Preference-Aware Rubric Learning for Personalized Evaluation
偏好感知的评分标准学习用于个性化评估
机构 * National University of Singapore（新加坡国立大学） ； Xiaohongshu Inc.（小红书公司） ； The University of Tokyo（东京大学）
AI总结 提出PARL框架，通过从用户历史中学习偏好感知的评估标准并采用自验证机制，实现个性化评估。
高校专区
National University of Singapore（新加坡国立大学）
LinTree: Improving LLM Reasoning with Explicitly Structured Search Histories
LinTree: 通过显式结构化搜索历史提升LLM推理能力
机构 * National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学）
AI总结 针对LLM推理中隐式搜索树导致性能不佳的问题，提出LinTree方法，通过添加父指针显式表示线性化树结构，在Blocks World、网格导航和Sokoban任务中提升了任务性能和搜索效率。
Comments 16 pages, 3 figures
mRNAutilus: Multi-Objective-Guided Discrete Generation of mRNA with Optimized Therapeutic Properties
mRNAutilus：多目标引导的mRNA离散生成与优化治疗特性
机构 * Atom Bioworks Inc.（Atom Bioworks公司） ； Department of Computer and Information Science University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Department of Bioengineering University of Pennsylvania（宾夕法尼亚大学生物工程系） ； Center of Computational Biology Duke-NUS Medical School（杜克-新加坡国立大学医学学院计算生物学中心） ； GenScript USA Inc.（GenScript美国公司）
AI总结 提出mRNAutilus框架，结合掩码离散扩散模型和蒙特卡洛树引导，实现同时优化密码子和从头设计UTR，生成多目标帕累托最优的完整mRNA序列，在多个靶标上显著提升表达和稳定性。
NTR: Neural Token Reconstruction for Scene Token Bottleneck in End-to-End Driving
NTR：端到端驾驶中场景令牌瓶颈的神经令牌重建
机构 * National University of Singapore（新加坡国立大学） ； Black Sesame Technologies（黑 sesame 技术公司）
AI总结 针对端到端驾驶中场景令牌瓶颈缺乏视觉监督的问题，提出神经令牌重建（NTR）框架，通过自蒸馏掩码潜在重建约束场景令牌保留更丰富的视觉表示，实现最先进的驾驶性能。
Batched Stochastic Linear Bandits with 1-Bit Communication Constraints
具有1比特通信约束的批量随机线性赌博机
机构 * National University of Singapore（新加坡国立大学） ； University of Washington（华盛顿大学）
AI总结 研究在批量大小B和每批仅1比特反馈的通信约束下，随机线性赌博机的遗憾最小化问题，提出了两种基于G-最优设计和1比特均值估计的相位消除算法，实现了接近无约束线性赌博机的最优遗憾。
Foundation VAEs for 3D CT Reconstruction, Augmentation, and Generation
用于3D CT重建、增强和生成的基础VAE
机构 * Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Duke-NUS Medical School（duke-nus 医学院） ； Microsoft Research（微软研究院）
AI总结 本文发现，在自然图像上预训练的基础VAE可直接用于CT重建、增强和生成，无需训练或微调，通过冻结编解码器实现解剖结构保留和噪声抑制，并在分割和生成任务上取得显著提升。
Comments ICML 2026 Accepted
Planner-Centric Reinforcement Learning for Deep Research with Structure-Aware Reward
面向深度研究的规划器中心强化学习与结构感知奖励
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出DecomposeR框架，通过将研究计划表示为有向无环图（DAG）并采用两阶段强化学习（规划器RL和回答器RL），实现显式结构化规划与细粒度奖励分配，在长文本基准上提升5.1-8.0分。
GaMi: Geometry-Agnostic Material Identification via Cross-Modal Subtractive Disentanglement
GaMi: 通过跨模态减法解缠实现几何无关的材料识别
机构 * National University of Singapore（新加坡国立大学） ； Shanghai Jiao Tong University（上海交通大学） ； Northwestern Polytechnical University（西北工业大学）
AI总结 提出GaMi系统，利用毫米波和声学传感的跨模态减法解缠框架，在不受约束的几何条件下实现高精度材料识别。
Comments 17 pages, 18 figures
Learning Permutation-invariant Macroscopic Dynamics
学习置换不变的宏观动力学
机构 * Institute for Functional Intelligent Materials, National University of Singapore（功能智能材料研究所，新加坡国立大学） ； Department of Mathematics, National University of Singapore（数学系，新加坡国立大学）
AI总结 提出一种置换不变的自编码器框架，通过重建质量分布而非逐点重建来学习无序微观系统的宏观动力学，并在粒子系统、Lennard-Jones流体和聚合物拉伸动力学中验证了有效性。
Comments ICML 2026 submission
SANA-Streaming: Real-time Streaming Video Editing with Hybrid Diffusion Transformer
SANA-Streaming: 基于混合扩散Transformer的实时流式视频编辑
机构 * NVIDIA ； MIT（麻省理工学院） ； THU（清华大学） ； NUS（新加坡国立大学） ； HKU（香港大学）
AI总结 提出系统-算法协同设计的SANA-Streaming框架，通过混合扩散Transformer架构、循环反向正则化训练策略和高效系统协同设计，在消费级GPU上实现高分辨率实时流式视频编辑，达到1280×704分辨率24 FPS的端到端性能。
The Distillation Game: Adaptive Attacks & Efficient Defenses
蒸馏博弈：自适应攻击与高效防御
机构 * Stanford University（斯坦福大学） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； National University of Singapore（新加坡国立大学）
AI总结 通过最小化博弈框架研究蒸馏攻击中模型提供者的部署权衡，提出自适应评估规则和产品专家（PoE）防御方法，实验表明自适应学生能恢复更多能力，且PoE在成本和质量上具有优势。
Online Learning-to-Defer with Varying Experts
在线学习延迟决策与变化专家
机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； Fédération ENAC ISAE-SUPAERO ONERA, Université de Toulouse, France（法国图卢兹大学ENAC ISAE-SUPAERO ONERA联合体） ； Institute for Infocomm Research, A*STAR , Singapore（新加坡A*STAR信息通信研究所） ； IPAL, IRL 2955, Singapore（新加坡IPAL实验室） ； Department of Mathematics, National University of Singapore（新加坡国立大学数学系）
AI总结 针对动态专家池和流式数据，提出首个在线学习延迟决策算法，利用H-一致性界和在线凸优化实现遗憾界保证。
Beyond Augmented-Action Surrogates for Multi-Expert Learning-to-Defer
超越增强动作代理的多专家学习延迟决策
机构 * School of Computing（计算学院） ； Fédération ENAC（ENAC联合会） ； ISAE-SUPAERO ； ONERA ； National University of Singapore（新加坡国立大学） ； Université de Toulouse（图卢兹大学） ； Agency for Science, Technology and Research（科技研究局） ； Institute for Infocomm Research（信息通信研究所）
AI总结 针对多专家学习延迟决策问题，提出一种解耦代理损失函数，通过独立sigmoid头与softmax分类器头分离优化，解决了现有方法中的优化病理问题，并首次给出不随专家数量增长的校准常数界。
Learning-to-Defer with Expert-Conditional Advice
基于专家条件建议的学习-延迟决策
机构 * School of Computing（计算学院） ； Département de Mathématiques（数学系） ； National University of Singapore（新加坡国立大学） ； Sorbonne University（索邦大学） ； Fédération ENAC（ENAC联合会） ； ISAE-SUPAERO ； ONERA ； Agency for Science, Technology and Research（科技研究局） ； Université de Toulouse（图卢兹大学） ； Institute for Infocomm Research（信息与通信研究所）
AI总结 研究在决策时可为专家提供额外信息（建议）的延迟学习问题，提出一种在复合专家-建议动作空间上的增广替代损失，并证明其一致性保证和最优策略恢复能力。
Adversarial Robustness in One-Stage Learning-to-Defer
单阶段学习委托中的对抗鲁棒性
机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； Fédération ENAC ISAE-SUPAERO ONERA, Université de Toulouse, France（法国图卢兹大学ENAC ISAE-SUPAERO ONERA联合体） ； Institute for Infocomm Research, A*STAR , Singapore（新加坡星展研究所） ； IPAL, IRL 2955, Singapore（新加坡IPAL实验室）
AI总结 针对单阶段学习委托（L2D）中预测器与分配器联合训练的场景，提出首个对抗鲁棒性框架，通过形式化攻击、设计成本敏感的对抗替代损失并建立理论保证（包括H、R/F和贝叶斯一致性），在基准数据集上验证了方法在保持干净性能的同时提升了对无目标和有目标攻击的鲁棒性。
Learning-to-Defer in Non-Stationary Time Series via Switching State-Space Models
通过切换状态空间模型在非平稳时间序列中的学习-延迟决策
机构 * School of Computing（计算机科学学院） ； National University of Singapore（新加坡国立大学） ； Institute for Infocomm Research（信息通信研究所） ； ISAE-SUPAERO ； ONERA ； A*STAR, Singapore（新加坡A*STAR）
AI总结 提出L2D-SLDS框架，利用因子化切换线性高斯状态空间模型处理非平稳流式数据，通过共享因子持续更新未查询专家的信念，并设计学习感知查询分数平衡即时成本与信息增益，实现在线学习-延迟决策。
FML-bench: A Controlled Study of AI Research Agent Strategies from the Perspective of Search Dynamics
FML-bench：从搜索动力学视角对AI研究代理策略的受控研究
机构 * National University of Singapore（国立新加坡大学） ； Tsinghua University（清华大学） ； University of Minnesota（明尼苏达大学） ； Weco ； Meta
AI总结 本文提出FML-Bench基准，通过分离策略与基础设施并定义过程级指标，评估六种代理策略，发现贪婪爬山法接近最优树搜索，且自适应策略基于搜索密度切换可超越其他代理。
Comments Our benchmark is available at: https://github.com/qrzou/FML-bench
HypoSpace: A Diagnostic Benchmark for Set-Valued Hypothesis Generation under Underdetermination and Sublinear Coverage Bounds
HypoSpace: 欠定性与次线性覆盖边界下集合值假设生成的诊断基准
机构 * National University of Singapore（国立新加坡大学） ； College of Computing（计算学院） ； Data Science（数据科学） ； Nanyang Technological University（南洋理工大学） ； Centre for Frontier AI Research (CFAR)（前沿人工智能研究中心 (CFAR)） ； Agency for Science, Technology and Research（科技研究局） ； Meta Superintelligence Labs（Meta超智能实验室）
AI总结 提出HypoSpace基准，通过三个结构化领域评估大语言模型在欠定假设空间中的采样能力，发现模型在高有效性下存在覆盖失败，并展示分层解码可部分缓解该问题。
SignScene: Visual Sign Grounding for Mapless Navigation
SignScene: 用于无地图导航的视觉标志接地
机构 * Smart Systems Institute, National University of Singapore, 3 Research Link, 117602, Singapore.（新加坡国立大学智能系统研究所） ； School of Computing, National University of Singapore, 13 Computing Drive, 117417, Singapore.（新加坡国立大学计算机学院）
AI总结 提出SignScene，一种以标志为中心的空间语义表示方法，利用视觉语言模型将标志的语义指令与场景元素和导航动作对应，实现无地图导航，在114个查询中达到88%的接地准确率。
Comments Under review for a conference
Pull Requests as a Training Signal for Repo-Level Code Editing
拉取请求作为仓库级代码编辑的训练信号
机构 * King's College London, UK（伦敦国王学院） ； Chinese University of Hong Kong, HK（香港中文大学） ； National University of Singapore, SG（新加坡国立大学） ； Microsoft Research Asia, CN（微软亚洲研究院） ； The Alan Turing Institute, UK（艾伦·图灵研究所）
AI总结 提出Clean-PR方法，利用真实GitHub拉取请求作为训练信号，通过重建和验证转换为搜索/替换编辑块，结合无代理对齐的监督微调，在SWE-bench上显著提升仓库级代码编辑性能。
Comments Accepted at ICML 2026
Expert Merging in Sparse Mixture of Experts with Nash Bargaining
基于纳什谈判的稀疏混合专家模型专家合并
机构 * Department of Mathematics, National University of Singapore（新加坡国立大学数学系） ； Viettel AI, Viettel Group（越南电信AI部门） ； Faculty of Mathematics and Informatics, Hanoi University of Science and Technology（河内科学技术大学数学与信息学系） ； Bar Ilan University, Israel（以色列巴伊兰大学） ； AI Imaging Team, Data Solution Department, FPT Software Japan（日本FPT软件数据解决方案部门AI成像团队）
AI总结 针对稀疏混合专家模型缺乏原则性加权机制的专家合并问题，提出基于纳什谈判的NAMEx框架，实现专家间更平衡高效的协作，在多项任务中优于现有方法。
Comments 10 pages in the main text. ICLR 2026 Poster
GEM-Bench: A Benchmark for Ad-Injected Response Generation within Generative Engine Marketing
GEM-Bench：生成引擎营销中广告注入响应生成的基准测试
机构 * National University of Singapore（新加坡国立大学）
AI总结 针对生成引擎营销中广告注入响应生成缺乏专门基准的问题，提出首个综合基准GEM-Bench，包含多场景数据集、多维度指标和基线方案，实验表明简单提示方法虽能提升点击率但降低用户满意度，而基于预生成无广告响应的插入方法可缓解此问题但增加开销。
Comments Technical Report
Auto-Discovery-Bench: Diagnosing Structured State Tracking in Oracle-Guided Discovery
自动发现基准：在Oracle引导发现中诊断结构化状态追踪
机构 * National University of Singapore（国立新加坡大学） ； Mila-Quebec AI institute（魁北克AI研究院） ； Meta Superintelligence Labs（Meta超智能实验室）
AI总结 提出Auto-Discovery-Bench基准，通过确定性Oracle引导的假设-干预-反馈循环，诊断智能体在结构化状态追踪中的能力瓶颈。
Comments 13 pages
