高校专区
DRIFT: 解耦的轨迹采样与重要性加权微调以实现高效的多轮优化
机构 * The Hong Kong University of Science（香港科学与技术大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 针对多轮交互中在线强化学习成本高而离线监督微调存在分布偏移的问题，提出DRIFT框架，通过将KL正则化强化学习目标等价转化为重要性加权监督学习，实现高效且稳定的多轮优化。
面向AI-RAN的实用跨频段信道预测：基于物理引导的深度展开
机构 * Department of Information Engineering, The Chinese University of Hong Kong, Hong Kong SAR, China（香港大学信息工程系）
AI总结 提出GUIDE框架，通过将无线信道物理嵌入可微层，实现跨频段信道预测的泛化与实时推理，在未见环境中波束赋形增益比深度学习基线FIRE高2.75倍，比模型基线R2F2高1.39倍且速度快1610倍以上。
Comments 2 pages
组合合成：通过原子分解与重组扩展代码RLVR
机构 * Chinese Information Processing Laboratory, Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所信息处理实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Lero the Research Ireland Centre for Software, University of Limerick（利默尼克大学爱尔兰软件研究中心） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 提出原子分解与重组（ADR）框架，通过将代码任务分解为原子元素并受控重组，生成新颖且具有挑战性的可验证代码任务，以解决RLVR训练数据稀缺和扩展性问题，实验表明在多个下游领域显著提升代码能力。
Comments Work in progress
UniRTL：统一代码和图以实现稳健的RTL表示学习
机构 * Department of Computer Science and Engineering, The Chinese University of Hong Kong, Hong Kong SAR（计算机科学与工程系，香港中文大学，香港特别行政区） ； Noah's Ark Lab, Huawei, Hong Kong SAR（华为诺亚实验室，香港特别行政区）
AI总结 提出UniRTL多模态预训练框架，通过互掩码建模和分层训练策略联合利用RTL代码与控制数据流图，实现细粒度对齐，在性能预测和代码检索任务上优于现有方法。
Comments Forty-Third International Conference on Machine Learning (ICML 2026)
语音理解的统一可复现实验框架
机构 * X-LANCE Lab, Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系X-LANCE实验室） ； MoE Key Lab of Artificial Intelligence（人工智能MOE重点实验室） ； Jiangsu Key Lab of Language Computing（江苏省语言计算重点实验室） ； AISpeech Ltd（AISpeech有限公司） ； ETH Zürich（苏黎世联邦理工学院） ； Nanjing University（南京大学） ； Hangzhou Dianzi University（杭州电子科技大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 提出SURE框架，通过标准化预测格式、归一化和评分，以及代理辅助的训练转换流程，提高语音理解模型在部署场景下的可比性和可复现性。
Comments This paper is submitted to INTERSPEECH 2026
UniScale: 通过模型路由和测试时扩展的在线联合优化实现自适应统一推理扩展
机构 * School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） ； Shenzhen Research Institute of Big Data, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）大数据研究院） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） ； College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院） ； Department of Computer Science and Engineering, Chinese University of Hong Kong（香港中文大学计算机科学与工程系）
AI总结 提出UniScale框架，将模型路由和测试时扩展统一为上下文多臂老虎机问题，通过LinUCB在线学习推理策略，实现细粒度且更优的质量-成本权衡。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
注释并非全部所需：面向无监督时间语句定位的跨模态知识迁移网络
机构 * Hubei Key Laboratory of Distributed System Security（湖北分布式系统安全重点实验室） ； Hubei Engineering Research Center on Big Data Security（湖北大数据安全工程研究中心） ； School of Cyber Science and Engineering（网络安全学院） ； Huazhong University of Science and Technology（华中科技大学） ； Peking University（北京大学） ； Henan University（河南大学） ； The Chinese University of Hong Kong（香港中文大学） ； Guangzhou University（广州大学） ； Protagolabs Inc.（Protagolabs公司）
AI总结 提出跨模态知识迁移网络，通过从图像-名词和视频-动词任务中迁移实体感知和事件感知知识，实现无监督时间语句定位，无需配对视频-查询标注。
Comments Published in Findings of EMNLP 2023
战略提供者响应下的策略即代码搜索中的医疗机制
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Tongji University（同济大学）
AI总结 将医疗机制设计转化为语言模型的程序合成，通过多智能体模拟器Medi-Sim评估策略提供者响应下的均衡，并利用LLM引导的进化代码搜索合成可检查的混合目标程序。
Comments 32 pages, 18 figures, 4 tables
ELAN4D：以具身为中心的4D监督用于视觉-语言-动作模型的即插即用适配
机构 * Torr Vision Group, University of Oxford（托尔视觉组，牛津大学） ； The Chinese University of Hong Kong, Shenzhen（香港大学（深圳）） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） ； University College London（伦敦大学学院） ； University of Cambridge（剑桥大学）
AI总结 提出ELAN4D框架，通过未来机器人关键点轨迹作为预测性时空监督，以即插即用方式增强VLA策略的鲁棒性和泛化能力。
多目标优化中梯度聚合的统一框架
机构 * Cheriton School of Computer Science（切尔顿计算机科学学院） ； University of Waterloo（滑铁卢大学） ； Vector Institute（向量研究所） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 提出一个统一框架，通过充分对齐条件建立梯度聚合方法的收敛率，并引入基于CVaR的capped MGDA算法，在对抗联邦学习中验证鲁棒性。
Draft-OPD：用于推测草稿模型的在线策略蒸馏
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong（香港中文大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学）
AI总结 针对推测解码中草稿模型因离线训练与在线推理不匹配导致性能瓶颈的问题，提出Draft-OPD方法，通过目标辅助展开和重放验证暴露的错误位置实现在线策略蒸馏，在多种任务上实现超过5倍的无损加速。
X-GS：基于3D高斯溅射的感知与思考可扩展框架
机构 * The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； Shanghai Academy of AI for Science（上海人工智能科学研究院）
AI总结 提出X-GS框架，包含感知器和思考器，统一多种3DGS技术实现实时在线SLAM与语义蒸馏，并支持多模态模型完成下游任务。
CHOIR: 接触感知的4D手物交互重建
机构 * The Chinese University of Hong Kong（香港中文大学） ； University College London（伦敦大学学院） ； University College London, Adobe Research（伦敦大学学院，Adobe研究）
AI总结 提出CHOIR框架，利用接触作为显式耦合信号，从单目视频中重建手物交互的4D序列，包括手部运动、物体形状与6D姿态以及接触信息，显著提升了物体重建、物理合理性和时间一致性。
PlanningBench: 生成可扩展且可验证的规划数据以评估和训练大型语言模型
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院 Gallagher 学校） ； LLM Department, Hunyuan Team, Tencent（腾讯 Hunyuan 团队 LLM 部门） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 提出PlanningBench框架，通过约束驱动合成管道生成可扩展、多样化且可验证的规划数据，用于评估和训练LLMs，并验证其在提升规划能力上的有效性。
SEMA-RAG: 面向医学推理的自演化多智能体检索增强生成框架
机构 * CSE, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系） ； Wuhan University of Technology（武汉理工大学）
AI总结 针对医学问答中单轮静态检索与临床推理多阶段过程不匹配的问题，提出SEMA-RAG框架，通过任务解耦和动态多轮探索，由三个专业智能体分别负责临床解释、自演化检索和证据裁决，在多个基准上平均提升准确率6.46个百分点。
Comments Accepted to Findings of ACL 2026
SpectralTrain：一种通用的高光谱图像分类框架
机构 * School of Medical Information, Wannan Medical University（皖南医学院信息学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； The Chinese University of Hong Kong（香港中文大学） ； Northeastern University（东北大学）
AI总结 提出SpectralTrain通用训练框架，通过课程学习与基于PCA的光谱下采样提升高光谱图像分类效率，在多个数据集上实现2-7倍训练加速且精度损失小。
自回归视觉生成需要一个序幕
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； hi-Lab, Xiaohongshu Inc（小红书实验室）
AI总结 提出Prologue方法，通过生成前置的序幕令牌来弥合自回归图像生成中的重建-生成差距，在不影响重建质量的前提下显著提升生成性能。
Comments Code: https://github.com/Zyriix/prologue Demo: https://huggingface.co/spaces/Zyriix/prologue-demo
学习在非形式定理证明中进行洞察推理
机构 * City University of Hong Kong（香港城市大学） ； Tsinghua University（清华大学） ； Ke Holdings Inc.（Ke控股公司） ； Shenzhen University of Advanced Technology（深圳先进技术大学） ； Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 针对非形式定理证明中缺乏洞察（识别核心技巧）的瓶颈，提出统一训练框架DeepInsight，通过分层数据集、渐进式多阶段SFT和基于洞察的策略优化方法，显著提升大语言模型的数学推理能力。
MASPOB: 基于图神经网络的多智能体系统提示优化方法
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； South China University of Technology（华南理工大学） ； Ritsumeikan University（立命馆大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
AI总结 提出基于赌博机的样本高效框架MASPOB，利用UCB平衡探索与利用、GNN捕获拓扑先验、坐标上升分解优化，解决多智能体系统提示优化中的样本效率、拓扑耦合和组合爆炸问题。
Comments ICML 2026 Spotlight
拉取请求作为仓库级代码编辑的训练信号
机构 * King's College London, UK（伦敦国王学院） ； Chinese University of Hong Kong, HK（香港中文大学） ； National University of Singapore, SG（新加坡国立大学） ； Microsoft Research Asia, CN（微软亚洲研究院） ； The Alan Turing Institute, UK（艾伦·图灵研究所）
AI总结 提出Clean-PR方法，利用真实GitHub拉取请求作为训练信号，通过重建和验证转换为搜索/替换编辑块，结合无代理对齐的监督微调，在SWE-bench上显著提升仓库级代码编辑性能。
Comments Accepted at ICML 2026
从内部诊断到外部审计：一种VLM驱动的数据自由在线后门防御范式
机构 * The Chinese University of Hong Kong, Hong Kong（香港中文大学） ； Sun Yat-sen University, China（中山大学） ； Zhejiang University, China（浙江大学）
AI总结 提出一种从内部诊断到外部语义审计的范式转变，利用通用视觉语言模型（VLM）作为外部语义门控，通过PRISM框架（原型精炼与统计监控检查）实现数据自由的在线后门防御，在17个数据集和11种攻击类型上达到最先进性能。
Comments 25 pages, 10 figures, 19 tables. To appear in the Proceedings of the 43 rd International Conference on Machine Learning (ICML '26)
动作分块中的视野混合
机构 * Renmin University of China（中国人民大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 针对视觉-语言-动作模型中动作分块长度（视野）的权衡问题，提出混合视野策略，通过并行处理不同视野的动作片段并融合输出，同时提升长期预见与短期精度，实现性能与泛化性的改进。
Comments Accepted at ICML 2026
HERMES: 迈向高效且可验证的LLM数学推理
机构 * Department of Computer Science \& Engineering, The Chinese University of Hong Kong ； Huawei Foundation Model Department
AI总结 提出Hermes框架，通过将非正式推理与Lean形式化验证交替结合，并引入中间形式化检查和记忆模块，在提升推理准确性的同时显著降低计算成本。
UniMedVL: 通过观察-知识-分析统一医学多模态理解与生成
机构 * Shanghai Artificial Intelligence Laboratory ； Shanghai Innovation Institute ； Shanghai Jiao Tong University ； Shanghai Institute of Optics ； Fudan University ； University of Cambridge ； Monash University ； DAMO Academy, Alibaba Group ； Imperial College London ； The University of Hong Kong ； The Hong Kong University of Science ； Hupan Lab ； The Chinese University of Hong Kong
AI总结 提出首个统一医学模型UniMedVL，通过渐进式训练流水线融合多模态理解与生成能力，并在8种影像模态的5.6M实例数据集上验证其性能。
Comments This submission has been converted to the ICML template
测试时的自反生成
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Nanyang Technological University（南洋理工大学） ； University of Edinburgh（爱丁堡大学） ； City University of Hong Kong（香港城市大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 提出SRGen框架，通过动态熵阈值识别高不确定性token并训练校正向量，在测试时进行自反生成以纠正概率分布，提升大模型推理的可靠性。
超越令牌：通过结构图学习增强RTL质量估计
机构 * Department of Computer Science and Engineering, The Chinese University of Hong Kong, Hong Kong SAR（香港中文大学计算机科学与工程系） ； Noah's Ark Lab, Huawei, Hong Kong SAR（华为诺亚实验室）
AI总结 提出StructRTL框架，利用控制数据流图的结构语义和自监督学习，结合知识蒸馏，显著提升寄存器传输级设计质量估计的准确性。
Comments Forty-Third International Conference on Machine Learning (ICML 2026)
通过推理时提示-噪声优化保障文本到图像生成
机构 * University of Minnesota（明尼苏达大学） ； Cisco Research（思科研究） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 提出一种无需训练的推理时优化方法（PNO），通过联合优化连续提示嵌入和注入噪声轨迹，抑制不安全图像生成，达到最先进性能并抵抗对抗攻击。
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