高校专区
你的代理，他们的资产：OpenClaw的现实世界安全性分析
机构 * UC Santa Cruz（加州大学圣克鲁兹分校） ； NUS（新加坡国立大学） ； Tencent（腾讯） ； ByteDance（字节跳动） ； UC Berkeley（加州大学伯克利分校） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文首次对OpenClaw进行现实世界安全性评估，引入CIK分类法分析代理的持久状态，发现攻击单个CIK维度可显著提高攻击成功率，强调需系统性保障个人AI代理的安全。
Paper Espresso：从论文过载到研究洞察
机构 * National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学）
AI总结 Paper Espresso通过大规模语言模型自动发现、总结和分析arXiv热点论文，揭示AI研究动态，包括强化学习的爆发、非饱和主题涌现及新颖性与社区参与度的正相关性。
UENR-600K：一个大规模的物理基础数据集用于夜间视频去雨
机构 * Show Lab, National University of Singapore（新加坡国立大学Show Lab） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出UENR-600K数据集，通过Unreal Engine模拟真实夜间雨景，解决传统小规模数据无法捕捉物理特性的问题，提升模型在真实夜间雨场景下的泛化能力。
Talk2AI: 人类与AI说服对话的纵向数据集
机构 * University of Trento（特伦托大学） ； National University of Singapore（新加坡国立大学）
AI总结 Talk2AI数据集通过3080次对话研究说服、观点变化和人机交互，包含30800个对话轮次及丰富的上下文数据。
Comments 17 pages, 2 figures, 7 tables
3D魔镜：通过因果视角从单张图像进行衣物重建
机构 * Sea-NExT Joint Lab, National University of Singapore（新加坡国立大学Sea-NExT联合实验室） ； Zhejiang University（浙江大学）
AI总结 本文提出一种自监督学习方法，通过因果视角从单张图像重建3D非刚性物体，解决3D标注困难、模板限制和内在模糊性问题，实验表明其在时尚数据集上能实现高质量重建。
Comments Update results. Report person re-id performance. Add details in Appendix
Journal ref npj Artif. Intell. 2, 29 (2026)
SecureAFL: 安全的异步联邦学习
机构 * University of Louisville（路易斯维尔大学） ； Northeastern University（东北大学） ； National University of Singapore（新加坡国立大学） ； University of North Texas（北德克萨斯大学）
AI总结 本文提出SecureAFL框架，通过检测并丢弃异常更新、估计缺失客户端贡献以及采用坐标中位数聚合技术，提升异步联邦学习的安全性与鲁棒性。
Comments To appear in ACM AsiaCCS 2026
ResGuard: 提高深度水印在已知原始攻击下的鲁棒性
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出ResGuard模块，通过增强图像依赖性来提升对已知原始攻击的鲁棒性，使水印提取准确率从59.87%提升至99.81%。
超越检索：在生成引擎优化中建模置信度衰减与确定性代理平台
机构 * National University of Singapore（新加坡国立大学） ； Yishu Research（艺树研究） ； Fukuoka Institute of Technology（福冈工业大学）
AI总结 本文提出通过确定性多代理意图路由替代传统检索增强生成方法，建模置信度衰减并构建代理信任经纪生态系统，实验证明显著降低垂直任务幻觉率。
UniSurgSAM: 一种用于可靠外科视频分割的统一提示模型
机构 * Department of Biomedical Engineering, National University of Singapore（新加坡国立大学生物医学工程系） ； Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电气与计算机工程系） ； School of Computer Science, The University of Sheffield（谢菲尔德大学计算机科学学院） ； Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系）
AI总结 本文提出UniSurgSAM，通过视觉、文本或音频提示实现可靠的外科视频分割，采用解耦两阶段框架解决优化干扰问题，并引入三种关键设计提升可靠性。
Comments Extended version of MICCAI 2025 paper (ReSurgSAM2). 13 pages, 8 figures, 8 tables
StoryBlender: 具有时空动态的跨镜头一致且可编辑的3D分镜
机构 * Independent Researcher（独立研究员） ； Australia National University（澳大利亚国立大学） ； Central South University（中南大学） ； University of New South Wales（新南威尔士大学） ； Vertex Lab（Vertex实验室） ； National University of Singapore（新加坡国立大学） ； University of Technology Sydney（悉尼科技大学）
AI总结 StoryBlender通过三阶段流程实现跨镜头一致性和可编辑性，结合语义空间接地、资产材料化和时空动态，提升3D分镜生成的连续性和编辑精度。
草稿：任务解耦的潜在推理用于代理安全
机构 * National University of Singapore, Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出DRAFT框架，通过解耦安全判断为提取器和推理器两个阶段，利用潜在空间证据聚合提升代理安全性，在多个基准测试中表现优异。
PhiNet：具有语音可解释性的说话人验证
机构 * National University of Singapore（新加坡国立大学） ； LIGHTSPEED ； Nanjing University（南京大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Shenzhen Research Institute of Big Data, The Chinese University of Hong Kong（香港中文大学（深圳）深圳市大数据研究院）
AI总结 PhiNet通过利用语音证据提升局部和全局可解释性，为说话人验证提供详细的语音级比较，帮助用户手动检查特征并评估验证结果，同时为开发者提供决策理由，简化错误追踪和超参数选择。
Comments Accepted by IEEE Transactions on Audio, Speech and Language Processing. Codes: https://github.com/mmmmayi/PhiNet
SCP：视频中的空间因果预测
机构 * National University of Singapore（新加坡国立大学） ； Shenzhen University（深圳大学） ； Sichuan University（四川大学） ； National Tsing Hua University（国立清华大学）
AI总结 本文提出SCP任务，挑战模型超越观察预测空间因果结果，并构建SCP-Bench基准测试，揭示人类与模型性能差距及因果推理局限。
Comments 30 pages, 21 figures, 17 tables, CVPR findings
序列1位均值估计与近最优样本复杂性
机构 * National University of Singapore（新加坡国立大学）
AI总结 本文研究了在1位通信约束下的分布式均值估计问题，提出基于随机和序列选择区间查询的均值估计器，证明其在有限均值和方差条件下满足(ε, δ)-PAC要求，并给出样本复杂性界，匹配无量化设置的最小最大下界。
Comments AISTATS 2026
深度学习在小器官分割中的挑战：基于有限数据集的医学研究基准视角
机构 * Centre for Industrial Software, University of Southern Denmark（南丹麦大学工业软件中心） ； Centre for Industrial Mechanics, University of Southern Denmark（南丹麦大学工业力学中心） ； Duke-NUS（杜克-新加坡国立大学医学院） ； National Heart Center Singapore（新加坡国家心脏中心） ； University of Medicine and Pharmacy Carol Davila Bucharest（布加勒斯特卡罗尔·达维拉医药大学）
AI总结 本文评估了十种深度学习分割模型在有限数据集上的表现，发现经典架构在分布偏移下表现不佳，而基础模型保持稳定，揭示了低数据环境下基准评估的局限性。
利用表示学习推动多机构研究的电子健康记录数据：来自美国和法国的数据
机构 * Department of Statistics and Data Science, National University of Singapore（新加坡国立大学统计与数据科学系） ； Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院） ； Department of Statistics, Columbia University（哥伦比亚大学统计系） ； Harvard Medical School（哈佛医学院） ； Department of Statistics, University of Chicago（芝加哥大学统计系） ； Univ. Bordeaux, INSERM, Bordeaux Population Health Research Center（波尔多大学，法国国家健康与医学研究院，波尔多人口健康研究中心） ； CHU de Bordeaux, Service d’Information Médicale（波尔多大学医院医学信息部） ； Inria SISTM Team（法国国家信息与自动化研究所SISTM团队） ； Duke University（杜克大学） ； VA Boston Healthcare System（VA波士顿医疗系统） ； Brigham and Women’s Hospital（布里格姆妇女医院） ； Brown University（布朗大学） ； Computational Health Informatics Program, Boston Children’s Hospital（波士顿儿童医院计算健康信息学项目） ； Department of Neurology, University of Pittsburgh（匹兹堡大学神经病学系）
AI总结 本文提出基于图的框架，通过学习共享语义空间解决多机构电子健康记录数据表示不一致问题，提升跨机构临床模型训练与部署的鲁棒性。
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