高校专区
ROSE: 一种以意图为中心的NL2SQL评估度量标准
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； National University of Singapore（新加坡国立大学）
AI总结 ROSE通过对抗性Prover-Refuter流程评估NL2SQL解决方案的意图匹配度，优于现有指标24%，揭示了四个重要洞察，促进更可靠的NL2SQL研究。
Comments ACL 2026 Main
优化方法的演变：算法、场景与评估
机构 * Zhejiang University（浙江大学） ； APRIL Lab（APRIL实验室） ； Fudan University（复旦大学） ； Shanghai Jiaotong University（上海交通大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文回顾了深度学习优化算法的演变历程，通过广泛实验评估主流优化器在不同模型架构和训练场景中的表现，揭示了新兴趋势与核心设计权衡，为未来高效、可靠优化方法的设计提供指导。
超图状态协作推理用于多目标跟踪
机构 * Huazhong University of Science and Technology（华中科技大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出超图状态协作推理框架，通过多相关目标的联合推理提升运动估计稳定性，解决噪声和遮挡问题，实验显示在多个基准上性能优异。
ASTRA: 让任意主体在视频编辑中变换
机构 * NExT++ Research Centre, National University of Singapore（新加坡国立大学NExT++研究中心） ； School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； College of Information Science and Technology and Artificial Intelligence, Nanjing Forestry University（南京林业大学信息科学与技术学院及人工智能学院）
AI总结 ASTRA提出一种无需训练的视频编辑框架，通过多模态对齐模块和先验掩码重定位模块解决密集多主体场景中的注意力稀释和边界纠缠问题，实现精准操控与非目标区域的严格保留。
SeedPrints: 指纹甚至能告诉你是哪种种子训练了你的大型语言模型
机构 * National University of Singapore（新加坡国立大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 本文提出SeedPrints方法，通过随机初始化偏倚实现LLM的内在指纹识别，解决了传统指纹方法在大规模预训练阶段可靠性不足的问题，实现了从初始化到全生命周期的身份验证。
Comments Accepted to ICLR 2026. The code repository linked on OpenReview is outdated; the latest code is available via the final arXiv version
CoLA：一种用于揭示子集训练中隐私风险的泄露攻击框架
机构 * King Abdullah University of Science and Technology（国王阿卜杜勒-阿齐兹大学科学与技术学院） ； Provable Responsible AI and Data Analytics Lab（可证责任AI与数据分析实验室） ； National University of Singapore（新加坡国立大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出CoLA框架，揭示子集训练中隐私泄露问题，通过两种攻击场景分析训练成员和选择参与的隐私风险，扩展隐私范围至数据-模型供应链。
ContextLens：建模不完美隐私和安全上下文以满足法律合规
机构 * Beihang University（北京航空航天大学） ； HKUST（香港科技大学） ； National University of Singapore（新加坡国立大学） ； Faculty of Law, University of Macau（澳门大学法学院）
AI总结 本文提出ContextLens框架，利用LLM建模法律领域上下文，识别已知和未知因素以提升合规评估，实验表明其能有效提升LLM合规性评估性能。
Comments Accepted by ACL 26
回归基础：让对话代理仅通过检索与生成来记忆
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出一种基于检索与生成的对话记忆框架，解决长对话中记忆退化问题，通过Turn Isolation Retrieval和Query-Driven Pruning实现高效记忆管理。
Comments 23 pages, 12 figures
Double: 通过双检索推测并行突破加速限制
机构 * Zhejiang University（浙江大学） ； 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） ； Tsinghua University（清华大学）
AI总结 Double通过双检索推测并行机制解决推测解码的理论加速上限和计算浪费问题，实现5.3倍的LLaMA3.3-70B加速，优于需大量训练的EAGLE-3。
Comments Accepted by ACL2026 Main
教授教师：教师-学生平滑对齐在基于遗传编程的符号蒸馏中的作用
机构 * Indian Institute of Technology Kharagpur（印度理工学院卡里格普尔分校） ； National University of Singapore（新加坡国立大学）
AI总结 本文研究了教师-学生平滑对齐在基于遗传编程的符号蒸馏中的作用，通过引入雅可比和利普希茨惩罚项正则化教师函数的平滑性，提升学生模型的预测精度。
Comments camera-ready version, accepted at GECCO 2026
SpecBranch：通过混合草稿和回滚感知分支并行性进行推测解码
机构 * Zhejiang University（浙江大学） ； National University of 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 SpecBranch通过混合草稿和回滚感知分支并行性，提升大语言模型推理速度，减少回滚令牌，实现实际应用。
Comments The paper has been accepted by ICLR2026
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