高校专区
基于信息性和效用的蒸馏数据集 grounding
机构 * EPIC Lab, SJTU（SJTU实验室） ； Shanghai Jiao Tong University（上海交通大学） ； National University of Singapore（新加坡国立大学） ； Duke University（杜克大学） ； The University of Chicago（芝加哥大学）
AI总结 本文提出InfoUtil框架，通过博弈论和梯度范数优化，提升数据集蒸馏的信息性和效用，实验显示在ImageNet-1K上性能提升6.1%。
Comments Accepted by ICLR 2026, 20 pages, 9 figures, 11 tables
通过混合专家扩散策略抽象机器人操作技能
机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； Smart Systems Institute, NUS（NUS智能系统研究所） ； Guangdong Institute of Intelligence Science and Technology（广东智能科学与技术研究院） ； Beijing Zhongguancun Academy（北京中关村学院）
AI总结 本文提出了一种基于扩散的混合专家策略，通过学习紧凑的技能基础和粘性路由机制，实现高效多任务机器人操作。
DevOps-Gym: 在软件DevOps周期中评估AI代理的基准测试
机构 * UC Santa Barbara（加州大学圣巴巴拉分校） ； National University of Singapore（新加坡国立大学） ； UC Berkeley（加州大学伯克利分校） ； Google（谷歌） ； UC Los Angeles（加州大学洛杉矶分校）
AI总结 DevOps-Gym通过700+真实任务评估AI代理在完整DevOps周期中的能力，揭示其在问题解决和测试生成方面的局限性。
利用图变换器和稳态流数据增强实现颅内动脉瘤形态的实时脉动流预测
机构 * Department of Biomedical Engineering, National University of Singapore（国立新加坡大学生物医学工程系） ； Department of Biomedical Engineering, Imperial College London（帝国理工学院伦敦校区生物医学工程系） ； Imperial College Healthcare NHS Trust（帝国理工医疗信托） ； Department of Medicine, National University Hospital（国立大学医院医学部）
AI总结 本文提出利用图变换器和稳态流数据增强方法，实现颅内动脉瘤形态的实时脉动流预测，有效提升生物力学标记物的计算效率。
LogicReward: 通过逐步逻辑监督激励大语言模型推理
机构 * National University of Singapore（新加坡国立大学） ； University College London（伦敦大学学院） ； University of Manchester（曼彻斯特大学） ； University of Melbourne（墨尔本大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校）
AI总结 LogicReward通过逐步逻辑监督提升大语言模型的推理能力，有效增强推理可信度和泛化能力，实验显示其在自然语言推理和逻辑推理任务中优于GPT-4o和o4-mini。
Comments ICLR 2026
SofT-GRPO：通过Gumbel-重新参数化软思考策略优化超越离散标记LLM强化学习
机构 * School of Computing, National University of Singapore, Singapore（新加坡国立大学计算机学院） ； Department of Statistics, University of Oxford, United Kingdom（英国牛津大学统计系） ； School of Intelligence Science（智能科学学院） ； Technology, Nanjing University, China（技术学院，南京大学，中国）
AI总结 SofT-GRPO通过引入Gumbel噪声和重新参数化技巧，在软思考模式下提升LLM推理性能，使其在Pass@1和Pass@32任务中分别优于离散标记GRPO。
一种分层不精确概率方法用于大型语言模型的可靠性评估
机构 * WMG, University of Warwick（沃里克大学工业与制造业学院） ； Center for Frontier AI Research, A*STAR（前沿人工智能研究中心） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； Center for Software Reliability, City St George's, University of London（伦敦大学圣乔治学院软件可靠性中心） ； Department of Industrial and Systems Engineering, The Hong Kong Polytechnic University（香港理工大学工业与系统工程系）
AI总结 本文提出HIP-LLM，一种分层不精确概率框架，用于更准确地评估大型语言模型的可靠性。
Comments under review
MuSLR：多模态符号逻辑推理
机构 * National University of Singapore（新加坡国立大学） ； Stanford University（斯坦福大学） ； Peking University（北京大学） ； UniMelb（墨尔本大学） ； University of Auckland（奥克兰大学） ； MBZUAI（穆斯林人工智能研究所） ； University of California, Santa Barbara（加州大学圣芭芭拉分校）
AI总结 MuSLR提出了一种多模态符号逻辑推理基准，通过形式逻辑规则提升VLMs的推理能力，显著提升链式推理性能及复杂逻辑处理效果。
Comments Accepted by NeurIPS 2025
通过紧凑的LLM集合模拟人类偏好：提示到代理
机构 * Independent Researcher, China（中国独立研究者） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院）
AI总结 通过紧凑的LLM集合模拟人类偏好，P2P方法在无需微调和敏感数据的情况下，有效重建目标人群偏好并实现高质量预测。
具有横截面膨胀的软执行器实时动态：应用于章鱼肌肉水压系统
机构 * National University of Singapore（国立新加坡大学） ； Khalifa University（卡利法大学） ； Khalifa University Center for Autonomous Robotics Systems（卡利法大学自主机器人系统中心）
AI总结 本文提出扩展的Cosserat杆理论与降阶数值方法，用于研究具有横截面膨胀的软执行器实时动态，应用于章鱼肌肉水压系统的刚度调节与运动研究。
基于正例-未标记强化学习的本地小型模型蒸馏
机构 * Hong Kong Polytechnic University（香港理工大学） ； Southeast University（东南大学） ； National University of Singapore（新加坡国立大学） ； University of Tokyo（东京大学）
AI总结 本文提出了一种基于正例-未标记强化学习的本地小型模型蒸馏方法，无需人工标注或奖励模型，通过本地训练循环实现偏好优化，实验证明在低成本环境下性能优异。
Comments 22 pages, 8 figures, 7 tables
GPO：用于四足机器人运动和全身控制的生长策略优化
机构 * Beihang University, China（北京航空航天大学） ； Department of Mechanical Engineering, National University of Singapore, Singapore（新加坡国立大学机械工程系） ； Henan Univeristy, China（河南大学）
AI总结 GPO通过动态动作转换优化腿部机器人运动和全身控制，提供稳定训练和高效探索的通用框架。
在电子商务目录中评估多模态大语言模型用于缺失模态补全
机构 * University of Glasgow（格拉斯哥大学） ； Telefónica Scientific Research（电信科研机构） ； National University of Singapore（新加坡国立大学） ； Shandong University（山东大学）
AI总结 本文研究了多模态大语言模型在电子商务目录中补全缺失模态的能力，通过MMPCBench基准测试发现MLLMs在细粒度对齐上存在不足，并探索了GRPO方法以提升补全效果。
基于变分量子电路的强化学习用于动态投资组合优化
机构 * Chair of Information Systems Humboldt University Berlin（信息系统教授 Humboldt 大学柏林） ； Department of Mathematics National University of Singapore（数学系 新加坡国立大学） ； Bucharest University of Economic Studies（布加勒斯特经济大学）
AI总结 本文提出基于变分量子电路的量子强化学习方法，用于动态投资组合优化，展示了其在风险调整性能上的竞争力，并探讨了实际部署中的延迟问题。
AdaReasoner: 多步骤视觉推理中的动态工具协调
机构 * Fudan University（复旦大学） ； Tongji University（同济大学） ； National University of Singapore（新加坡国立大学） ； University of Washington（华盛顿大学） ； University of Electronic Science and Technology of China（电子科技大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 AdaReasoner通过动态工具协调提升多模态模型的视觉推理能力，实现工具自适应和泛化，超越现有系统性能。
Comments 28 pages, 10 figures and 13 tables
FourierCSP: 通过沃尔什-傅里叶展开实现可微约束满足问题求解
机构 * Department of Electrical and Computer Engineering, National University of Singapore, Singapore（新加坡国立大学电子与计算机工程系） ； Department of Computer Science, Rice University, Houston, Texas, United States（美国得克萨斯州休斯敦市 Rice 大学计算机科学系）
AI总结 FourierCSP通过沃尔什-傅里叶展开实现对通用约束满足问题的高效求解，扩展了连续局部搜索框架，提高了求解效率并推动神经符号整合的发展。
视觉多智能体系统：通过视觉流缓解幻觉雪球效应
机构 * National University of Singapore（国立新加坡大学） ； Tencent Youtu Lab（腾讯优图实验室） ； Zhejiang University（浙江大学） ； Tsinghua University（清华大学） ； Fudan University（复旦大学）
AI总结 本文提出ViF方法，通过视觉流和注意力重新分配缓解多智能体系统中的视觉幻觉雪球效应，提升性能。
通过主动安全推理增强模型对劫持的防御
机构 * School of Computing（计算学院） ； National University of Singapore（新加坡国立大学） ； School of Computer Science and Engineering（计算机科学与工程学院） ； Nanyang Technological University（南洋理工大学） ； Department of Computing（计算系） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出SCoT方法，通过主动安全推理提升模型对劫持的防御能力，有效减少对分布外问题和对抗操纵的易感性。
重新审视增量随机主要化-最小化算法及其在专家混合模型中的应用
机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； ARC Centre of Excellence for the Mathematical Analysis of Cellular Systems（细胞系统数学分析卓越中心） ； School of Mathematical Sciences, Queensland University of Technology（昆士兰科技大学数学科学学院） ； Laboratoire d’Analyse et d’Architecture des Systèmes, CNRS（系统分析与架构实验室，CNRS） ； School of Medicine and Dentistry, Griffith University（格里菲斯大学医学与牙科学院） ； Department of Mathematics and Physical Sciences, La Trobe University（拉特罗布大学数学与物理科学系） ； Institute of Mathematics for Industry, Kyushu University（工业数学研究所，九州大学） ； Faculty of Mathematics and Computer Science, University of Science, Ho Chi Minh City（胡志明市大学数学与计算机科学学院） ； Vietnam National University, Ho Chi Minh City（越南国家大学，胡志明市） ； Univ. Grenoble Alpes, Inria, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学，Inria，CNRS，格勒诺布尔INP，LJK）
AI总结 本文提出了一种增量随机主要化-最小化算法，适用于专家混合模型，通过放松EM要求提升算法灵活性，并在回归任务中优于多种随机优化器。
Comments TrungKhang Tran and TrungTin Nguyen are co-first authors
Video-KTR: 通过关键令牌 attribution 增强视频推理
机构 * ByteDance（字节跳动） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院） ； National University of Singapore（国立新加坡大学） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
AI总结 Video-KTR通过结合三种attribution信号，提升视频推理的准确性和可解释性，实现状态-of-the-art性能。
Comments Accepted to ICLR 2026
重新审视LLM后训练中的参数服务器
机构 * Sea AI Lab（海智实验室） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出On-Demand Communication（ODC），通过优化参数服务器在LLM后训练中的应用，有效应对不平衡负载，提升设备利用率和训练效率。
Comments Accepted in ICLR'26
基于好奇心的知识检索用于移动代理
机构 * Shanghai University of Engineering Science（上海工程技术大学） ； National University of Singapore（新加坡国立大学）
AI总结 本研究提出一种基于好奇心的知识检索框架，通过结构化AppCards提升移动代理在复杂任务中的规划可靠性与执行稳定性。
QA-ReID: 基于融合全局和结构线索的高质量查询自适应卷积用于衣物变换ReID
机构 * School of Business, Stevens Institute of Technology（斯蒂文斯理工学院商学院） ； Electrical and Computer Engineering, University of California, San Diego（加州大学圣地亚哥分校电子与计算机工程系） ； Tandon School of Engineering, New York University（纽约大学塔恩工学院） ； Institute of Operations Research and Analytics, National University of Singapore（新加坡国立大学运筹与分析研究所）
AI总结 QA-ReID通过融合全局和结构线索的高质量查询自适应卷积，提升衣物变换ReID的鲁棒性和性能
用于移动机械臂的快速且安全的轨迹优化与神经配置空间距离场
机构 * Robotics and Autonomous Systems Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学机器人与自主系统研究组） ； 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） ； Idiap Research Institute（Idiap研究所） ； Institute of Data Science, The University of Hong Kong（香港大学数据科学研究所）
AI总结 本文提出广义配置空间距离场（GCDF）用于移动机械臂的快速且安全轨迹优化，通过神经网络生成连续距离场并结合高效的凸优化框架实现高精度碰撞推理。
Vlaser：具有协同具身推理能力的视觉-语言-动作模型
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； Nanjing University（南京大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； NUS（新加坡国立大学） ； Northeastern University（东北大学） ； Shenzhen University（深圳大学）
AI总结 Vlaser通过整合高级推理与低级控制，解决了具身推理与VLA策略学习之间的关键差距，在多个基准测试中取得最佳性能。
深度生成模型在交通研究中的温和入门与教程
机构 * University of Minnesota（明尼苏达大学） ； Univ. Guatave Eiffel, ENTPE, LICIT-ECO7（埃弗尔大学） ； Urban Transport Systems Laboratory (LUTS), École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院交通系统实验室） ； National University of Singapore（新加坡国立大学） ； The University of Queensland（昆士兰大学） ； McGill University（麦吉尔大学）
AI总结 本文介绍了深度生成模型在交通研究中的应用，涵盖基础概念、模型详解、文献综述及实践代码，旨在为研究人员提供从入门到高级应用的全面指导。
Comments 64 pages, 21 figures, 4 tables
Journal ref Transportation Research Part C: Emerging Technologies (2025)
物理启发的不确定性使AI驱动的设计更加可靠
机构 * Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系） ； Institute of High Performance Computing, Agency for Science Technology and Research（科技研究局高性能计算研究所） ； Centre for Frontier AI Research, Agency for Science Technology and Research（科技研究局前沿人工智能研究中心） ； College of Electronics and Information Engineering, Shenzhen University（深圳大学电子与信息工程学院） ； Engineering Product Design Pillar, Singapore University of Technology and Design（新加坡科技设计大学工程产品设计支柱） ； Technology Centre for Offshore and Marine, Singapore（新加坡海洋与近海技术中心）
AI总结 物理启发的不确定性方法提升AI驱动的反向设计效率与鲁棒性
LLMPopcorn：探索大型语言模型作为流行微视频生成助手
机构 * University of Glasgow（格拉斯哥大学） ； Shandong University（山东大学） ； Amazon（亚马逊） ； Telefónica Research（Telefónica研究院） ； National University of Singapore（新加坡国立大学）
AI总结 LLMPopcorn利用大型语言模型生成流行微视频，通过实验证明先进LLM可生成高流行度内容，并优化生成效果。
Comments Accepted by ICASSP2026
ELIP: 一种更高效的语言-图像预训练方法，使用更少的视觉标记
机构 * National University of Singapore（新加坡国立大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
AI总结 ELIP通过高效修剪视觉标记，减少计算资源消耗，同时保持模型性能，适用于多种下游任务。
UniGRec: 一种基于软标识符的统一生成推荐方法用于端到端优化
机构 * University of Science and Technology of China（科学技术大学） ； National University of Singapore（国立新加坡大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 UniGRec通过统一生成推荐框架解决端到端优化中的软标识符问题，提出退火推理对齐、码字均匀性正则化和双协作蒸馏机制，提升推荐性能。
Comments 11 pages, 6 figures
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