和多模态注意力机制提升面部动作单元检测的鲁棒性和语义丰富性。
Comments Accepted to IEEE Transaction on Affective Computing 2026
Journal ref IEEE Transaction on Affective Computing 2026
Interspeech 2026音频推理挑战：评估音频推理模型和代理的推理过程质量
机构 * Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； Queen Mary University of London（伦敦大学Queen Mary） ； NVIDIA（NVIDIA公司） ； Carnegie Mellon University（卡内基梅隆大学） ； Qwen Team, Alibaba Group（通义实验室，阿里巴巴集团） ； Microsoft Corporation（微软公司）
AI总结 Interspeech 2026音频推理挑战通过评估推理过程质量，探讨了音频推理模型和代理在事实性和逻辑性方面的表现及改进方向。
Comments The official website of the Audio Reasoning Challenge: https://audio-reasoning-challenge.github.io
联合方向与权重优化用于通过狄利克雷正则化缠绕场实现稳健的紧致表面重建
机构 * Nanyang Technological University（南洋理工大学） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； City University of Hong Kong（香港城市大学） ； China University of Geosciences (Wuhan)（中国地质大学（武汉）） ； Shandong University（山东大学） ； Texas A&M University（德克萨斯大学）
AI总结 DiWR通过联合优化点方向、权重和置信系数，实现从非均匀采样点云中稳健重建紧致表面。
Skeleton2Stage: 基于奖励的微调以生成物理合理的舞蹈生成
机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； Bosch（博世） ； Youku, Alibaba（优酷、阿里巴巴） ； Nanyang Technological University（南洋理工大学）
AI总结 Skeleton2Stage通过物理奖励引导微调，提升舞蹈生成的物理合理性与真实感。
图像能帮你找回记忆：一种新颖的多模态引导攻击对抗图像生成模型去学习
机构 * Institute of Data Science, National University of Singapore（数据科学研究所，新加坡国立大学） ； S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学）
AI总结 Recall提出一种新颖的多模态引导攻击框架，针对图像生成模型去学习的鲁棒性进行攻击，展示其在对抗有效性、计算效率和语义保真度上的优势。
Comments Accepted by ICLR 2026
DeCo：用于长周期3D操作零样本泛化任务分解与技能组合
机构 * State Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； 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 Computing, National University of Singapore（新加坡国立大学计算机学院） ； Huawei Noah’s Ark Lab (AI Lab), China（华为诺亚实验室（AI实验室））
AI总结 DeCo通过任务分解与技能组合提升长周期3D操作任务的零样本泛化能力，显著提高多个模型在新任务上的成功率。
Comments RAL 2026
层次化音频-视觉-本体感知融合用于精确机器人操作
机构 * Harbin Institute of Technology, China（哈尔滨工业大学） ； Nanyang Technological University, Singapore（南洋理工大学）
AI总结 本文提出层次化多模态融合框架，通过整合音频、视觉和本体感知信息，提升机器人精确操作性能。
基于协作推理的代理时空 grounding
机构 * CFAR, IHPC, Agency for Science, Technology and Research(A*STAR)（CFAR、IHPC、新加坡科技研究局） ； CCDS, Nanyang Technological University（CCDS、南洋理工大学）
AI总结 本文提出ASTG框架，通过协作推理实现开放世界下的时空视频grounding，提升检索效率并优于现有弱监督和零样本方法。
面向6G网络切片编排、监控与交易的代理式AI控制平面
机构 * Florida International University, USA（佛罗里达国际大学） ； Center for Wireless Communications, University of Oulu, Finland（无线通信中心，奥卢大学） ； Accenture Technology Labs, Arlington, VA, USA（埃森哲技术实验室） ； Nanyang Technological University, Singapore（南洋理工大学）
AI总结 本文提出面向6G网络切片编排、监控与交易的代理式AI控制平面，通过市场感知编排和自然语言接口实现经济导向的智能控制。
基于大语言模型的强化学习用于无线网络优化
机构 * State-Province Joint Engineering and Research Center of Advanced Networking and Intelligent Information Services, College of Computer Science, Northwest University（高级网络与智能信息服务省-市联合工程与研究中心，计算机科学学院，西北大学） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） ； Institute of Artificial Intelligence, University of Science and Technology Beijing（人工智能研究院，北京科技大学） ； Department of Electrical and Electronic Engineering, the University of Hong Kong（电子与电气工程系，香港大学） ； Automation of School, Guangdong University of Technology（自动化学院，广东工业大学） ； Queen’s University Belfast（贝尔法斯特女王大学）
AI总结 本文提出利用大语言模型增强强化学习，以优化6G无线网络，通过多智能体强化学习框架提升网络性能。
VividFace: 人形机器人实时逼真面部表情阴影生成
机构 * School of Computing, Macquarie University（麦考瑞大学计算机学院） ； 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） ； Anuradha and Vikas Sinha Department of Data Science, University of North Texas（北卡罗来纳州立大学数据科学系）
AI总结 VividFace通过优化的模仿框架和实时推理管道，实现人形机器人逼真面部表情阴影生成，提升人机交互的真实感和实用性。
Comments Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA)
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