高校专区
Qute：迈向量子原生数据库
机构 * Shanghai Jiao Tong University（上海交通大学） ； National University of Singapore（新加坡国立大学） ； Microsoft Corporation（微软公司） ； Hong Kong Baptist University（香港 Baptist 大学）
AI总结 Qute提出了一种量子原生数据库系统，通过编译扩展SQL、混合优化器、选择性量子索引和保真存储，实现量子计算与经典计算的融合，并在真实量子处理器上展示了其优越性。
Comments Please refer our open-source prototype at: https://github.com/weAIDB/Qute
稀疏MeZO：在零阶LLM微调中更少的参数带来更好的性能
机构 * National University of Singapore（新加坡国立大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 稀疏MeZO通过仅对部分参数应用零阶优化，提升LLM微调的性能和收敛速度。
Comments Accepted by NeurIPS 2025
LACONIC：面向LLM的长度感知约束强化学习
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Salesforce AI Research（Salesforce AI研究院） ； National University of Singapore（新加坡国立大学） ； University of Alberta（阿尔伯塔大学）
AI总结 LACONIC通过长度感知约束强化学习，在保持任务性能的同时有效控制输出长度，减少50%以上。
学习具有部分感知的密集3D特征场以实现通用的可变形物体操作
机构 * Peking University（北京大学） ； Beijing Institute of Technology（北京理工大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出PA3FF，一种具有部分感知的密集3D特征场，用于提升可变形物体操作的泛化能力，通过对比学习训练，实现高效且通用的机器人操作
Comments Accept to ICLR 2026, Project page: https://pa3ff.github.io
可比性XAI：基于实例的AI解释与反事实追踪调整
机构 * National University of Singapore（新加坡国立大学）
AI总结 本文提出可比性XAI，通过反事实追踪调整提升基于实例的AI解释的忠实性和精度，为提高用户对AI决策的理解提供新方法。
Comments Accepted by CHI 2026
在大规模指令微调数据选择中的表示冗余性
机构 * National University of Singapore（新加坡国立大学）
AI总结 本文提出CRDS框架，通过压缩表示减少指令微调数据冗余，提升数据质量与模型性能。
R-Diverse: 缓解自博弈LLM训练中的多样性幻觉
机构 * Foundation Model Research Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所基础模型研究中心） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Wuhan AI Research（武汉人工智能研究所） ； National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学）
AI总结 R-Diverse通过引入记忆增强惩罚和技能感知测量，缓解自博弈LLM训练中的多样性幻觉问题，提升模型推理能力。
无监督的MR-US多模态图像配准与多级相关金字塔优化
机构 * School of Artificial Intelligence and Robotics, Hunan University, Changsha, Hunan, China（人工智能与机器人学院，湖南大学，长沙，湖南，中国） ； National Engineering Research Center of Robot Visual Perception and Control Technology, Hunan University, Changsha, Hunan, China（机器人视觉感知与控制技术国家工程研究中心，湖南大学，长沙，湖南，中国） ； National University of Singapore（新加坡国立大学） ； Cornell University（康奈尔大学）
AI总结 本研究提出基于多级相关金字塔优化的无监督多模态图像配准方法，以解决术前与术中多模态图像的配准问题，实现了在ReMIND2Reg任务中的优异表现。
Comments first-place method of ReMIND2Reg Learn2Reg MICCAI 2025
RAGExplorer: 一种用于RAG系统比较诊断的可视化分析系统
机构 * State Key Lab of CAD&CG, Zhejiang University（CAD与CG国家重点实验室，浙江大学） ； School of Computing, National University of Singapore（computing学院，新加坡国立大学） ； Zhejiang University（浙江大学）
AI总结 RAGExplorer是一种用于RAG系统比较诊断的可视化分析系统，通过宏观到微观的工作流程帮助开发者理解性能权衡并优化设计。
Comments 11 pages, 7 figures. Accepted to IEEE TVCG (PacificVis 2026)
X射线洞察力释放：开创多标签长尾数据增强领域
机构 * Tencent Jarvis Lab（腾讯 Jarvis实验室） ； School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院） ； National University of Singapore（新加坡国立大学） ； Westlake University（西湖大学）
AI总结 本文提出一种基于扩散模型和LKG模块的X光数据合成方法，通过正常X光片生成长尾病变数据，提升肺部异常诊断的性能。
OpenTSLM：用于多变量医学文本和时间序列数据推理的时间序列语言模型
机构 * Stanford Mussallem Center for Biodesign（斯坦福 Mussallem 生物设计中心） ； Centre for Digital Health Interventions（数字健康干预中心） ； Agentic Systems Lab（代理系统实验室） ； National University of Singapore（新加坡国立大学） ； Microsoft（微软） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Google Research（谷歌研究） ； Stanford University（斯坦福大学） ； Amazon（亚马逊） ； Division of Cardiovascular Medicine（心血管医学部） ； Division of Cardiology（心内科部） ； Pediatric Cardiology（儿童心内科） ； University of Washington（华盛顿大学）
AI总结 OpenTSLM通过整合时间序列作为原生模态，提升对多变量医学文本和时间序列数据的推理能力，其模型在多个任务中均优于基线模型。
图像能帮你找回记忆：一种新颖的多模态引导攻击对抗图像生成模型去学习
机构 * Institute of Data Science, National University of Singapore（数据科学研究所，新加坡国立大学） ； S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学）
AI总结 Recall提出一种新颖的多模态引导攻击框架，针对图像生成模型去学习的鲁棒性进行攻击，展示其在对抗有效性、计算效率和语义保真度上的优势。
Comments Accepted by ICLR 2026
DeCo：用于长周期3D操作零样本泛化任务分解与技能组合
机构 * State Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； Huawei Noah’s Ark Lab (AI Lab), China（华为诺亚实验室（AI实验室））
AI总结 DeCo通过任务分解与技能组合提升长周期3D操作任务的零样本泛化能力，显著提高多个模型在新任务上的成功率。
Comments RAL 2026
基于模型的大型语言模型定制服务
机构 * National University of Singapore（新加坡国立大学） ； WeBank ； The Hong Kong University of Science and Technology（香港理工大学）
AI总结 Llamdex 提出了一种基于模型的 LLM 定制服务框架，通过客户端上传预训练的领域模型并结合差分隐私保护，提升领域特定任务的准确率并保持推理效率。
Comments Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025)
Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (2025)
可迁移的可解释性AI：通过解释迁移在不同领域间建立理解
机构 * National University of Singapore（新加坡国立大学） ； Department of Computer Science（计算机科学系）
AI总结 本文提出可迁移XAI框架，通过解释迁移在不同领域间建立理解，提升AI决策的可解释性和可重用性。
Comments 40 pages, accepted by IUI2026
FlowHOI: 基于流的语义引导的双手-物体交互生成用于灵巧机器人操作
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·扎耶德人工智能大学） ； Technical University of Munich（慕尼黑技术大学） ； National University of Singapore（新加坡国立大学） ； Westlake University（西湖大学）
AI总结 FlowHOI通过语义引导的流匹配框架生成双手-物体交互序列，提升机器人操作的准确性和效率。
Comments Project Page: https://huajian-zeng.github.io/projects/flowhoi/
可解释的人工智能：从学习者中学习
机构 * National University of Singapore（新加坡国立大学）
AI总结 本文提出XAI结合因果推理，通过基础模型与可解释性方法的结合，实现从学习者中学习，提升科学和工程中的信任与问责
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