高校专区
压力下的逻辑判断：用学习到的软前缀诊断三段论稳定性
机构 * National University of Singapore（新加坡国立大学）
AI总结 研究在三段论推理基准前加软前缀，探究学习到的上下文压力对模型逻辑判断的影响，发现软前缀能改变正确答案，在多模型测试中效果优于随机对照，主要影响是答案偏好，不同模型有显著差异。
Comments 41 pages, 6 figures
SGN：一种用于分布偏移下数据生成的基于相似度的生成网络
机构 * National University of Singapore（新加坡国立大学） ； Renmin University of China（中国人民大学） ； Beijing Institute of Technology（北京理工大学） ； Zhejiang University（浙江大学）
AI总结 研究分布偏移下数据生成问题，提出基于相似度的生成网络SGN，在源数据训练后无需参数更新用于新目标域，通过学习潜在空间和利用目标域小代表性集，实现目标引导数据增强，实验验证其有效性。
InfoDense：用于内存高效增量式人脸伪造检测的密度感知区域决定性重放
机构 * Huazhong Agricultural University（华中农业大学） ； Peking University（北京大学） ； National University of Singapore（新加坡国立大学） ； Nantong University（南通大学） ； Wuhan University（武汉大学）
AI总结 针对人脸伪造技术发展带来的检测挑战及传统方法的问题，提出密度感知区域决定性重放策略InfoDense，通过定位决定性补丁、排序候选片段、自适应合并样本等步骤，有效减轻灾难性遗忘，提升跨域泛化能力。
用于动态视觉语言导航的从慢速推理器到快速规划器的逐令牌潜在流
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； 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） ； Zhejiang University（浙江大学）
AI总结 针对动态视觉语言导航中语言推理慢与规划需即时的矛盾，提出SPARK-VLN双系统框架，通过三个模块将慢速VLM推理器知识流到快速规划器，引入新基准套件，提高了导航成功率、社会合规性及推理效率。
Med-OPD：通过证据感知策略蒸馏改进医学视觉语言模型
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）
AI总结 研究针对医学视觉语言模型依赖语言先验而非视觉证据推理的问题，提出Med-OPD框架，引入医学证据优势信号，在令牌和轨迹级别重新分配蒸馏信号，实验证明该方法能加强模型对关键视觉证据的依赖，提升多模态医学推理能力。
基于群对比前向算法的涌现分层单语义神经元
机构 * National University of Singapore（新加坡国立大学） ； Lund University（隆德大学） ； Chinese University of Hong Kong（香港中文大学） ； Indian Institute of Technology, Dhanbad（印度理工学院（丹巴德分校））
AI总结 研究探讨神经网络表示的可解释性，针对稀疏字典学习范式的局限，提出群对比前向算法GCFF，通过架构约束实现单语义性，能捕捉非线性概念，在CLIP表示上表现良好，还能从头训练网络并在图像分类基准中达最优性能。
从纯合成数据中学习时空基础模型
机构 * 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） ； Hong Kong University of Science and Technology（香港科技大学） ； Hong Kong Polytechnic University（香港理工大学）
AI总结 研究旨在学习时空基础模型，提出NeoST，通过在程序生成的合成系统上预训练，引入可扩展语料库、潜在空间推理架构和目标，实验证明其在多样真实世界时空系统中性能优越，有长期稳定性和推理效率。
非终止重采样计算的维度
机构 * National University of Singapore（新加坡国立大学）
AI总结 研究非终止重采样计算的维度，通过主定理界定相关量，探讨源幂信息，分析不同修复规则及\(k\)-SAT 等情况，得出有限磁带源下规则的非终止维度差异、\(k\)-SAT 终止条件及公式维度界等结论。
ResearchStudio-Reel：实现从论文到海报、视频和博客的研究最后一公里自动化
机构 * Microsoft Research（微软研究院） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Westlake University（西湖大学） ； CFAR, A*STAR（计算科学与工程研究所，新加坡科技研究局）
AI总结 研究传播自动化困难，以往方法有局限。该研究提出将最后一公里构建为技能组合，实例化ResearchStudio-Reel，包括共享提取器、可编辑生成器和交互式收敛层，能产出多种可编辑工件，效果优于现有系统。
BrainFIBRE：基于信息分解的脑微结构基础模型
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出BrainFIBRE，首个脑微结构基础模型，通过自监督部分信息分解（SPID）和反事实候选构建（CCC）从NODDI图谱中解缠独特、协同和冗余信息，在多种预测任务上达到最优性能。
Comments ECCV 2026. Author name corrected in V2
全模态感知策略优化用于多模态情感推理
机构 * University of Science and Technology of China（中国科学技术大学） ； SenseTime Research（商汤科技研究院） ； National University of Singapore（新加坡国立大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）
AI总结 提出OPPO强化学习框架，通过全模态感知奖励和损失优化多模态感知，提升情感推理中模态利用率和忠实度，在多个基准上达到最优。
Comments Accepted at ICML 2026. Project page: https://zjycutieee.github.io/OPPO-page/ Code: https://github.com/ZhiyuanHan-Aaron/OPPO
GenHOI: 通过模仿生成视频实现接触感知的人形机器人-物体交互，无需任务特定训练
机构 * The University of Tokyo（东京大学） ； National University of Singapore（新加坡国立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Tsinghua University（清华大学）
AI总结 提出GenHOI框架，通过模仿单个生成视频实现人形机器人零样本执行多种物体交互任务，无需任务特定训练或物理演示数据，利用接触事件和手-物接触区域编码为几何约束优化轨迹。
所有个体层都有帮助吗？视觉-语言模型中任务干扰层的实证研究
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Harbin Institute of Technology（哈尔滨工业大学） ； Southeast University（东南大学） ； Central South University（中南大学） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science and Technology, Guangzhou（香港科学与技术大学（广州））
AI总结 研究通过层干预发现部分层阻碍下游任务，提出任务自适应层剔除方法提升性能，揭示预训练VLM的意外模块化特性。
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings, 2026, pp. 9597-9607
理解、划分与征服：通过多智能体分层强化学习进行特征子空间探索
机构 * Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； University of Chinese Academy of Sciences（中国科学院大学） ； Great Bay University（Great Bay大学） ； Duke-NUS Medical School, National University of Singapore（新加坡国立大学杜克-奈素医学院）
AI总结 研究针对特征选择问题，提出HRLFS方法，先利用基于大语言模型的混合状态提取器捕捉特征特性并聚类，构建分层智能体，通过多智能体分层强化学习进行特征子空间探索，提升了下游机器学习性能并加速运行
Comments 25 pages, keywords: Automated Feature Engineering, Tabular Dataset, Multi-Agent Reinforcement Learning, Feature Selection, Accepted by ACM Transactions on Knowledge Discovery from Data
打破模块限制：保留数据连续性以训练用于指令模型的卓越稀疏自编码器
机构 * Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, China（中国科学院深圳先进技术研究所） ； University of Chinese Academy of Sciences, China（中国科学院大学） ； National University of Singapore, Singapore（新加坡国立大学） ； The University of New South Wales, Australia（新南威尔士大学） ； Shenzhen University of Advanced Technology, China（深圳先进技术大学）
AI总结 研究针对现有SAEs训练方法在指令模型中因注意力泄漏引入梯度噪声问题，提出FAST顺序训练范式，通过与数据分布和激活模式对齐，提升重建保真度和特征可解释性，实验显示该方法效果显著优于基线。
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