Nanyang Technological University（南洋理工大学）

Unifying Formal Explanations: A Complexity-Theoretic Perspective

统一形式解释：一种复杂性理论的视角

Shahaf Bassan, Xuanxiang Huang, Guy Katz

机构 * The Hebrew University of Jerusalem（海法大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文从复杂性理论视角提出统一框架，揭示解释计算的复杂性由单调性、次模性和超模性等属性决定，并在全局可解释性设置中证明多项式时间算法，而在局部设置中计算变得NP难。

Comments To appear in ICLR 2026

Can LLM Safety Be Ensured by Constraining Parameter Regions?

通过约束参数区域能否确保大语言模型的安全性？

Zongmin Li, Jian Su, Farah Benamara, Aixin Sun

机构 * Nanyang Technological University（南洋理工大学） ； Institute for Infocomm Research (I 2 R)（信息通信研究所） ； IRIT, Université de Toulouse, CNRS, Toulouse INP（图卢兹大学IRIT研究所、法国国家科学研究中心） ； IPAL, CNRS-NUS-A*STAR（IPAL、法国国家科学研究中心-南洋理工大学-A*STAR） 纠错

AI总结 本文评估了四种安全区域识别方法，发现其在不同粒度和数据集下重叠程度低，表明现有方法难以可靠地识别稳定的安全区域。

Comments 32 pages

UniReason 1.0: A Unified Reasoning Framework for World Knowledge Aligned Image Generation and Editing

UniReason 1.0: 一个统一的推理框架，用于世界知识对齐的图像生成与编辑

Dianyi Wang, Chaofan Ma, Feng Han, Size Wu, Wei Song, Yibin Wang, Zhixiong Zhang, Tianhang Wang, Siyuan Wang, Zhongyu Wei, Jiaqi Wang

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； Zhejiang University（浙江大学） ； University of Southern California（美国南加州大学） 纠错

AI总结 UniReason 1.0通过统一推理框架整合图像生成与编辑，利用世界知识增强文本推理和视觉优化，提升复杂合成任务的性能。

Evolutionary Optimization of Physics-Informed Neural Networks: Evo-PINN Frontiers and Opportunities

物理信息神经网络的进化优化：Evo-PINN的前沿与机遇

Jian Cheng Wong, Abhishek Gupta, Chin Chun Ooi, Pao-Hsiung Chiu, Jiao Liu, Yew-Soon Ong

机构 * Agency for Science, Technology and Research (A*STAR)（科技研究局） ； Indian Institute of Technology (IIT) Goa（印度理工学院 Goa分校） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文探讨了物理信息神经网络的进化优化方法，提出利用进化算法改进模型训练速度、精度和泛化能力，以推动物理人工智能的发展。

Comments Accepted for publication in IEEE Computational Intelligence Magazine

Journal ref IEEE Computational Intelligence Magazine, 2026

Evolutionary Optimization of Physics-Informed Neural Networks: Advancing Generalizability by the Baldwin Effect

物理信息神经网络的进化优化：通过巴尔德效应提升通用性

Jian Cheng Wong, Chin Chun Ooi, Abhishek Gupta, Pao-Hsiung Chiu, Joshua Shao Zheng Low, My Ha Dao, Yew-Soon Ong

机构 * Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore（高性能计算研究所，科技研究局，新加坡） ； School of Mechanical Sciences, Indian Institute of Technology Goa, India（机械科学学院，印度理工学院 Goa） ； College of Computing and Data Science, Nanyang Technological University, Singapore（计算与数据科学学院，南洋理工大学） ； Technology Centre for Offshore and Marine, Singapore（海上与海洋技术中心，新加坡） ； Agency for Science, Technology and Research, Singapore（科技研究局，新加坡） 纠错

AI总结 本文提出通过巴尔德效应框架优化PINNs，提升其在多物理任务中的通用性和预测精度。

Comments Accepted for publication in IEEE Transactions on Evolutionary Computation

Journal ref IEEE Transactions on Evolutionary Computation, 2026