Nanyang Technological University（南洋理工大学）

RPDR: A Round-trip Prediction-Based Data Augmentation Framework for Long-Tail Question Answering

RPDR：基于回程预测的数据增强框架用于长尾问答

Yiming Zhang, Siyue Zhang, Junbo Zhao, Chen Zhao

机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； NYU Shanghai（纽约大学上海分校） ； Center for Data Science, New York University（纽约大学数据科学中心） 纠错

AI总结 RPDR通过数据增强框架提升长尾问答性能，利用回程预测选择易学实例并动态路由查询以优化检索效果。

Cert-SSBD: Certified Backdoor Defense with Sample-Specific Smoothing Noises

Cert-SSBD：基于样本特定平滑噪声的认证后门防御

Ting Qiao, Yingjia Wang, Xing Liu, Sixing Wu, Jianbin Li, Yiming Li

机构 * School of Control and Computer Engineering, North China Electric Power University（控制与计算机工程学院，华北电力大学） ； Research Institute, China Unicom（中国unicom研究院） ； National Engineering Research Center of Next Generation Internet Broadband Service Application（下一代互联网宽带服务应用国家工程研究中心） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） 纠错

AI总结 Cert-SSB提出了一种基于样本特定平滑噪声的认证后门防御方法，通过优化噪声幅度和动态调整认证区域提升防御效果。

Comments To appear in TIFS 2026. 21 pages

BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning

BadCLIP++: 多模态对比学习中隐蔽且持久的后门

Siyuan Liang, Yongcheng Jing, Yingjie Wang, Jiaxing Huang, Ee-chien Chang, Dacheng Tao

机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院） 纠错

AI总结 BadCLIP++通过语义融合触发器和参数稳定技术，实现了多模态对比学习中隐蔽且持久的后门攻击，实验显示其在低污染率下具有高攻击成功率。

Comments 25 pages, 10 figures

When More Experts Hurt: Underfitting in Multi-Expert Learning to Defer

当更多专家损害：多专家学习延迟中的欠拟合

Shuqi Liu, Yuzhou Cao, Lei Feng, Bo An, Luke Ong

机构 * Nanyang Technological University（南洋理工大学） ； Southeast University（东南大学） 纠错

AI总结 本文提出PiCCE方法，解决多专家学习延迟中的欠拟合问题，通过自适应识别可靠专家提升预测性能。

References Improve LLM Alignment in Non-Verifiable Domains

参考文献提高非可验证领域的LLM对齐

Kejian Shi, Yixin Liu, Peifeng Wang, Alexander R. Fabbri, Shafiq Joty, Arman Cohan

机构 * Yale University（耶鲁大学） ； Meta ； Scale AI ； Salesforce Research（Salesforce 研究） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本研究提出参考引导的LLM评估器，通过增强LLM对齐的评估器和自我改进，显著提升了非可验证领域中LLM的性能。

Comments ICLR 2026 Camera Ready

Universal Anti-forensics Attack against Image Forgery Detection via Multi-modal Guidance

面向图像伪造检测的通用反取证攻击框架 via 多模态指导

Haipeng Li, Rongxuan Peng, Anwei Luo, Shunquan Tan, Changsheng Chen, Anastasia Antsiferova

机构 * Shenzhen University, China（深圳大学） ； Nanyang Technological University, Singapore（南洋理工大学） ； Shenzhen MSU-BIT University, China（深圳MSU-BIT大学） ； Lomonosov Moscow State University's Institute for Artificial Intelligence, Russia（罗蒙诺索夫莫斯科国立大学人工智能研究所） 纠错

AI总结 本文提出ForgeryEraser框架，通过多模态指导损失实现对图像伪造检测器的通用反取证攻击，揭示了VLMs依赖性带来的对抗性漏洞，并展示了对先进AIGC检测器的性能影响。

Comments 17 pages, 11 figures