高校专区
作为视觉-语言-动作模型轨迹先验的埃尔米特曲线
机构 * School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）计算机科学与技术学院） ； Jiangsu Cytoderm Intelligent Technology Co., Ltd.（江苏赛克德智能科技有限公司） ； National University of Singapore（新加坡国立大学）
AI总结 该研究针对视觉-语言-动作模型动作块的弱结构化问题，提出埃尔米特轨迹先验，其中埃尔米特正则化变体在仿真与真实机器人任务中显著提升了操纵成功率且无额外推理开销。
Comments Project page is available at https://aopolin-lv.github.io/Hermite/
ConMem：面向长周期制造检查日志的贡献感知记忆
机构 * Shandong University（山东大学） ； Boston University（波士顿大学） ； North China Electric Power University（华北电力大学） ； National University of Singapore（新加坡国立大学） ； Joint SDU-NTU Centre for Artificial Intelligence Research (C-FAIR), Shandong University（山东大学-南洋理工大学人工智能联合研究中心（C-FAIR）） ； Rizhao Steel Holding Group Co., Ltd.（日照钢铁控股集团有限公司）
AI总结 该研究针对长周期制造检查日志的早期风险筛查需求，提出ConMem贡献感知记忆框架，通过Shapley风格评估保留高价值证据，在真实数据集上实现76.0% QA准确率，大幅减少输入token数与响应时间，可有效保留弱早期信号并提供预警。
用于具身操纵的数据金字塔
机构 * PKU（北京大学） ； NTU（南洋理工大学） ； HKUST（香港科技大学） ； NUS（新加坡国立大学） ； CUHK（香港中文大学） ； HKU（香港大学） ； Duke（杜克大学） ； UCB（加州大学伯克利分校） ； GBU（未提及具体中文名的机构） ； NJU（南京大学） ； SJTU（上海交通大学）
AI总结 研究围绕具身操纵数据生态系统展开，构建跨越五个互补数据源的“数据金字塔”，通过数据配方分析具身基础模型，将数据组成与多种能力联系起来，并讨论了六个开放挑战，为下一代具身系统设计奠定基础。
Comments Awesome Embodied Data Pyramid; Project Page at https://jasper-aaa.github.io/embodied-data-pyramid/ GitHub Repo at https://github.com/worldbench/awesome-embodied-data-pyramid
READER: 基于提取表示的鲁棒证据作者身份解码
机构 * National University of Singapore（新加坡国立大学） ； Xidian University（西安电子科技大学） ； Tsinghua University（清华大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AI总结 针对黑盒LLM来源识别问题，提出READER框架，通过冻结代理LLM读取隐藏作者证据，利用贝叶斯证据累积实现多查询归因，在Agent500数据集上显著优于基线方法。
变换器能生成多少种不同的输出？
机构 * Department of Mathematics, National University of Singapore, Singapore, 117543（新加坡国立大学数学系） ； School of Computing, National University of Singapore, Singapore, 117543（新加坡国立大学计算学院） ； Aix Marseille Univ, CNRS, I2M, Marseille, France（法国马赛大学、国家科学研究中心、I2M研究所） ； Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电子与计算机工程系）
AI总结 研究如何利用变换器架构中的少量特性来准确预测其能生成的不同序列数量，包括定性和定量分析，并提供基于提示长度的上限，实验证明在不同架构和模型大小下该上限紧致于10倍以内。分析还解释了之前在简单序列任务（如复制和填塞）中观察到的变换器经验性失败现象。
Comments ICML 2026 Oral
Adalina: Shapley值及更广的半值的自适应线性逼近
机构 * School of Computer Science, University of Waterloo, Canada（滑铁卢大学计算机科学学院） ； Department of Computer Science, National University of Singapore, Republic of Singapore（新加坡国立大学计算机科学系） ； Vector Institute, Canada（加拿大向量研究所）
AI总结 针对Shapley值及其半值族的高效近似问题，提出一种基于向量集中不等式的理论框架，并开发了线性空间算法Adalina，在Θ(n)空间约束下实现O(n/ε² log(1/δ))次查询，显著降低均方误差。
面向时间到事件临床结果的联邦风险差估计的通信高效方法
机构 * College of Mathematics, Taiyuan University of Technology, China（太原科技大学数学学院） ； Centre for Quantitative Medicine, Duke-NUS Medical School, Singapore（新加坡国立大学医学院定量医学中心） ； Systems Research, Duke-NUS Medical School, Singapore（新加坡国立大学医学院系统研究）
AI总结 FedRD是一种通信高效的联邦学习框架，用于分布式生存数据中的风险差估计，提供置信区间和假设检验能力，优于本地和联邦基线方法。
基于Transformer的神经量子数字孪生用于多体量子模拟与最优退火调度设计
机构 * Department of Mathematics, Faculty of Science, National University of Singapore（新加坡国立大学数学系） ； Centre for Quantitative Finance, Faculty of Science, National University of Singapore（新加坡国立大学量化金融中心） ； Risk Management Institute, National University of Singapore（新加坡国立大学风险管理研究所）
AI总结 基于Transformer的神经量子数字孪生通过预测能级和间隙位置，优化退火调度设计，提升量子退火在真实硬件上的性能。
Comments 63 pages, 13 figures, 3 tables
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