高校专区
理解并行采样与顺序采样在大推理模型中的性能差距
机构 * Google DeepMind（谷歌DeepMind） ； National University of Singapore（新加坡国立大学）
AI总结 本文研究大推理模型中并行与顺序采样性能差异，发现并行采样表现更优，提出探索不足是主要原因。
Comments Under review
考虑权重的自解释聚类用于混合类型表格数据
机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； School of Intelligence Science and Engineering, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）智能科学与工程学院）
AI总结 本文提出WISE框架，通过二进制编码与填充对齐异构特征，结合LOFO策略和两阶段加权聚类，提升混合类型表格数据的聚类质量和可解释性。
BiCoord: 一种面向长时域空间-时间协调的双臂操作基准
机构 * Beihang University（北京航空航天大学） ； Zhongguancun Academy（中关村学院） ； National University of Singapore（新加坡国立大学）
AI总结 BiCoord基准旨在解决双臂操作中长时域和紧密协调的问题，通过多样化的任务和量化指标评估协调性，揭示现有方法在长时域任务中的不足。
Comments 8 pages
RHVI-FDD：一种用于低光照图像增强的分层解耦框架
机构 * Jilin University（吉林大学） ； Dalian University of Technology（大连理工大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出RHVI-FDD框架，通过宏微观分层解耦方法解决低光照图像中色彩失真、噪声和细节丢失问题，提升图像增强效果。
Comments 8 pages, 8 figures
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。
MARS-Dragonfly: 模块化空中机器人系统的敏捷与鲁棒飞行控制
机构 * National University of Singapore（新加坡国立大学） ； Engineering Design and Innovation Centre, National University of Singapore（新加坡国立大学工程设计与创新中心）
AI总结 本文提出MARS-Dragonfly系统，通过被动对接、无检测锁定和磁力辅助分离机制，结合力矩等效虚拟四旋翼模型，实现模块化空中机器人系统的敏捷与鲁棒飞行控制。
多模态数据的层次对比学习
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出层次对比学习框架，通过统一模型学习全局共享、部分共享和模态特定的表示，解决多模态数据中部分共享因素的建模问题，提升预测性能。
Comments 34 pages,11 figures
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。
PRIME：面向癌症预后分析的原型驱动多模态预训练方法，适用于缺失模态
机构 * University of Minnesota（明尼苏达大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； North Carolina State University（北卡罗来纳州立大学） ； National University of Singapore（新加坡国立大学） ； Institute of High Performance Computing, Agency for Science, Technology and Research（高性能计算研究所，新加坡科技研究局）
AI总结 PRIME通过原型记忆银行实现缺失模态下的多模态自监督预训练，提升在碎片化临床数据中的预测性能，实现结构对齐和鲁棒性提升。
提升基于强化学习的流控制样本效率：用自适应降阶模型替代批评器
机构 * School of Mechanical Engineering, Zhejiang University（浙江大学机械工程学院） ； Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系） ； Department of Modern Mechanics, University of Science and Technology of China（中国科学技术大学近代力学系）
AI总结 本文提出一种基于自适应降阶模型的强化学习框架，通过物理洞察设计降阶模型结构，结合线性动力系统和神经微分方程估计流体非线性，实现更高效的控制器优化。
Comments 43 pages, 26 figures
CURE:基于电路的LLM推荐系统去学习
机构 * University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校） ； Zhejiang University（浙江大学） ； The Chinese University of Hong Kong（香港中文大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出CURE框架，通过分离模型组件并按功能分类，解决LLM推荐系统去学习中的梯度冲突问题，提升去学习效果和模型稳定性。
代码审查代理基准
机构 * National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学）
AI总结 本文提出c-CRAB基准，用于评估代码审查代理的能力，发现现有代理仅能解决40%的任务，揭示了未来研究的潜力及人机协作的可能性。
在混乱中保持清晰：量化表征纠缠以预测LLM编辑中的涟漪效应
机构 * National University of Singapore（新加坡国立大学） ； A*STAR Institute for Infocomm Research (A*STAR I2 R)（新加坡科技研究局资讯通信研究院）
AI总结 本文提出CLaRE技术，通过量化事实间的纠缠关系，识别LLM编辑中的潜在涟漪效应，提升模型编辑的稳定性和效率。
Comments Accepted to ACL 2026 Findings
TeamPath: 构建多模态病理专家的推理AI助手
机构 * Interdepartmental Program in Computational Biology and Biomedical Informatics, Yale University（耶鲁大学计算生物学与生物医学信息学跨学科项目） ； Department of Biostatistics, Yale University（耶鲁大学生物统计学系） ； Broad Institute of MIT and Harvard（博德研究所） ； Department of Complexity Science and Engineering, The University of Tokyo（东京大学复杂科学与工程系） ； Center for Advanced Intelligence Project, RIKEN（理化学研究所先进智能项目中心） ； Department of Pathology, Yale University（耶鲁大学病理学系） ； Department of Anatomical Pathology, Singapore General Hospital（新加坡中央医院解剖病理学系） ； Center for Biomedical Data Science, Duke–NUS Medical School, Singapore, Singapore（杜克-新加坡国立大学医学院生物医学数据科学中心） ； Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
AI总结 TeamPath通过强化学习和路由增强方案，整合多模态数据提升病理诊断与跨模态生成能力，为临床提供可靠的信息交流系统。
Comments 45 pages, 6 figures
PaCo-FR：基于补丁-像素对齐的端到端代码本学习用于面部表示预训练
机构 * GlintLab ； National University of Singapore（新加坡国立大学） ； University of Technology Sydney（悉尼科技大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 本文提出PaCo-FR，通过结合掩码图像建模与补丁-像素对齐，解决面部表示预训练中特征捕捉、空间结构和数据利用效率的问题，实现高效且鲁棒的面部分析性能。
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