National University of Singapore（新加坡国立大学）

MIRL: Mutual Information-Guided Reinforcement Learning for Vision-Language Models

MIRL：基于互信息的强化学习用于视觉-语言模型

Yin Zhang, Jiaxuan Zhao, Zonghan Wu, Zengxiang Li, Junfeng Fang, Kun Wang, Qingsong Wen, Yilei Shao

机构 * School of Mathematics, Tianjin University, Tianjin, China（天津大学数学学院） ； Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China（中国科学院信息工程研究所） ； Shanghai Advanced Institute of Finance (SAIFS), East China Normal University, Shanghai, China（上海先进金融研究所（SAIFS），东华大学） ； ENN Group, Digital Technology Research Institute, China（ENN集团，数字技术研究院） ； Nanyang Technological University, Singapore（南洋理工大学） ； National University of Singapore, Singapore（新加坡国立大学） 纠错

AI总结 MIRL通过利用生成描述与视觉输入之间的互信息，解决视觉语言模型在复杂推理任务中的感知误差和幻觉问题，提升回答准确性。

ReMedi: Reasoner for Medical Clinical Prediction

ReMedi：医疗临床预测的推理器

Yushi Cao, Yiming Chen, Hongchao Jiang, Hung-yi Lee, Robby T. Tan

机构 * ASUS Intelligent Cloud Services (AICS)（ASUS智能云服务（AICS）） ； NTU Artificial Intelligence Center of Research Excellence (NTU AI-CoRE)（国立科技大学人工智能研究中心（NTU AI-CoRE）） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 ReMedi通过生成推理-答案对提升电子健康记录的临床预测能力，利用真实答案提示增强推理过程，实验显示在多个任务中F1得分提升达19.9%。

Comments ACL 2026 findings

Sparse Representation Learning for Vessels

稀疏表示学习用于血管

Chinmay Prabhakar, Bastian Wittmann, Paul Büschl, Hongwei Bran Li, Bjoern Menze, Suprosanna Shit

机构 * Department of Quantitative Biomedicine, University of Zurich, Switzerland（苏黎世大学定量生物医学系） ； ETH AI Center, ETH Zurich, Switzerland（苏黎世联邦理工学院人工智能中心） ； Department of Diagnostic Radiology, National University of Singapore, Singapore（新加坡国立大学诊断放射科） 纠错

AI总结 本文提出VAEsslSparse模型，通过稀疏卷积和注意力机制实现亚毫米级血管网络的高效表示，提升临床诊断和血管生成的性能。

A Unified Theory of Sparse Dictionary Learning in Mechanistic Interpretability: Piecewise Biconvexity and Spurious Minima

稀疏字典学习在机制可解释性中的统一理论：分段双凸性与虚假极值

Yiming Tang, Harshvardhan Saini, Zhaoqian Yao, Zheng Lin, Yizhen Liao, Jingyi Cui, Yisen Wang, Mengnan Du, Dianbo Liu

机构 * National University of Singapore（新加坡国立大学） ； Indian Institute of Technology, Dhanbad（印度德里理工学院） ； Chinese University of Hong Kong（香港中文大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； Peking University（北京大学） 纠错

AI总结 本文提出稀疏字典学习的统一理论，揭示其分段双凸性及虚假极值问题，通过线性表示基准揭示路径学，提出特征锚定技术提升特征恢复性能。