高校专区
通道级关系与具有邻域同质性约束的注意聚合在点云分析中的应用
机构 * 1School of Automation Science ； Electrical Engineering, Beihang University, Beijing, China 2Wuhan Leaddo Measuring \& Control Technology, Wuhan, China 3School of Artificial Intelligence, Beihang University, Beijing, China Emails
AI总结 本文提出PointCRA网络，通过引入时间趋势变化作为新评估维度，解决现有空间和通道注意机制中权重维度坍缩导致的信息丢失问题，提升点云分析的精度与效率。
ReCLIP++: 学习校正CLIP的偏差以实现无监督语义分割
机构 * Beihang University（北航大学）
AI总结 本文提出ReCLIP++，通过显式建模和校正CLIP中的偏差以提升无监督语义分割性能，设计了参考提示和位置嵌入投影来分别编码类别偏好和空间偏好偏差，并通过矩阵乘法生成偏差logit图，再通过元素级减法校正logits，最后利用Gumbel-Softmax操作生成分割掩码。
Comments Extended version of our CVPR 24 paper, accepted by IJCV 2025
打破幻觉：当积极与消极在多模态解码中相遇
机构 * School of Astronautics, Beihang University（北京航空航天大学航天学院） ； Longcat Interaction Team, Meituan（美团Longcat交互团队） ； Tianmushan Laboratory, Beihang University（北京航空航天大学天门山实验室）
AI总结 本文提出PND框架，通过在解码过程中引入正负对比路径，增强视觉真实性，无需重新训练即可在POPE、MME和CHAIR数据集上取得最佳性能。
Comments Accepted by CVPR 2026 (Conference on Computer Vision and Pattern Recognition). 11 pages, 5 figures. Code available at: https://github.com/JiangYubo4399/PND
注意力稀疏性是输入稳定的：通过离线稀疏性分析和在线QK共聚类实现训练自由的视频生成稀疏注意力
机构 * SKLCCSE, School of Computer Science and Engineering, Beihang University（软件学院，北京航空航天大学） ； Beihang University（北京航空航天大学） ； School of Computer Science, Peking University（北京大学计算机学院） ； the State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，中国科学院自动化研究所） ； School of Information Science and Technology, University of Science and Technology of China（信息科学与技术学院，中国科学技术大学） ； BNRist, Tsinghua University（北京理工大学，清华大学） ； Zhongguancun Academy（中关村学院）
AI总结 本文提出SVOO框架，通过离线层间稀疏性分析和在线双向共聚类实现训练自由的视频生成稀疏注意力，解决传统方法中层异质性和查询-键耦合问题，提升生成质量与速度的平衡。
Comments Accepted by ICML 2026
视觉语言动作模型中的持续演进技能知识
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； University of Cambridge（剑桥大学） ； Beihang University（北京航空航天大学） ； Nanyang Technological University（南洋理工大学） ； MIT SMART（麻省理工学院SMART实验室） ； AgiBot
AI总结 本文提出Stellar VLA框架，通过无需增加参数的持续模仿学习方法，实现视觉语言动作模型的持续知识积累，实验表明其在任务专精和知识转移方面表现优异。
SpikingBrain：基于大脑的高效大模型
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beijing Key Laboratory of Brain-Inspired General Intelligence Large Model（北京脑启发通用智能大模型重点实验室） ； Key Laboratory of Brain Cognition and Brain-inspired Intelligence Technology（脑认知与脑启发智能技术重点实验室） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； The Hong Kong Polytechnic University（香港理工大学） ； Zhongguancun Academy（中关村学院） ； Beihang University（北航） ； Zhejiang University（浙江大学） ； LuxiTech ； MetaX Integrated Circuit Co., Ltd（MetaX集成电路有限公司）
AI总结 本文提出SpikingBrain，一种受大脑启发的大模型，通过高效架构和算法优化，在非NVIDIA平台实现大规模LLM训练与推理，提升长上下文处理效率。
CT和X射线中骨盆骨折分割技术的基准测试：PENGWIN 2024挑战总结
机构 * Beijing Rossum Robot Technology Co., Ltd.（北京罗素机器人科技有限公司） ； Key Laboratory of Biomechanics and Mechanobiology, Ministry of Education, Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University（生物力学与机械生物学重点实验室，教育部，北京生物医学创新中心，生物科学与医学工程学院，北航） ； Department of Computer Science, Johns Hopkins University（计算机科学系，约翰霍普金斯大学） ； Division of Medical Image Computing, German Cancer Research Center (DKFZ)（医学影像计算部，德国癌症研究中心（DKFZ）） ； Helmholtz Imaging, Heidelberg（海德堡大学医院影像中心） ； Smart Medical Imaging, Learning and Engineering (SMILE) Lab, Medical UltraSound Image Computing（智能医学影像、学习与工程（SMILE）实验室，医学超声影像计算）
AI总结 本文通过PENGWIN 2024挑战评估了CT和X射线中骨盆骨折分割技术，发现CT分割准确率较高，但X射线分割仍需进一步改进，揭示了分割方法的多样性及片段定义的不确定性。
Comments PENGWIN 2024 Challenge Report
从坐标匹配到结构对齐：重新思考异构联邦学习中的原型对齐
机构 * State Key Laboratory of Virtual Reality Technology and Systems, School of Computer Science and Engineering, Beihang University（虚拟现实技术与系统国家重点实验室，计算机科学与工程学院，北京航空航天大学） ； Zhongguancun Laboratory（中关村实验室） ； Center for AI Business Innovation, Department of Management Science and Systems, School of Management, University at Buffalo（人工智能商业创新中心，管理科学与系统系，布法罗大学）
AI总结 本文提出FedSAF方法，通过将对齐目标从绝对坐标转向类别间关系结构，解决了异构联邦学习中坐标对齐的局限性，提升了模型性能。
Comments 14 pages, 10 figures, 9 tables
HEDP：一种基于能量-距离提示的领域增量学习混合框架
机构 * China Mobile Research Institute, China（中国移动研究院） ； Beihang University, China（北京航空航天大学） ； Beijing University of Posts and Telecommunications, China（北京邮电大学） ； Nanyang Technological University, Singapore（南洋理工大学）
AI总结 HEDP提出一种混合能量-距离提示框架，通过能量正则化损失和混合能量-距离加权机制提升领域分离性和适应性，在多个基准上实现2.57%的准确率提升，有效缓解灾难性遗忘。
Comments 13 pages, 6 figures, Accepted by ICML 2026
基于PPO的风扰气球基站动态定位研究
机构 * Beihang Valencia Polytechnic Institute (BVPI)（北京航空航天谷雨理工大学） ； Beihang University（北京航空航天大学）
AI总结 本文提出基于深度强化学习的框架，用于风扰环境下海洋网络中气球基站的动态定位，通过PPO算法提升覆盖稳定性与系统吞吐量。
AceGRPO：自适应课程增强的群体相对策略优化用于自主机器学习工程
机构 * 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） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院）
AI总结 本文提出AceGRPO，通过动态数据缓冲和可学习潜力函数提升自主机器学习工程的持续迭代优化能力，实验证明其在MLE-Bench-Lite上达到100%有效提交率。
Comments 18 pages, 5 figures
VAnim：基于渲染的稀疏状态建模用于结构保持的向量动画
机构 * School of Software, Beihang University, Beijing, China（北京航空航天大学软件学院） ； Department of Computer Science, The University of Hong Kong, Hong Kong, China（香港大学计算机科学系） ； College of Computer Science and Technology, Zhejiang University, Hangzhou, China（浙江大学计算机科学与技术学院）
AI总结 VAnim提出了一种基于LLM的框架，通过稀疏状态更新和渲染感知强化学习，实现结构保持的向量动画生成，优于现有方法。
Comments Accepted to ICML 2026. Project page: https://yukinonooo.github.io/VAnimProject
E-MIA：针对RAG系统的考试风格黑盒成员推断攻击
机构 * College of Cyber Security, Jinan University（济南大学网络安全学院） ； School of Computer Science, Shanghai Jiaotong University（上海交通大学计算机科学学院） ； Institute of Artificial Intelligence, Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing, Beihang University（北京航空航天大学人工智能研究院） ； Zhongguancun Laboratory, Beijing（中关村实验室）
AI总结 本文提出E-MIA，通过将目标文档中的可验证硬证据转化为包含四种客观评分题型的考试，利用多证据目标问题的综合考试分数作为成员信号，提升在严格设置下的成员/非成员分离能力，同时保持自然隐蔽的查询。
2026 年人工智能与机器学习在智能制造中的路线图
机构 * Center for Industrial Artificial Intelligence, Department of Mechanical Engineering, University of Maryland, College Park（工业人工智能中心，机械工程系，马里兰大学College Park分校） ； Department of Management, Economics and Industrial Engineering, Politecnico di Milano（管理、经济与工业工程系，米兰理工学院） ； Department of Industrial and Systems Engineering, The Hong Kong Polytechnic University（工业与系统工程系，香港理工大学） ； Centre for Advanced Manufacturing & Supply Chains, World Economic Forum（先进制造与供应链研究中心，世界经济论坛） ； Department of Mechanical Engineering, Indian Institute of Technology Indore（机械工程系，印度理工学院Indore分校） ； Future Information Innovative College, Fudan University（未来信息创新学院，复旦大学） ； Department of Mechanical Engineering, Seoul National University（机械工程系，首尔国立大学） ； Department of Mechanical and Information Engineering, University of Seoul（机械与信息工程系，首尔大学） ； Onepredict Corp.（Onepredict公司） ； School of Mechanical and Aerospace Engineering, Nanyang Technological University（机械与航空航天工程学院，南洋理工大学） ； Singapore Centre for 3D Printing, Nanyang Technological University（新加坡3D打印中心，南洋理工大学） ； Mechanical Engineering, Purdue University（机械工程系，普渡大学） ； Digital Twin International Research Center, International Institute for Interdisciplinary and Frontiers, Beihang University（数字孪生国际研究中心， interdisciplinary and Frontiers 国际研究院，北京航空航天大学） ； School of Automation Science and Electrical Engineering, Beihang University（自动化科学与电气工程学院，北京航空航天大学） ； Department of Engineering, University of Cambridge（工程系，剑桥大学） ； Center for Advanced Manufacturing, University of Southern California（先进制造中心，南加州大学） ； School of Sustainability Engineering and Environmental Engineering, Purdue University（可持续工程与环境工程系，普渡大学） ； School of Mechanical Engineering, Sungkyunkwan University（机械工程系，全南大学） ； Intelligent Maintenance and Operations Systems, EPFL（智能维护与运营系统，苏黎世联邦理工学院） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院） ； J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学） ； Department of Mechanical and Process Engineering, ETH Zürich（机械与工艺工程系，苏黎世联邦理工学院）
AI总结 本文探讨人工智能与机器学习在智能制造中的发展现状与未来方向，涵盖基础理论、应用领域及新兴技术，旨在推动创新与产业应用。
Comments This paper has been accepted for publication in the Journal Machine Learning: Engineering
面向代理的运行时自愈
机构 * Singapore Management University（新加坡国立大学） ； North Carolina State University（北卡罗来纳州立大学） ； Monash University（墨尔本大学） ； Beihang University（北航）
AI总结 本文提出利用大语言模型实现动态生成错误处理策略，通过Healer框架在四个代码数据集上验证了其在运行时错误恢复中的有效性，展示了LLM在自愈系统中的潜力。
Comments Accepted by CACM
FinSafetyBench：评估LLM在现实金融场景中的安全性
机构 * Shanghai University of Finance and Economics（上海财经大学） ； Beihang University（北航） ； Southern University of Science and Technology（南方科技大学） ； MoE Key Laboratory of Interdisciplinary Research of Computation and Economics（计算与经济学交叉学科研究重点实验室）
AI总结 本文提出FinSafetyBench，一个双语红队基准，用于测试LLM对违反金融合规请求的拒绝能力，揭示了对抗性提示绕过合规保障的关键漏洞及中文环境下更严重的易受攻击性。
Comments Accepted by Findings of ACL2026
UniVidX：一种基于扩散先验的统一多模态框架，用于 versatile 视频生成
机构 * Beihang University（北京航空航天大学） ； Nanjing University（南京大学） ； Stanford University（斯坦福大学） ； Tsinghua University（清华大学）
AI总结 UniVidX 提出一种统一多模态框架，通过扩散先验实现 versatile 视频生成，采用随机条件掩码、解耦门控LoRA和跨模态自注意力等设计，提升多模态一致性与生成性能。
Comments Project page: https://houyuanchen111.github.io/UniVidX.github.io/ Accepted to ACM Transactions on Graphics (Proceedings of SIGGRAPH 2026)
Journal ref ACM Trans. Graph. 45, 4, Article 51 (July 2026)
PAMod：通过相幅调制建模周期性位移以实现非平稳时间序列预测
机构 * Fudan University（复旦大学） ； Beihang University（北航） ； Beijing University of Posts and Telecommunications（北京邮电大学）
AI总结 PAMod通过相幅调制在归一化特征空间中建模周期性分布位移，解决非平稳时间序列预测中的均值和方差变化问题，实现高效且低资源的高性能预测。
通过属性导向和结构最小反馈的有效LLM代码细化
机构 * School of Software, Beihang University, Beijing, China（北京航空航天大学软件学院） ； Shanghai AI Laboratory, Shanghai, China（上海人工智能实验室） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院）
AI总结 本文提出属性生成求解器（PGS），通过属性导向和结构最小反馈提升LLM代码生成的正确性，实验显示PGS在pass@1和修复率上均优于其他TDD方法。
用于知识图谱中演绎推理的可控逻辑假设生成
机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； The Hong Kong University of Science and Technology（香港理工大学） ； Beihang University（北航） ； Key Lab of Education Blockchain and Intelligent Technology（教育区块链与智能技术重点实验室） ； Guangxi Normal University（广西师范大学）
AI总结 本文提出CtrlHGen框架，通过监督学习和强化学习解决知识图谱中假设生成的可控性问题，提升假设生成的准确性和实用性。
Comments Accepted by ICLR2026
抑制噪声诱导的原型退化以实现隐私保护的个性化联邦微调
机构 * School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院） ； School of Statistics, Renmin University of China（中国人民大学统计学院） ； 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）
AI总结 本文提出VPDR，通过引入自适应原型扰动和蒸馏引导裁剪正则化，改进原型基于个性化联邦学习，提升隐私保护与模型性能的平衡。
Comments Accepted by CVPR 2026 (Highlight)
在需要的地方编辑：区域感知的适配器注入用于无掩码的局部图像编辑
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Beijing University of Aeronautics and Astronautics（北京航空航天大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Xiaohongshu Inc.（小红书公司）
AI总结 本文提出AdaptEdit框架，通过区域感知适配器实现无掩码的局部图像编辑，结合轻量级Block Adapter和SpatialGate提升编辑精度，同时通过Region-Aware Loss优化训练目标，实现无需用户掩码的高质量编辑。
MeTHanol：模块化思维语言模型与中间层思维、解码与推理bootstrap
机构 * Beihang University（北航） ； Beijing Institute of Technology（北京理工大学） ； Geely AI Lab（吉利人工智能实验室）
AI总结 本文提出MeTHanol模块化思维语言模型，通过中间层思维解码与双阶段推理提升LLM的认知能力，实验表明其在理论思维和 vignette 任务中表现出色，能规划、反思并生成类人回答。
Comments 19 pages, 7 figures. IJCNN2025
在Llama-3 70B上进行训练实践：最优额外语言混合比例的选择
机构 * Geely AI Lab（吉利人工智能实验室） ； Beihang University（北航）
AI总结 本文通过在Llama-3 8B和70B上进行持续预训练，研究额外语言混合比例与学习率的最优相关性，提升中文能力及数学、编程等领域的表现，并在实际聊天系统中部署70B模型取得良好效果。
Comments 12 pages, 2 figures. PAKDD2025
超越外观：诊断并改进基于指针的测量读数中的状态一致性
机构 * Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（未来区块链与隐私计算北京先进创新中心） ； Beihang University（北航） ； Fudan University（复旦大学） ； Peking University（北京大学）
AI总结 本文研究了多模态大语言模型在指针式测量读数任务中的表现问题，发现现有模型在状态一致性上存在缺陷，提出TriSCA框架以提升状态一致性。
PAINT：部分解适应插值训练用于自蒸馏推理器
机构 * Tsinghua University（清华大学） ； Beihang University（北航）
AI总结 PAINT通过部分解适应插值训练，在自蒸馏推理器中提升大语言模型的推理能力，优于现有基线方法。
多周期图速度估计用于机器人辅助ISAC的不规则参考信号
机构 * University of Hertfordshire, UK（赫特福德郡大学） ； Beihang University, China（北航大学）
AI总结 本文提出一种多周期图速度估计方法，用于机器人辅助的集成感知与通信系统，通过分解不规则时间域模式诱导的速度剖面，提升低信噪比下的鲁棒性。
Comments Accepted by ICC2026
Pointer-CAD：通过基于指针的边与面选择统一B-Rep和命令序列
机构 * Transcengram ； Beihang University（北京航空航天大学） ； The University of Hong Kong（香港大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； ShanghaiTech University（上海科技大学） ； DeepSeek ； University of California, Berkeley（加州大学伯克利分校）
AI总结 Pointer-CAD通过基于指针的命令序列表示，将B-Rep模型的几何信息融入顺序建模，有效生成复杂几何结构并降低分割误差，显著提升CAD生成精度。
Comments Accepted by CVPR2026
异质自适应策略优化：针对每个token的性质进行定制化优化
机构 * Peking University Shanghai AI Laboratory（北京大学上海人工智能实验室） ； Beihang University（北京航空航天大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Peking University Zhongguancun Academy, 5 Beijing Key Laboratory of Software and Hardware Cooperative Artificial Intelligence Systems（北京大学中关村学院，5北京软件硬件协同人工智能系统重点实验室）
AI总结 本文提出HAPO算法，通过熵度量异质性指导优化，实现细粒度调节。算法包含四个核心组件，通过token级处理提升LLM在数学推理、代码和逻辑任务中的性能。
EOS-Bench：一个全面的地球观测卫星调度基准
机构 * School of Traffic ； Transportation Engineering, Central South University, Changsha 410083, China ； School of Engineering ； Materials Science, Queen Mary University of London, London E1 4NS, UK ； College of Automation, Central South University, Changsha, 410083, China ； Aerospace Engineering, University of Strathclyde, Glasgow G1 1XQ, UK ； Department of Computer Science, University of Exeter, Exeter EX4 4QJ, UK ； Department of Aerospace Engineering, Universidad de Sevilla, Camino de los Descubrimientos s.n., Sevilla, 41092, Spain ； Department of Electronics ； ERATOSTHENES Centre of Excellence, Limassol, 3012, Cyprus ； Department of Civil Engineering ； Geomatics, Cyprus University of Technology, Limassol, 3036, Cyprus ； Department of Computer Science ； Engineering, College of Engineering, Qatar University, Doha, 2713, Qatar ； Department of Aerospace Engineering, Korea Advanced Institute of Science ； School of Management, Hefei University of Technology, Hefei, 230009, China ； Key Laboratory of Collaborative Intelligence Systems, Ministry of Education, Xidian University, Xi’an 710071, China ； School of Astronautics, Beihang University, 102206 Beijing, China ； Advanced Space Technology Laboratory, College of Astronautics, Nanjing University of Aeronautics ； National Key Laboratory of Aerospace Flight Dynamics, Northwestern Polytechnical University, Xi’an, 710072, China ； State Key Laboratory of Information Engineering in Surveying, Mapping ； Remote Sensing, Wuhan University, Wuhan, 430079, China ； School of Computer Science, China University of Geosciences, Wuhan, 430074, China ； School of Information Science ； Technology, Dalian Maritime University, Dalian, 116026, China ； Department of Electrical \& Computer Engineering, University of Alberta, Edmonton, AB T6R 2V4, Canada ； Planetary Science, California Institute of Technology, CA, USA ； Department of Automation ； Systems Engineering, Federal University of Santa Catarina, Florianopolis, SC, Brazil ； School of Geography, Archaeology ； Environmental Studies, University of the Witwatersrand, Braamfontein, Johannesburg, South Africa
AI总结 本文提出EOS-Bench，通过整合高保真轨道动力学和平台约束，生成1390个场景和13900个基准实例，评估调度方法的系统性和可重复性，涵盖从小型验证案例到1000颗卫星和10000个请求的复杂问题。
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