高校专区
一种用于时间序列变化点检测的一类支持向量机校准方法
机构 * Department of EECS, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系） ； California Institute of Technology（加州理工学院） ； Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所）
AI总结 本文提出了一种校准一类支持向量机（OC-SVM）的方法，用于时间序列变化点检测，通过启发式搜索方法找到输入数据和超参数的最优组合，实验表明OC-SVM在少量训练数据下也能有效检测变化点，优于现有深度学习方法。
学习细化：用于降水临近预报的频谱解耦迭代细化框架
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出频谱解耦迭代细化框架（SDIR），通过双路径设计（SFG-Former和FR-Refiner）和物理一致功率谱密度损失，在确定性框架中实现降水临近预报的渐进频率解耦细化，消除模糊和幻觉，在空间精度和频谱保真度上超越现有方法。
Comments 21 pages, 10 figures, accepted at ICML 2026
FinStressTS: 金融时间序列预测的参数化合成基准
机构 * National University of Singapore（新加坡国立大学） ； Asian Institute of Digital Finance（亚洲数字金融研究所） ； Nanyang Technological University（南洋理工大学）
AI总结 针对金融预测中信号弱、机制复杂的问题，提出FinStressTS合成基准，通过30个诊断环境系统评估15种模型在点预测与概率预测上的表现，揭示模型性能对数据机制的依赖性。
Comments KDD 2026 (Oral)
基于层次化基序的多模态蛋白质嵌入增强蛋白质-蛋白质相互作用预测
机构 * 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）
AI总结 提出MMM-PPI模型，通过层次化基序的多模态编码（微观、中观、宏观三尺度）整合序列、结构和功能信息，提升蛋白质-蛋白质相互作用预测性能。
Demo2Tutorial：从人类经验到多模态软件教程
机构 * Show Lab, National University of Singapore（新加坡国立大学Show实验室）
AI总结 提出Demo2Tutorial框架，通过屏幕录制和交互日志将人类经验解析为结构化多模态教程，用于人类学习和GUI智能体训练，实验证明其生成质量超越人工教程并提升任务效率。
Comments Accepted by CVPR 2026
基于梯度变化的区间遗憾在线学习
机构 * State Key Laboratory for Novel Software Technology and the School of Artificial Intelligence, Nanjing University（新型软件技术国家重点实验室和人工智能学院，南京大学） ； Institute of Operations Research and Analytics, National University of Singapore（运筹与分析研究所，新加坡国立大学）
AI总结 本文提出首个基于梯度变化量实现区间遗憾界的在线学习算法，采用两层在线集成结构，自适应多种问题相关量并达到极小化最优率，同时引入Lipschitz和平滑性无关的变体。
TSQAgent: 通过专用智能体推理评估时间序列数据质量
机构 * Sun Yat-sen University（中山大学） ； China University of Mining Technology（中国矿业大学） ； University of Science and Technology of China（中国科学技术大学） ； East China Normal University（华东师范大学） ； National University of Singapore（新加坡国立大学）
AI总结 提出TSQAgent框架，通过三个协作智能体（感知器、检查员、裁决者）识别相关质量维度并进行定量比较，显著提升LLM在时间序列数据质量评估中的表现。
利用验证-生成差距：基于置信度条件的测试时强化学习
机构 * Sun Yat-Sen University（中山大学） ； 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 提出TTRL-CoCoV框架，通过置信度自适应机制解决无标签设置下Pass@k优化中的伪标签错误和多样性崩溃问题，显著提升Pass@1和Pass@k性能。
当注意力崩溃时：从结构到语义的阶段性视觉令牌剪枝
机构 * Shandong University（山东大学） ； National University of Singapore (Suzhou) Research Institute（新加坡国立大学（苏州）研究院）
AI总结 针对视觉语言模型推理中视觉令牌剪枝因依赖单一注意力分数导致特征多样性下降的问题，提出两阶段剪枝框架STS，先通过排斥采样最大化结构多样性，再通过指令感知交叉注意力过滤语义无关令牌，从而提升保留令牌的结构多样性与细粒度任务对齐。
JAVEDIT: 联合音频-视觉指令引导视频编辑与智能体数据策展
机构 * Zhejiang University（浙江大学） ； Tencent Youtu Lab（腾讯优图实验室） ； Nanjing University（南京大学） ； University of Auckland（奥克兰大学） ； Fudan University（复旦大学） ； National University of Singapore（新加坡国立大学）
AI总结 针对联合音频-视觉编辑缺乏数据集和基准的问题，提出首个大规模高质量数据集JAVEdit-100k、基准JAVEditBench以及基线模型JAVEdit，在六项指标中五项超越所有基线。
Comments Equal contributions from first two authors. Project page: https://ryanchenyn.github.io/projects/JAVEdit Code: https://github.com/RyanChenYN/JAVEdit Dataset: https://huggingface.co/datasets/Coraxor/JAVEdit-100k
深思幻觉：诊断多智能体LLM讨论中的事实损耗与立场同质化
机构 * Xi’an Jiaotong University（西安交通大学） ； National University of Singapore（新加坡国立大学） ； Yunnan University（云南大学） ； Agency for Science, Technology and Research (A*STAR), Singapore（新加坡科技研究局（A*STAR））
AI总结 本文提出DelibTrace框架，通过分解原子事实并追踪其存留，发现多智能体LLM讨论中高达72%的关键事实丢失，导致立场同质化，揭示了“同意越多、知道越少”的风险。
评估区域级脑电图对认知负荷预测的贡献
机构 * School of InfoComm Technology, Ngee Ann Polytechnic（信息与通信技术学院，南洋理工学院新加坡分校） ； Engineering Product Development Pillar, Singapore University of Technology and Design（工程产品开发支柱，新加坡科技设计大学） ； NUS High School of Math and Science（国立大学科学高中）
AI总结 提出区域级评估框架，通过跨四个公开数据集的大规模分析，发现额叶电极组在混合被试和独立被试评估中均优于全头皮基线，额中央区域预测稳定性最高，支持设计高效通用的脑电图负荷监测系统。
Comments Accepted to EMBC 2026
NBQ: 动态画像中的下一最佳问题
机构 * National University of Singapore（国立新加坡大学） ； University of Pennsylvania（宾夕法尼亚大学） ； EvenUp
AI总结 提出NBQ框架，通过自适应选择信息增益最大的问题，从对话中动态构建用户画像，并引入QuickMatch加速双向匹配。
Journal ref KDD 2026
UniLab: 超越GPU主导范式的机器人强化学习异构架构
机构 * THU（清华大学） ； SJTU（上海交通大学） ； SII（上海信息所） ； Motphys ； HITSZ（哈尔滨工业大学） ； BIT（北京理工大学） ； NEU（南京大学） ； SUSTech（四川大学） ； TJU（天津大学） ； DISCOVER Robotics ； HKUST(GZ)（香港科技大学（广州）） ； Galbot ； NUS（国立新加坡大学） ； WTU（武汉理工大学） ； HBUT（湖南大学） ； AMD ； NJU（南京大学） ； ZJU（浙江大学） ； Dexmal ； Sharpa ； D-Robotics
AI总结 提出UniLab异构CPU-仿真/GPU-学习架构，通过统一运行时解耦CPU并行仿真与GPU策略更新，在相同硬件配置下将端到端训练效率提升3-10倍，并减少对NVIDIA CUDA的依赖。
WildRoadBench: 面向视觉语言模型与自主智能体的野外航拍道路损伤定位基准
机构 * University of Electronic Science and Technology of China（电子科技大学） ； National University of Singapore（新加坡国立大学） ； De Artificial Intelligence Lab（德人工智能实验室） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出WildRoadBench基准，通过VLM直接定位和LLM驱动智能体自主研究两种协议，评估模型在航拍道路损伤定位上的性能，发现现有方法在野外场景下仍不可靠。
Comments Preprint. Under review. 4 figures, 6 tables
辩论未尽之言：基于角色锚定的多智能体推理用于半真半假检测
机构 * National University of Singapore（国立新加坡大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出RADAR框架，通过角色锚定的多智能体辩论（政治家与科学家对抗推理，法官中立裁决）和双阈值早停控制，在噪声检索下有效检测因省略上下文而误导的半真半假陈述。
Comments Accepted to ACL 2026
迈向因果市场模拟器
机构 * National University of Singapore（新加坡国立大学） ； Veracruz Mexico（墨西哥韦拉克鲁斯）
AI总结 提出一种结合变分自编码器与结构因果模型的时间序列神经因果模型VAE（TNCM-VAE），用于生成保留时间依赖和因果关系的反事实金融时间序列，在合成数据上实现低至0.03-0.10的L1距离。
Comments ICAIF 2025 Workshop on Rethinking Financial Time-Series
X-RAY: 通过形式化与校准探针映射大语言模型推理能力
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出X-RAY系统，利用形式化工具生成结构可控的校准探针，通过分析约束交互、推理深度和解空间几何等属性，揭示LLM在约束细化与解空间重构下的推理不对称性。
Comments Accepted by KDD 2026
通过SO(2)局部框架高效预测SO(3)等变哈密顿矩阵
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出QHNetV2网络，利用SO(2)局部框架和SO(2)等变操作实现全局SO(3)等变性，避免昂贵的SO(3)张量积，高效预测哈密顿矩阵。
Comments Code available at: https://github.com/divelab/AIRS
HumanNOVA: 从单张图像实现逼真、通用且快速的3D人体化身建模
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； National University of Singapore（新加坡国立大学） ； Texas A&M University（德克萨斯农工大学）
AI总结 提出HumanNOVA模型，通过可扩展数据生成流水线和前馈令牌条件化架构，从单张RGB图像快速生成逼真3D人体化身，无需测试时优化。
Comments CVPR 2026 Highlight
并非所有点都同等重要：不确定性感知的4D LiDAR场景合成
机构 * NUAA（南京航空航天大学） ； NUS（新加坡国立大学） ； FDU（福建工程学院） ； Duke（杜克大学） ； NTU（国立新加坡大学） ； NJUPT（南京理工大学泰州学院） ； SKL-TI（特种信息处理实验室）
AI总结 提出U4D框架，利用空间不确定性引导LiDAR场景生成，通过熵图识别高不确定性区域并优先合成，再补全其余区域，实现高保真4D场景。
Comments CVPR 2026 E2E3D Workshop; GitHub at https://github.com/worldbench/U4D
上下文算子网络的频谱审计
机构 * Division of Applied Mathematics, Brown University（布朗大学应用数学系） ； Department of Mathematics, National University of Singapore（新加坡国立大学数学系）
AI总结 提出基于雅可比矩阵的频谱审计方法，通过分析上下文算子学习中的局部频谱特性（频率增益、相位结构、交叉模式耦合）来评估模型是否真正学习了PDE算子的局部动力学机制，而不仅仅是输出预测。
未修剪长视频中被操纵片段的可解释取证
机构 * MoE Key Laboratory of Brain-Machine Intelligence Technology, College of Artificial Intelligence, Nanjing University of Aeronautics（脑机智能技术关键实验室、人工智能学院、南京航空航天大学） ； Dalian University of Technology（大连理工大学） ； Nanjing University（南京大学） ； National University of Singapore（新加坡国立大学）
AI总结 针对长视频中AI生成片段的定位与解释任务，提出TASLE基准数据集和MSLoc粗到细取证方法，实现时序定位、真实性检测与可解释分析。
Comments Accepted to ICML 2026
TROPHIES：从多视角视频中重建场所、人和相机的时间序列
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出TROPHIES框架，通过联合估计动态人体、静态场景和相机姿态，实现多视角视频中全局一致的四维重建。
ResMerge：基于残差的谱合并大型语言模型
机构 * Southeast University（东南大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； National University of Singapore（新加坡国立大学） ； Wuhan University of Technology（武汉理工大学） ； Peking University（北京大学） ； Wuhan AI Research（武汉人工智能研究院）
AI总结 提出ResMerge框架，通过将RL任务向量分解为谱头部和残差组件，利用残差组件构建稳定骨干并选择性引入头部信息，实现无需训练的专家模型合并。
Comments 14 pages including appendix
经验更优：用于证据基础健康社区笔记的自进化LLM智能体
机构 * National University of Singapore（国立新加坡大学） ； Yunnan University（云南大学） ； The Ohio State University（俄亥俄州立大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 提出EvoNote框架，通过自进化经验记忆和细粒度信用分配，在健康社区笔记生成中实现证据获取、分析与撰写，显著提升笔记质量并缩短生成时间。
低概率标记对AI生成文本检测的显著性：多尺度不确定性视角
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 针对AI生成文本检测中模板标记主导和点估计脆弱的问题，提出基于低概率标记的多尺度不确定性估计器Uncertainty及其改进版Uncertainty++，在多个数据集和LLM上验证了有效性、泛化性和鲁棒性。
Comments Accepted by ICML 2026 main conference
面向神经非对称路由的边缘感知解码
机构 * Sun Yat-Sen University（中山大学） ； Department of Industrial Systems Engineering and Management, National University of Singapore（新加坡国立大学工业系统工程与管理系）
AI总结 针对神经非对称路由中表示与决策不匹配的问题，提出边缘感知解码器，通过显式暴露转移级成本信息提升零样本泛化性能。
到底有多难？难度感知的多目标遗忘学习
机构 * 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 针对现有遗忘学习无法保证同时提升遗忘质量和保持保留效用的缺陷，提出一种基于约束优化的难度感知多目标遗忘算法（HAMU），通过量化遗忘数据与保留数据的相似度来指导模型更新，在保证遗忘质量提升的同时最小化保留效用损失。
Comments ICML 2026
SCAPO: 从单次3D观测中自监督学习类别级关节物体姿态估计
机构 * Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系）
AI总结 提出SCAPO框架，通过自监督方式从单张RGB-D图像中估计关节物体的规范几何、刚性部件分割和关节参数，无需真实标签或类别特定模型。
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