高校专区
利用算子链实现上下文算子学习
机构 * Department of Mathematics, Shanghai Normal University（上海师范大学数学系） ； Department of Mathematics, National University of Singapore（新加坡国立大学数学系）
AI总结 提出Chain of Operators (CHOP)框架，通过构造显式初等变换与冻结ICON的算子链，无需微调即可提升上下文算子网络在分布外算子任务上的泛化能力，在标量守恒律和平均场控制问题中降低推理误差。
VIA-SD：通过模型内路由进行推测解码的验证
机构 * ReLER, The State Key Lab of Brain Machine Intelligence, Zhejiang University（脑机智能国家重点实验室，浙江大学） ； College of Artificial Intelligence, Zhejiang University（人工智能学院，浙江大学） ； CFAR, Agency for Science, Technology and Research, Singapore（科学与技术研究局，新加坡） ； National University of Singapore（新加坡国立大学）
AI总结 提出VIA-SD多级验证框架，利用从完整验证器派生的精简验证器处理中等置信度令牌，减少大模型调用，在多个任务上实现10-20%加速。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
MLT-Dedup：通过多级表示和时空匹配的高效大规模在线视频去重
机构 * TikTok Singapore（TikTok新加坡） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； TikTok San Jose（TikTok圣何塞）
AI总结 提出MLT-Dedup框架，采用多级视频编码器提取细粒度帧级和稀疏片段级嵌入，结合差分特征增强相似性模块进行时空匹配，在90%精度下降低在线重复率91%，索引容量提升5倍。
Comments Accepted by KDD-2026 ADS track
VICX: 通过视频生成和上下文操作网络实现可泛化的机器人操作
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出VICX框架，利用冻结视频生成模型生成视觉计划，并通过视频到轨迹的上下文操作网络（V2T-ICON）将其映射为机器人可执行轨迹，实现跨任务、跨本体泛化。
Comments The first two authors contributed equally to this work
MODF-SIR：面向社交智能推理的多智能体全模态蒸馏框架
机构 * School of Information Science and Engineering, Lanzhou University（兰州大学信息科学与工程学院） ； School of Medical Technology, Beijing Institute of Technology（北京理工大学医学技术学院） ； Cloud and AI BU, Huawei（华为云与AI业务部） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院）
AI总结 提出基于轻量级多模态大语言模型的多智能体协作框架，通过知识蒸馏增强训练与推理，结合测试时适应、长尾事件提取和链式思维提示，在多个基准上取得最优结果。
随机异质噪声下特征空间扰动的几何偏差
机构 * Department of Mathematics, Hong Kong University of Science and Technology（香港科技大学数学系） ； 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）
AI总结 针对稀疏、异质方差噪声下的信号加噪声矩阵，研究发现经验特征向量存在经典扰动界无法捕捉的系统性几何偏差，并通过二次向量方程和精细各向同性局部律推导了最优非渐近扰动界。
Comments 104 pages, 1 figure
ActionMap: 基于体素动作热图的机器人策略学习
机构 * Show Lab, National University of Singapore（新加坡国立大学Show实验室） ； NVIDIA（英伟达）
AI总结 提出ActionMap，一种将动作空间建模为体素热图的动作解码器，替代现有VLA模型中的单点预测器，在LIBERO仿真和真实Franka操作中提升性能和数据效率。
什么语义能经受住连接器的考验？视频编辑中VLM到DiT对齐的诊断
机构 * HKUST（香港理工大学） ； FDU（福建大学） ； ZJU（浙江大学） ； NUS（新加坡国立大学）
AI总结 本研究探讨了视频生成模型中VLM与DiT对齐过程中的语义瓶颈问题，通过提出TRACE-Edit数据集和诊断协议，发现连接器模块会导致细粒度结构语义的严重退化，挑战了原有假设。
TokenRatio: 通过比率匹配实现原理化的token级偏好优化
机构 * National University of Singapore（新加坡国立大学） ； Institute of Cybernetics and Robotics, Czech Technical University in Prague（捷克布拉格技术大学控制论与机器人研究所）
AI总结 本文提出TBPO方法，通过比率匹配恢复token级偏好最优性，改进对齐质量和训练稳定性，并增加输出多样性。
面向旋转机械的可靠性校准边缘物联网早期故障预警：一种物理引导的Tiny-Mamba Transformer
机构 * Great Bay University（大亚湾大学） ； Huizhou University（惠州大学） ； National University of Singapore（国立新加坡大学） ； Shenzhen University（深圳大学） ； James Cook University（詹姆斯库克大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AI总结 提出一种可靠性校准的边缘物联网早期故障预警框架，使用物理引导的Tiny-Mamba Transformer提取特征，结合极值理论校准误报率，在低计算资源下实现高精度、低延迟的旋转机械故障预警。
Comments Submitted to IEEE Transactions on Reliability
临床预测模型的人机协同设计
机构 * University of California, San Francisco（加州大学旧金山分校） ； National University of Singapore（新加坡国立大学） ； Microsoft Research（微软研究院）
AI总结 本文提出HACHI框架，通过人机协作加速可解释的临床预测模型开发，提升模型泛化能力并发现新临床概念。
Journal ref npj Digital Medicine 2026
AsFT：在窄安全盆地内锚定大语言模型微调期间的安全性
机构 * 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） ； Tsinghua University（清华大学）
AI总结 针对微调大语言模型时安全性易受损的问题，提出AsFT方法，通过惩罚与对齐方向正交的更新，将模型约束在窄安全盆地内，在提升任务性能的同时显著降低有害行为。
基于人类演示的计算机使用智能体基础构建
机构 * Mila - Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； ServiceNow Research（ServiceNow研究） ； University of Waterloo（滑铁卢大学） ； University of Oxford（牛津大学） ； National University of Singapore（新加坡国立大学） ； Polytechnique Montréal（蒙特利尔理工学院） ； École de Technologie Supérieure（高级技术学院） ； CIFAR AI Chair（CIFAR人工智能主席）
AI总结 为解决桌面环境高质量基础数据稀缺问题，构建了包含87个应用、56K截图和3.56M人工标注的GroundCUA数据集，并基于此训练GroundNext模型，在5个基准上以少于先前十分之一的数据取得最优结果。
Comments Accepted at ICLR 2026
模拟中的进化：具有双记忆的AI代理学校用于高保真的教育动态
机构 * Guanghua Law School, Zhejiang University（浙江大学法学院） ； Faculty of Education, East China Normal University（华东师范大学教育学院） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） ； Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电子与计算机工程系） ； Institute of Systems Science, National University of Singapore（新加坡国立大学系统科学研究所）
AI总结 本文提出AI代理学校系统，通过自演化机制模拟复杂教育动态，采用双记忆结构提升代理认知能力，实验证实其在高保真模拟中的有效性。
Comments 9 pages, 7 figures, EMNLP conference
Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025
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