利用符號迴歸為決策樹發現更大類別的分割
📝 此實體檔案待補充。下方僅展示卡片基本資訊與外部連結。
資料來源
- AI Singapore — 訪問於 2026-07-12
同屬「🔬 基礎研究」
A*STAR
新加坡科技研究局，AI 基礎研究與應用研究主力
NUS
新加坡國立大學，AI 研究排名亞洲前列。2024.3 成立 NUS AI Institute，整合基礎 AI、應用 AI 及社會影響研究
NTU
南洋理工大學，AI 與資料科學研究重鎮
SMU
新加坡管理大學，AI 在商業與社會應用
SUTD
新加坡科技設計大學，AI 與設計交叉創新
AI新加坡與美國NSF研究人員的研究合作專案
該專案由南洋理工大學張捷教授領導，與美國麻省理工學院合作，致力於開發可信任、可解釋的人工智慧-人類互動最佳化系統。研究重點是建立自然語言作為組合最佳化問題的魯棒介面，使AI系統能夠從人類語言中制定最佳化問題、進行強大的AI輔助最佳化，並提供可解釋的反饋。該專案旨在為物流、製造、金融等行業提供高效的決策支援工具，同時推進可信任AI的基礎研究。
PINNACLE：PINN 自適應配置點和實驗點選擇方法
PINNACLE 是一種自適應點選擇方法，用於改進物理資訊神經網路(PINN)的訓練效率。該方法基於經驗神經切線核理論，能夠自動聯合最佳化所有型別訓練點的選擇，包括實驗點和配置點，在前向問題、反演問題和遷移學習等多個任務中顯著超越現有基準方法。
BadEdit：通過模型編輯對大語言模型進行後門注入
AI Singapore 研究團隊提出 BadEdit 框架，這是一種創新的後門注入方法，通過直接修改模型引數來對預訓練大語言模型進行高效的後門攻擊。該方法僅需 15 個數據樣本和 120 秒即可成功注入後門，攻擊成功率接近 100%，同時保持對清潔資料的最小副作用。BadEdit 相比傳統權重中毒方法的優勢在於資料需求少、效率高，適用於多種任務領域包括文本分類、事實核查和對話情感生成。