National University of Singapore（新加坡国立大学）

WeDefense: A Toolkit to Defend Against Fake Audio

WeDefense：一种用于对抗假音频的工具包

Lin Zhang, Johan Rohdin, Xin Wang, Junyi Peng, Tianchi Liu, You Zhang, Hieu-Thi Luong, Shuai Wang, Chengdong Liang, Anna Silnova, Nicholas Evans

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Brno University of Technology（布拉格技术大学） ； National Institute of Informatics（国家信息研究所） ； National University of Singapore（新加坡国立大学） ； University of Rochester（罗切斯特大学） ； Nanyang Technological University（南洋理工大学） ； Nanjing University（南京大学） ； WeNet Opensource Community（WeNet开源社区） ； EURECOM 纠错

AI总结 WeDefense是一个开源工具包，旨在提供标准化的假音频检测与定位解决方案，包含灵活的输入增强、校准、分数融合和标准化评估指标等核心功能。

Comments This is an ongoing work. v1 corresponds to the version completed by June 4, 2025 and previously submitted to ASRU 2025

Erosion Attack for Adversarial Training to Enhance Semantic Segmentation Robustness

侵蚀攻击用于对抗训练以增强语义分割鲁棒性

Yufei Song, Ziqi Zhou, Menghao Deng, Yifan Hu, Shengshan Hu, Minghui Li, Leo Yu Zhang

机构 * Huazhong University of Science and Technology（华中科技大学） ； National University of Singapore（新加坡国立大学） ； Griffith University（格里菲斯大学） 纠错

AI总结 本文提出EroSeg-AT框架，通过生成具有上下文语义关系的对抗示例，提升语义分割模型在对抗攻击下的鲁棒性。

Comments Accepted by ICASSP 2026

What Makes Low-Bit Quantization-Aware Training Work for Reasoning LLMs? A Systematic Study

是什么使低比特量化感知训练在推理大语言模型中有效？一项系统研究

Keyu Lv, Manyi Zhang, Xiaobo Xia, Jingchen Ni, Shannan Yan, Xianzhi Yu, Lu Hou, Chun Yuan, Haoli Bai

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Huawei Technologies（华为技术有限公司） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本研究通过系统分析揭示了低比特量化感知训练在推理大语言模型中的有效性，提出优化工作流Reasoning-QAT，显著提升精度与效率。

Unlocking Large Audio-Language Models for Interactive Language Learning

解锁大型音频-语言模型以实现交互式语言学习

Hongfu Liu, Zhouying Cui, Xiangming Gu, Ye Wang

机构 * National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出通过指令微调ALMs，利用L2-Arctic-plus数据集提升交互式语言学习中的发音训练效果。

Comments Accepted to the Findings of EACL 2026

FARE: Fast-Slow Agentic Robotic Exploration

FARE：快速-缓慢代理机器人探索

Shuhao Liao, Xuxin Lv, Jeric Lew, Shizhe Zhang, Jingsong Liang, Peizhuo Li, Yuhong Cao, Wenjun Wu, Guillaume Sartoretti

机构 * Beihang University, China（北航大学） ； Department of Mechanical Engineering, National University of Singapore（机械工程系，新加坡国立大学） 纠错

AI总结 FARE通过结合大型语言模型和强化学习策略，实现了高效且稳健的机器人探索，显著提升了探索效率并验证了其在大规模建筑环境中的有效性。

Opening the Black Box: A Survey on the Mechanisms of Multi-Step Reasoning in Large Language Models

揭开黑箱：关于大语言模型多步推理机制的综述

Liangming Pan, Jason Liang, Jiaran Ye, Minglai Yang, Xinyuan Lu, Fengbin Zhu

机构 * Peking University（北京大学） ； Stanford University（斯坦福大学） ； Tsinghua University（清华大学） ； University of Arizona（亚利桑那大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文综述了大语言模型多步推理机制，探讨了隐式和显式推理过程，并提出了未来研究方向。

Comments Technical Report

RMBRec: Robust Multi-Behavior Recommendation towards Target Behaviors

RMBRec: 面向目标行为的鲁棒多行为推荐

Miaomiao Cai, Zhijie Zhang, Junfeng Fang, Zhiyong Cheng, Xiang Wang, Meng Wang

机构 * National University of Singapore（新加坡国立大学） ； Hefei University of Technology（合肥工业大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 RMBRec通过信息论鲁棒性原则，结合表示鲁棒性模块和优化鲁棒性模块，提升多行为推荐的鲁棒性和稳定性。

Journal ref WWW2026

A Survey of Quantized Graph Representation Learning: Connecting Graph Structures with Large Language Models

图表示学习的综述：连接图结构与大语言模型

Qika Lin, Zhen Peng, Kaize Shi, Kai He, Yiming Xu, Jian Zhang, Erik Cambria, Mengling Feng

机构 * National University of Singapore（新加坡国立大学） ； Xi’an Jiaotong University（西安交通大学） ； University of Southern Queensland（南方昆士兰大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文综述了量化图表示学习，探讨了其与大语言模型的整合方法及未来研究方向。