Beihang University（北京航空航天大学）

SIEVE: Structure-Aware Data Selection for Imitation Learning with VLA Models

SIEVE：用于基于VLA模型的模仿学习的结构感知数据选择

Changti Wu, Bin Yu, Zhaolong Shen, Shijie Lian, Xiaopeng Lin, Cong Huang, Zhirui Zhang, Lei Zhang, Kai Chen

机构 * East China Normal University（东华师范大学） ； Zhongguancun Academy（中关村学院） ； Harbin Institute of Technology（哈尔滨工业大学） ； Beihang University（北航大学） ； Huazhong University of Science and Technology（华中科技大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院） ； DeepCybo Training Demonstrations Policy Execution（深科博培训演示政策执行） 纠错

AI总结 研究针对VLA模型模仿学习中数据冗余等问题，提出结构感知数据选择方法SIEVE。该方法将演示视为原语和接口组合，通过发现原语、分配预算和选择轨迹来选数据，实验证明其优于基线，能在少数据少步骤下超越全数据训练。

Comments The code is available at \href{https://github.com/ChangtiWu/SIEVE}{SIEVE}

Benchmarking the Robustness of Autonomous Driving to Environmental Illusions: A Lane Perception Perspective

从车道感知角度评估自动驾驶对环境错觉的鲁棒性：基准测试

Tianyuan Zhang, Xianglong Liu, Aishan Liu, Lu Wang, Yitong Zhang, Peng Yue, Mingchuan Zhang, Siyuan Liang, Dacheng Tao

机构 * SKLCCSE, the School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院软件安全技术与工程北京市重点实验室） ； the School of Cyber Science and Technology, Sun Yat-sen University（中山大学网络空间科学与技术学院） ； Henan University of Science and Technology（河南科技大学） ； the School of Computing, National University of Singapore（新加坡国立大学计算学院） ； College of Computing & Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） 纠错

AI总结 研究自动驾驶对环境错觉的鲁棒性，聚焦传统车道检测和视觉语言模型系统。引入基准LanEvil++并评估，发现错觉严重影响性能，阴影干扰最大。提出多模态错觉防御方法MIDA，有效提升了模型在挑战性条件下的鲁棒性。

Comments Accepted by IEEE TPAMI 2026

Breaking Structural Isolation: Scalable Graph Clustering via Community-Aware Sampling and Structural Entropy

打破结构隔离：通过社区感知采样和结构熵进行可扩展的图聚类

Jingyun Zhang, Hao Peng, Jianxin Li, Angsheng Li, Philip S. Yu

机构 * Beihang University（北京航空航天大学） ； University of Illinois at Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 针对无监督图聚类中现有方法的“结构隔离”问题，提出SCISE框架，通过社区感知采样、结构熵社区约束算子及结构对比学习模块协同保持结构完整性，实验证明该框架显著优于现有算法。

Comments Accepted to the Proceedings of the VLDB Endowment (VLDB 2026). 18 pages, 15 figures, 15 tables

Modality Relevance is not Modality Utility: Post-hoc Selective Modality Escalation for Cost-Aware Multimodal RAG

模态相关性并非模态效用：用于成本感知多模态RAG的事后选择性模态升级

Xue Li, Yiming Gai

机构 * Hangzhou International Innovation Institute, Beihang University（杭州国际创新研究院，北京航空航天大学） 纠错

AI总结 研究多模态检索增强生成中模态选择决策点问题，提出事后选择性模态升级方法，先低成本从文本和表格回答，再按需支付VLM证据费用，校准路由器决定是否升级，在MultiModalQA上减少视觉调用并缩小与神谕升级率差距，扩展了路由信号层次结构。

Stability Annealing Selects the Implicit Bias of Smoothed Sign Descent: A Rate-Indexed Barrier Path on Separable Data

稳定性退火选择平滑符号下降的隐式偏差：可分数据上的速率索引障碍路径

Xiangwu Wang, Chengwei Cao, Yicheng Song, Ran Bi, Peilin Yu

机构 * The University of Hong Kong（香港大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Beijing University of Aeronautics and Astronautics（北京航空航天大学） 纠错

AI总结 研究可分数据上全批量线性分类的速率控制情况，针对无记忆稳定性退火平滑符号下降，证明归一化迭代收敛特性，通过实验验证相关恒等式、展示预测图及缩放，还报告了多种情况的诊断，明确理论范围。

Comments 17 pages, 9 figures

U-TTT: Towards Generalizable PET Image Denoising via Test-Time Training

U-TTT：通过测试时训练实现可泛化的PET图像去噪

Zhiwen Yang, Jiayin Li, Hao Lu, Hui Zhang, Zihua Wang, Yan Xu

机构 * School of Biological Science and Medical Engineering, Beihang University（北京航空航天大学生物科学与医学工程学院） ； Department of Biomedical Engineering, Tsinghua University（清华大学生物医学工程系） ； School of Aerospace Engineering, Tsinghua University（清华大学航天航空学院） ； ByteDance Inc.（字节跳动有限公司） 纠错

AI总结 针对PET图像去噪模型在分布偏移下性能退化的问题，提出U-TTT模型，集成测试时训练（TTT）层，通过自监督动态调整参数，并设计双域自适应机制（空间和频率TTT层），在未见剂量水平和扫描仪下实现最优去噪和泛化。

Comments This paper introduces the first TTT-based model for image restoration