高校专区
用于超声心动图心肌梗死定位的运动条件多视图融合
机构 * University of Oxford（牛津大学） ； National University of Singapore（新加坡国立大学）
AI总结 针对超声心动图心肌梗死定位问题，提出MCF-Net框架，融合心肌运动线索与基础模型表示，通过极稀疏监督建模心脏运动，利用运动衍生软掩码提供先验，跨视图整合运动和视觉优化预测，在节段级定位上性能优于现有方法。
HoloGeo：通过证据驱动推理减轻地理定位中的地标偏差
机构 * National University of Singapore（新加坡国立大学） ； Shandong University of Science and Technology（山东科技大学） ； University of Oxford（牛津大学）
AI总结 研究针对视觉语言模型地理定位易受地标偏差影响的问题，提出证据驱动推理框架HoloGeo，借助高质量数据集，通过多维度奖励实现平衡关注与联合推理，经实验验证其在多个数据集上能有效减轻地标偏差，提升地理定位性能。
BadWAM：当世界-动作模型想得对但做得错时
机构 * National University of Singapore（新加坡国立大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 研究针对世界-动作模型（WAMs）提出BadWAM框架，用于建模和评估世界-动作漂移攻击，包括仅动作攻击和保持想象攻击，通过不同标准刻画攻击面，评估结果显示能大幅降低任务成功率，揭示WAM漏洞。
试验中的评分标准：通过合成成对证据从单个查询中演化评分标准
机构 * School of Computing, National University of Singapore（新加坡国立大学计算学院） ； Xiaohongshu Inc.（小红书公司） ； School of Cyber Science and Technology, Zhejiang University（浙江大学网络空间安全学院） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； School of Statistics and Data Science, Shanghai University of Finance and Economics（上海财经大学统计与数据科学学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）
AI总结 研究针对构建可靠特定查询评分标准难的问题，提出“试验中的评分标准”框架，仅从查询演化评分标准集，靠合成响应对获取监督并验证，实验证明该框架有效，平均准确率最佳且在多数评估集领先。
万花筒计划：面向现实世界人工智能应用的情境化、符合人类需求的评估
机构 * GovTech（新加坡政府科技局） ； National University of Singapore（新加坡国立大学） ； University of British Columbia（英属哥伦比亚大学）
AI总结 该项目旨在解决现实世界AI应用评估瓶颈，提出万花筒计划，通过集成基于角色的测试生成、情境化评分标准和人工审查，实现可靠性门控自动评分，经试点和实验验证了其在端到端可靠自动评分方面的有用特征。
CoEvoT：用于图语言模型推理的协同进化思维链提示
机构 * Sun Yat-Sen University（中山大学） ； The Chinese University of Hong Kong（香港中文大学） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； National University of Singapore（新加坡国立大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Beijing University of Posts and Telecommunieations（北京邮电大学） ； Singapore Management University（新加坡管理大学）
AI总结 研究分布转移下的图学习问题，提出CoEvoT框架，通过文本到图令牌重写与图到文本推理指导的闭环协同进化，实现逐步的、状态感知的证据细化，在八个数据集实验中性能优于现有基准模型。
Comments Under review
通过随机时钟进行重尾流匹配
机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； National University of Singapore（新加坡国立大学）
AI总结 研究重尾数据匹配问题，提出HTFM框架，将重尾源视为时钟条件高斯源混合，用截断对数签名特征编码时钟。实验显示其在多领域优于高斯流匹配等基线，保留低NFE采样优势，还提供尾部控制接口。
NodeImport：基于节点重要性评估的不平衡节点分类
机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； Grabtaxi Holdings Pte Ltd（Grab出租车控股私人有限公司）
AI总结 针对图节点分类的类别不平衡问题，提出利用平衡元集评估节点重要性的方法，推导公式并开发新框架，能过滤有价值节点，构建高质量元集，实验证明该框架在缓解不平衡上具优越性。
Journal ref KDD '25: Proceedings of the 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1, 2025, Pages 94 - 105
Harness手册：使不断演进的智能体框架具有可读性、可导航性和可编辑性
机构 * Tencent（腾讯） ； Indiana University（印第安纳大学） ； University of Maryland, College Park（马里兰大学帕克分校） ； University of Georgia（佐治亚大学） ； National University of Singapore（新加坡国立大学）
AI总结 研究智能体框架演进中行为定位难的问题，提出通过Harness手册和行为引导的渐进式披露，以行为为中心自动合成框架表示并辅助规划，提高行为定位和编辑计划质量，助力复杂智能体系统发展。
Comments 29 pages, 6 figures. Project page: https://ruhan-wang.github.io/Harness-Handbook/
量子拓扑数据编码
机构 * Royal Holloway University of London, Department of Computer Science, UK（伦敦皇家霍洛威大学计算机科学系） ； Leiden Institute of Advanced Computer Science (LIACS), Leiden University, Leiden, The Netherlands（莱顿先进计算机科学研究所（LIACS）、莱顿大学） ； Technology Cluster, Singapore University of Technology（技术集群、新加坡技术大学） ； Centre for Quantum Technologies, National University of Singapore, Singapore（量子技术中心、新加坡国立大学）
AI总结 研究如何将拓扑信息编码到量子态，提出量子拓扑数据编码框架（QTDE），通过拓扑驱动量子演化实现，在团复形分类任务中测试，该量子表示优于基线，还指出其可用于高效可靠数据表示的应用领域。
诱导情绪会影响大语言模型在序列决策中的行为吗？
机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Texas A&M University（德州农工大学） ； National University of Singapore（新加坡国立大学） ； UCLA（加州大学洛杉矶分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Mass General Hospital（麻省总医院） ； Harvard Medical School（哈佛医学院）
AI总结 研究探讨诱导情绪对大语言模型在序列决策中行为的影响，采用爱荷华赌博任务结合情绪诱导程序，发现诱导情绪平均不显著影响其决策动态，但愤怒有条件地影响决策，揭示了与人类行为的差异，为相关研究提供工具。
SinAE：用于跨域原子系统的单架构流匹配自动编码器
机构 * National University of Singapore（新加坡国立大学） ； Tencent AI for Life Science Lab（腾讯生命科学人工智能实验室）
AI总结 研究针对小分子、晶体和蛋白质跨域生成管道分散问题，提出单架构流匹配自动编码器SinAE，用普通Transformer编码器和解码器，将重建负担转移到迭代流匹配解码器，实现跨域近无损重建，在生成基准测试中表现出色。
Comments conference
用于隐式数据同化的集成控制流滤波
机构 * Institute for Functional Intelligent Materials（功能智能材料研究所） ； National University of Singapore（新加坡国立大学） ； School of Mathematical Sciences（数学科学学院）
AI总结 研究针对多对一、隐式等复杂观测机制下的数据同化问题，提出集成控制流滤波器（EnCF），通过随机控制流及伴随匹配学习依赖观测的控制，该方法在处理非高斯等复杂观测模型时表现更佳。
Comments 26 pages
作为自身评论家的智能体：通过循环组相对策略优化统一区域理解与定位
机构 * National University of Singapore（新加坡国立大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Nanyang Technological University（南洋理工大学） ； Wuhan University（武汉大学）
AI总结 研究针对多模态大语言模型的区域理解与定位问题，提出循环组相对策略优化框架CycleGRPO，利用任务对偶性构建自我评估范式，仅需区域输入，通过质量感知奖励评估字幕，在多基准测试中提升能力，为推进MLLMs像素级能力提供新途径。
Comments Accepted to ECCV 2026
通过学习神经集函数的松弛来推进最优子集预言机
机构 * Fuzhou University（福州大学） ； Imperial College London（伦敦帝国学院） ； National University of Singapore（新加坡国立大学）
AI总结 研究神经集函数学习，针对现有最优子集预言机框架依赖蒙特卡罗采样估计梯度导致计算开销大且轨迹不稳定的问题，提出将证据下界重新解释为连续松弛并学习替代目标，实验证明该方法能减少开销、加速推理并优于现有基线。
用自然语言传达国际象棋策略
机构 * National University of Singapore（新加坡国立大学）
AI总结 针对人类难以理解国际象棋引擎走法背后策略的问题，提出策略语言化任务，设计了策略语言化流程与评估框架，实验表明自然语言可有效传达策略信息，还得出了关于评估、描述及评估方式的一些见解。
Comments 21 pages, 13 figures
WALA：从带动作标签的演示和无动作视频中学习可执行的潜在动作
机构 * CASIA（中国科学院自动化所） ； Anyverse Dynamics（Anyverse动力学公司） ； UCAS（中国科学院大学） ； NUS（新加坡国立大学） ； XJYLU（西安交通大学利物浦大学）
AI总结 研究从带动作标签演示和无动作视频学习可执行潜在动作的问题，提出WALA框架，先预训练语义几何潜在动作模型，策略训练时编码器和解码器协同，由多方面联合监督潜在动作，实验证明其提升了机器人策略性能和泛化能力。
Comments Project page: https://liujiahao2077.github.io/WALA.github.io
当深度以文字表述比图像展示更好用时：用于视觉语言空间推理的深度序数提示
机构 * National University of Singapore（新加坡国立大学） ； Center of AI Research, VinUniversity（文大人工智能研究中心）
AI总结 研究视觉语言模型空间推理难题，提出深度序数提示（DOP）方法，该方法无需训练，将单目深度转换为序数文本提示，在伪深度提供可靠排序时可改善空间推理，简单且针对性强，与其他无需训练的深度提示方法有竞争力。
Comments Work in progress
TC-MAF：用于多模态工业异常检测的训练校准有界多证据融合
机构 * Shanghai University（上海大学） ； National University of Singapore（新加坡国立大学） ； University of Electronic Science and Technology of China（电子科技大学）
AI总结 研究多模态工业异常检测问题，提出TC-MAF方法，通过固定像素级融合公式结合多模态检测器等，利用轻量级TDC项缩放辅助参与度，在MVTec-3D上取得优异检测和定位结果，消融实验揭示关键因素及校准增益。
Comments accepted by ACM MM 2026
TIGER：用于多模态推测解码的文本条件视觉门控路由与接受对齐
机构 * National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Center of AI Research, VinUniversity（Vin大学人工智能研究中心）
AI总结 针对多模态推测解码中草稿模型视觉关键内容易偏差及现有方法不足的问题，提出TIGER框架，基于文本状态动态选视觉令牌，用接受对齐分组策略训练优化草稿模型，实验证明其在多方面取得良好效果。
Comments Work in progress
EasyOPD：一种易于使用的大语言模型在线策略蒸馏框架
机构 * University of Science and Technology of China（中国科学技术大学） ； Tencent（腾讯） ； Shanghai Innovation Institute（上海创新研究院） ； National University of Singapore（新加坡国立大学）
AI总结 研究针对传统语言模型蒸馏问题，提出基于verl构建的EasyOPD框架，分离用户配置等，为三种OPD设置实例化方法，经多基准测试，其实现可通过同一后端执行，还发布了相关配置、文档及演示包。
Comments 10 pages, 2 figures
用于大语言模型强化学习的预测性散度掩码
机构 * Tencent Hunyuan（腾讯混元） ； UIUC（伊利诺伊大学厄巴纳 - 香槟分校） ； NUS（新加坡国立大学）
AI总结 研究大语言模型强化学习中PPO方向标准不足，提出预测性散度掩码，通过判断策略梯度步骤对散度的影响改进训练，针对离散softmax策略推导预测并开发轻量级估计器，提升不同模型规模和精度设置下的强化学习训练效果。
LLM-PDESR：通过子域加权残差和大语言模型引导的符号假设生成进行稳健的偏微分方程发现
机构 * College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院） ； School of Big Data and Artificial Intelligence, Guangdong University of Finance and Economics（广东财经大学大数据与人工智能学院） ； Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University（吉林大学符号计算与知识工程教育部重点实验室） ； School of Computer Science, Zhuhai College of Science and Technology（珠海科技学院计算机科学学院） ； Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系）
AI总结 研究旨在从噪声数据发现偏微分方程，提出LLM-PDESR框架，结合大语言模型假设生成与数学评估环境，利用五次样条和子域加权残差减轻噪声影响，经帕累托驱动反馈环优化方程，实验表明其在多方面显著优于现有方法。
Comments 28 pages, 12 figures
清晰的直觉还是真正的分析？评估大语言模型作为评审员的同行评审中的认知可靠性基准
机构 * National University of Singapore（新加坡国立大学）
AI总结 研究大语言模型评审员与人类评审员对同行评审评估的差异，将卡尼曼双过程理论转化为评分标准并发布Kahneman4Review基准，通过多方面发现揭示问题，强调可靠基准应区分分析形式与认知功能并给出设计选择。
Comments Preprint
DSSMs：通过延迟微分方程实现的具有显式记忆的状态空间模型
机构 * College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院） ； Department of Mathematics, National University of Singapore（新加坡国立大学数学系） ； School of Mathematical Sciences, Zhejiang University（浙江大学数学科学学院）
AI总结 研究针对状态空间模型压缩历史信息能力有限的问题，提出延迟状态空间模型DSSMs，通过显式延迟状态反馈增强离散SSM循环，推导传递函数在频域计算内核，解决相关工具难题，在延迟检索任务上有显著改进，性能优于S4D。
合作博弈的非线性公理归因
机构 * National University of Singapore（新加坡国立大学） ； University of Waterloo（滑铁卢大学） ； Vector Institute（向量研究所）
AI总结 研究合作博弈中归因问题，受最小核心启发引入一类非线性公理归因方法，该方法产生的贡献向量是特定最小化问题的唯一最优解，实验表明其在包含AUC指标上比仅放宽效率公理的夏普利值变体更有效。
验证器即课程：用于跨家族游戏生成的执行门控自蒸馏
机构 * Institute of Science Tokyo（东京科学研究所） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学）
AI总结 研究针对游戏生成中代码生成器的优化，提出执行门控自蒸馏方法，通过严格启动过滤器提升跨家族泛化能力，在GameCraft-Bench上实验表明该方法显著提高干净生成率和覆盖率，验证器对模型学习有重要作用。
通过测试时提示自适应增强视觉语言模型的鲁棒性
机构 * University of Science（科学大学） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science（香港科学大学）
AI总结 研究针对对抗扰动下视觉语言模型性能下降问题，提出RITA框架，通过最优传输实现分布级对齐，引入动态缓存积累线索，提升了模型对抗鲁棒性且不损干净准确率。
Comments ICML 2026 regular
用于动作分割数据集压缩的自适应潜在轨迹锚定
机构 * National University of Singapore（新加坡国立大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 该研究针对动作分割数据集压缩问题，提出利用去噪扩散隐式模型，将动作段表示为噪声流形中由稀疏潜在点锚定连续轨迹的方法，并引入自适应分配机制。实验表明，该框架显著优于现有方法，在保持低压缩率时实现与真实数据训练相当的性能。
Comments 16 pages, 5 figures, accepted to ECCV 2026
使用适度非结构化稀疏权重矩阵加速大语言模型的GPU推理
机构 * National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学）
AI总结 研究大语言模型推理成本挑战，提出含稀疏张量核层等的三层矩阵存储格式，设计联合稀疏张量核与CUDA核的SpMM内核，实现了在现代GPU上超越密集矩阵乘法，取得显著加速。
Comments DAC 2026
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