高校专区
深度学习中的多重下降现象：LSTM网络中的有序-混沌转变序列
机构 * Department of Physics（物理系） ； National University of Singapore（新加坡国立大学） ； Institute of High Performance Computing (IHPC)（高性能计算研究所） ； A*STAR
AI总结 本文在LSTM网络训练中发现多重下降现象，通过渐近稳定性分析表明性能周期与有序-混沌相变相关，最优训练点位于临界转变点，且首次有序-混沌转变处边缘最宽，利于权重探索。
扩散变压器的区域自适应采样
机构 * National University of Singapore（新加坡国立大学） ； Microsoft Research（微软研究院）
AI总结 提出RAS，一种无需训练的自适应采样策略，通过动态分配不同采样比例到图像区域，实现扩散变压器2.36-2.51倍加速且质量损失极小。
Comments CVPR'26 Poster
最小化遗憾的最佳臂识别
机构 * Institute of Operations Research and Analytics National University of Singapore（运营研究与分析研究所，新加坡国立大学） ； Department of Mathematics Department of Electrical and Computer Engineering Institute of Operations Research and Analytics National University of Singapore（数学系电子与计算机工程系运营研究与分析研究所，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 提出在最小化累积遗憾的同时以置信度δ识别最佳臂的问题，利用信息论推导下界，并设计渐近最优的Double KL-UCB算法。
Comments Preprint
一种受初级视觉皮层启发的鲁棒点云分析框架
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 受初级视觉皮层启发，提出DC-CCNN++框架，通过仿生神经网络替代MLP，结合NRMR模块和CPVT策略，在点云分类和分割中提升鲁棒性，性能媲美SOTA。
Comments 12 pages, 2 figures, 7 tables
SyLink Hand：一种受协同作用启发的连杆驱动拟人手，实现类人灵巧性
机构 * National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学）
AI总结 受人类手部协同作用启发，提出SyLink Hand拟人灵巧手，通过生物力学协同原理与连杆驱动机构结合，在紧凑低成本架构中实现外观、运动学和功能的高度拟人化，验证了协同启发连杆设计有效平衡拟人度、机械简单性和功能多样性。
自我改进的VLA策略：用于抗伪影动作平滑的选择性扩散噪声
机构 * Center for AI Research, VinUniversity（VinUniversity人工智能研究中心） ； VinRobotics ； KAIST（韩国科学技术院） ； University of Stuttgart（斯图加特大学） ； IMPRS-IS（国际马克斯·普朗克智能系统研究学院） ； National University of Singapore（新加坡国立大学） ； DFKI（德国人工智能研究中心） ； University of Oldenburg（奥尔登堡大学） ； Monash University（莫纳什大学） ； University of Arkansas（阿肯色大学） ； TU Darmstadt（达姆施塔特工业大学）
AI总结 提出一种无需训练的选择性扩散噪声方法，通过动态采样噪声向量增强视觉-语言-动作策略的鲁棒性和动作平滑性，在仿真和真实场景中成功率分别提升8%和10%。
StainFlow: GUI代理中实体痕迹追踪与证据链接用于过程奖励
机构 * Beihang University（北京航空航天大学） ； Peking University（北京大学） ； Renmin University of China（中国人民大学） ； Northwestern Polytechnical University（西北工业大学） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； National University of Singapore（新加坡国立大学） ； Zhongguancun Laboratory（中关村实验室）
AI总结 提出StainFlow模型，通过全局实体痕迹追踪和局部证据链接，解决GUI代理过程奖励中的里程碑分解主观性和局部窗口证据遗漏问题，提升在线强化学习成功率3.2%。
广义离散扩散与自校正
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 提出自校正离散扩散模型（SCDD），通过显式状态转移和离散时间学习，简化训练噪声调度，消除冗余重掩码步骤，在GPT-2规模上实现高效并行解码并保持生成质量。
Comments 40 pages, 3 figures, 6 tables
ChatGPT 在推荐中是否公平？评估大语言模型推荐的公平性
机构 * University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学）
AI总结 针对大语言模型推荐（RecLLM）可能存在的偏见，提出公平性基准 FaiRLLM，包含精心设计的指标和涵盖8个敏感属性的数据集，评估发现 ChatGPT 在推荐中仍存在不公平现象。
Comments Accepted by Recsys 2023 (Short). Typo corrections
何时混合有帮助？分析多语言稠密检索中的查询嵌入插值
机构 * National University of Singapore（新加坡国立大学）
AI总结 通过嵌入级插值构造混合查询，系统研究多语言稠密检索对混合语言查询的敏感性，发现最优混合比在多数情况下优于单语言查询，且英语主导性导致不对称性。
Comments ACL 2026 Main (Oral)
Otters++: 一种基于首次脉冲时间的高能效光学脉冲Transformer
机构 * National University of Singapore（新加坡国立大学） ； Westlake University（西湖大学） ； Shandong University（山东大学） ； Zhejiang University（浙江大学） ； Agency for Science, Research and Technology（新加坡科技研究局）
AI总结 提出Otters++，利用光电器件自然信号衰减实现TTFS计算，通过层等效与混合训练方法，在GLUE上达到84.17%平均分且能耗更低。
Emo-LiPO：基于LLM的文本到语音中细粒度情感强度控制的列表式偏好优化
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Agency for Science, Technology and Research（新加坡科技研究局） ； National University of Singapore（新加坡国立大学） ； Shenzhen Research Institute of Big Data（深圳市大数据研究院） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 提出Emo-LiPO框架，将情感强度控制建模为学习排序问题，通过列表式偏好优化对齐文本与语音的情感强度，实现更忠实连续的情感表达，在ESD-plus数据集上显著提升情感准确性和强度可控性。
Comments Accepted by IJCAI 2026. Emotional TTS, Preference Optimization, Emotion Intensity Control
TimeROME-DLM：掩码扩散语言模型的时间因果追踪与低秩推理时知识编辑
机构 * Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； 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 提出TimeROME-DLM，首个无需训练和梯度的推理时知识编辑框架，通过时间因果追踪定位关键坐标并应用低秩残差编辑，在保持模型性能的同时高效删除事实。
从参数到特征空间：模型合并中后门缓解的任务算术
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出线性特征路径最小化（LFPM）框架，通过跨任务线性性在特征空间优化反后门任务向量，在模型合并中有效抑制后门且保持干净任务性能。
GraspLLM: 面向文本属性图与LLM的零样本泛化
机构 * Peking University（北京大学） ； National University of Singapore（新加坡国立大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出GraspLLM框架，通过融合图结构理解与LLM语义能力，利用基序感知对比学习和最优上下文子图对齐，实现跨数据集和跨任务的零样本泛化。
深度学习的可能性预测不确定性
机构 * University of Cambridge（剑桥大学） ； National University of Singapore（新加坡国立大学） ； University of Warsaw（华沙大学）
AI总结 提出基于可能性理论的Dirichlet近似可能性后验预测（DAPPr）框架，通过投影-近似策略实现高效且原则性的认知不确定性量化，在多个基准上达到竞争性能。
Comments Accepted by ICML 2026, 20 pages
CMI-RewardBench: 基于组合多模态指令评估音乐奖励模型
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） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学）
AI总结 针对音乐生成模型缺乏有效评估机制的问题，提出CMI-RewardBench基准，包含大规模偏好数据集和参数高效奖励模型，实现多模态指令下的音乐质量评估。
Comments Accepted by ICML 2026
DiffCoord: 分布式多智能体轨迹优化的可微协调
机构 * 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 提出DiffCoord框架，将截断ADMM-DDP管道的耦合参数通过端到端元学习联合优化，利用智能体神经网络实现任务自适应，并扩展到不同智能体数量。在协作空中运输系统中验证，相比现有方法将每智能体梯度计算时间减少70%。
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。
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