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

PhyMamba: Physics-Modulated Mamba for Robust Battery Health Prognostics

PhyMamba：用于鲁棒电池健康预测的物理调制Mamba模型

Sara Sameer, Yunyi Zhao, Wei Zhang, Minggang Zeng, Wenqing Li, Man-Fai Ng, Yonggang Wen

机构 * Singapore Institute of Technology（新加坡理工学院） ； National University of Singapore（新加坡国立大学） ； Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局高性能计算研究所） ； Nanyang Technological University (NTU)（南洋理工大学） 纠错

AI总结 PhyMamba是一种两阶段物理调制Mamba框架，将电化学老化融入序列建模，在三个公共数据集上使电池健康预测整体平均误差降低31.8%，实现最优聚合性能与精度效率权衡，支持实际部署。

AERA: Adaptive Evidence Residual Allocation for Efficient Test-Time Reasoning

AERA：用于高效测试时推理的自适应证据残差分配

Ziming Wang, Ivor Tsang, Hangwei Qian

机构 * National University of Singapore（新加坡国立大学） ； Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文针对测试时推理的计算资源浪费问题，提出自适应证据残差分配（AERA）控制器，在GSM8K等数据集上减少95.99%完成令牌数的同时保持较高准确率，证明需估计计算未来价值而非依赖当前置信度。

SpikeOPD: Stable On-Policy Distillation for Autoregressive Spiking Language Models

SpikeOPD：自激语言模型的稳定在线策略蒸馏方法

Enqiao Lu, Xingrui Yu, Yiwei Fu, Zhenglin Wan, Pengfei Zhou, Wangbo Zhao, Muqing Jian, Xueyi Zhang, Yang You, Ivor Tsang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Agency for Science, Technology and Research (A*STAR), Singapore（新加坡科技研究局） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） ； Peking University（北京大学） ； National University of Singapore（新加坡国立大学） ； Rice University（莱斯大学） 纠错

AI总结 针对自回归脉冲语言模型的前缀不匹配问题，提出SpikeOPD框架，结合教师校正、策略锚定与分层脉冲正则化，提升不同规模模型的准确率并保留稀疏计算特性。

From Uncertainty to Clinical Risk: Severity-Aware Conformal Planning for Interactive Medical Diagnosis

从不确定性到临床风险：面向交互式医疗诊断的严重程度感知共形规划

Yue Zhou, Haiyang Zhou, Jin Zhang, Kong Wang, Yongxin Ni, Youhua Li, Hanwen Du

机构 * Lanzhou University（兰州大学） ； Hunan University（湖南大学） ； National University of Singapore（新加坡国立大学） ； City University of Hong Kong（香港城市大学） ； The Ohio State University（俄亥俄州立大学） 纠错

AI总结 该研究针对交互式医疗诊断漏诊重症的风险与长程规划缺失问题，提出严重程度感知共形临床规划框架，在DDXPlus和MediQ上提升了诊断准确性、鉴别质量并降低了高风险错误。