Nanyang Technological University（南洋理工大学）

PentestEval: Benchmarking LLM-based Penetration Testing with Modular and Stage-Level Design

PentestEval: 一种基于模块化和阶段级设计的LLM渗透测试基准测试

Ruozhao Yang, Mingfei Cheng, Gelei Deng, Tianwei Zhang, Junjie Wang, Xiaofei Xie

机构 * School of Computing and Information Systems, Singapore Management University（计算与信息系统学院，新加坡国立管理大学） ； School of Computer Science and Engineering, Nanyang Technological University（计算机科学与工程学院，南洋理工大学） ； School of Cyber Security, Tianjin University（网络安全学院，天津大学） 纠错

AI总结 PentestEval通过模块化和阶段级设计，评估LLM在渗透测试各阶段的性能，揭示其在自动化测试中的局限性。

Comments 13 pages, 6 figures

Towards Explainable Quantum AI: Informing the Encoder Selection of Quantum Neural Networks via Visualization

迈向可解释的量子AI：通过可视化指导量子神经网络编码器的选择

Shaolun Ruan, Feng Liang, Rohan Ramakrishna, Chao Ren, Rudai Yan, Qiang Guan, Jiannan Li, Yong Wang

机构 * Singapore Management University（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； KTH Royal Institute of Technology（皇家理工学院） ； Kent State University（肯特州立大学） 纠错

AI总结 本文提出XQAI-Eyes可视化工具，通过比较经典数据与量子态帮助选择量子神经网络编码器，提升编码器设计的透明性和有效性。

Comments 9 pages, 6 figures, accepted by TVCG 2026, not published yet

ASAP-Textured Gaussians: Enhancing Textured Gaussians with Adaptive Sampling and Anisotropic Parameterization

ASAP-Textured Gaussians: 通过自适应采样和各向异性参数化增强纹理高斯体

Meng Wei, Cheng Zhang, Jianmin Zheng, Hamid Rezatofighi, Jianfei Cai

机构 * Monash University（莫纳什大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 ASAP-Textured Gaussians通过自适应采样和各向异性参数化优化纹理高斯体，提升渲染质量与效率的平衡。

Toward Noise-Aware Audio Deepfake Detection: Survey, SNR-Benchmarks, and Practical Recipes

迈向噪声感知的音频深度伪造检测：综述、SNR基准和实用配方

Udayon Sen, Alka Luqman, Anupam Chattopadhyay

机构 * Nanyang Technological University, Singapore（新加坡南洋理工大学） 纠错

AI总结 本文综述了音频深度伪造检测的最新方法，提出了一种基于SNR的可重复评估框架，并展示了通过微调提升检测性能的实用方法。

Comments 6 pages

Decomposed Object Manipulation via Dual-Actor Policy

通过双演员策略分解物体操控

Bin Fan, Jian-Jian Jiang, Zhuohao Li, Xiao-Ming Wu, Yi-Xiang He, YiHan Yang, Shengbang Liu, Wei-Shi Zheng

机构 * School of Computer Science and Engineering, Sun Yat-sen University, China（华南理工大学计算机科学与工程学院） ； College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算机与数据科学学院） ； Key Laboratory of Machine Intelligence and Advanced Computing, Ministry of Education, China（教育部人工智能与先进计算重点实验室） 纠错

AI总结 本文提出双演员策略DAP，通过分解物体操控任务为接近和操控阶段，利用异质视觉先验提升性能，实验表明在多个数据集上均优于现有方法。