The Chinese University of Hong Kong（香港中文大学）

CoDoL: Conditional Domain Prompt Learning for Out-of-Distribution Generalization

CoDoL：用于分布外泛化的条件域提示学习

Min Zhang, Yuyin Wang, Zhongxiang Dai, Zhikang Chen, Jie Zhou, Miao Liu, Sen Cui

机构 * East China Normal University（东华师范大学） ； Xidian University（西安电子科技大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； The University of Oxford（牛津大学） ； Tsinghua University（清华大学） 纠错

AI总结 针对基于提示的CLIP方法存在的文本描述不准确、视觉语言嵌入对齐有限问题，提出CoDoL方法，利用域信息形成提示，还提出DMN生成输入条件令牌，实验验证其在分布外泛化的有效性。

Comments Accepted to TMLR 2026

Convergence of Stochastic Gradient Methods for Wide Two-Layer Physics-Informed Neural Networks for the Poisson Equation

用于泊松方程的宽两层物理信息神经网络的随机梯度方法的收敛性

Bangti Jin, Longjun Wu

机构 * Department of Mathematics, The Chinese University of Hong Kong, Shatin, N.T., Hong Kong, P.R. China（香港中文大学（深圳）数学系） 纠错

AI总结 研究求解泊松方程的过参数化两层物理信息神经网络，建立随机梯度下降/流的线性收敛性，扩展现有梯度下降分析结果，为随机算法训练物理信息神经网络提供保障。

Comments 32 pages, 2 figures, to appear at "Neural Networks"

Purify then Guide: Rethinking Domain Generalization for Multimodal Face Anti-Spoofing

净化然后引导：重新思考多模态人脸反欺骗的领域泛化

Yingjie Ma, Xun Lin, Zitong Yu, Haonan Wang, Ruixin Zhang, Shouhong Ding, Xin Liu, Xiaochen Yuan, Weicheng Xie, Linlin Shen

机构 * College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院） ； School of Computing and Information Technology, Great Bay University（大湾区大学计算与信息科技学院） ； Dongguan Key Laboratory for Intelligence and Information Technology（东莞智能与信息处理重点实验室） ； Guangdong Provincial Key Laboratory of Intelligent Information Processing, Shenzhen University（广东省智能信息处理重点实验室） ； Tencent Youtu Lab（腾讯优图实验室） ； School of Psychology, Shanghai Jiao Tong University（上海交通大学心理学院） ； Faculty of Applied Sciences, Macao Polytechnic University（澳门理工学院应用科学学院） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 研究多模态人脸反欺骗中领域泛化问题，提出MMDA框架，利用CLIP零样本泛化能力，通过去噪和对齐机制提升跨模态对齐泛化性能，含多个模块及策略，实验表明优于现有方法。

Comments Accepted by ECCV 2026

Is Your Benchmark Still Useful? Dynamic Benchmarking for Code Language Models

你的基准仍然有用吗？代码语言模型的动态基准测试

Batu Guan, Xiao Wu, Yuanyuan Yuan, Shaohua Li

机构 * The Chinese University of Hong Kong（香港中文大学） ； Huazhong University of Science and Technology（华中科技大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 研究模型评估中如何在模型训练可能已见过基准的情况下保持其有用性，提出动态基准测试框架，通过语义保留突变变换输入构建新基准，评估发现模型性能变差、排名变化及能抵抗数据污染问题。

Comments 15 pages, 7 figures

Learning rate adaptive stochastic gradient descent optimization methods: numerical simulations for deep learning methods for partial differential equations and convergence analyses

学习率自适应随机梯度下降优化方法：用于偏微分方程深度学习方法的数值模拟与收敛性分析

Steffen Dereich, Arnulf Jentzen, Adrian Riekert

机构 * School of Data Science and Shenzhen Research Institute of Big Data, The Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen)（数据科学学院和深圳大数据研究院，香港中文大学（深圳）） 纠错

AI总结 提出学习率自适应的SGD方法，基于目标函数值的经验估计调整学习率，给出Adam优化器变体并用于多个机器学习问题，结果表明其能更快降低目标函数值，还证明特定二次最小化问题中自适应SGD变体收敛到全局最小值。

Comments 65 pages, 8 figures. To appear in Communications in Computational Physics (CiCP)

ExFusion: Efficient Transformer Training via Multi-Experts Fusion

ExFusion：通过多专家融合实现高效的Transformer训练

Jiacheng Ruan, Daize Dong, Xiaoye Qu, Tong Zhu, Ting Liu, Yuzhuo Fu, Yu Cheng, Suncheng Xiang

机构 * School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Huazhong University of Science and Technology（华中科技大学） ； Soochow University（苏州大学） ； Chinese University of Hong Kong（香港中文大学） ； School of Biomedical Engineering, Shanghai Jiao Tong University（上海交通大学生物医学工程学院） 纠错

AI总结 ExFusion通过多专家融合提升Transformer训练效率，在保持性能的同时降低计算成本。

Comments Accepted by IEEE TMM2026

SemanticAudio: Audio Generation and Editing in Semantic Space

SemanticAudio: 语义空间中的音频生成与编辑

Zheqi Dai, Guangyan Zhang, Haolin He, Xiquan Li, Jingyu Li, Chunyat Wu, Yiwen Guo, Qiuqiang Kong

机构 * The Chinese University of Hong Kong（香港中文大学） ； LIGHTSPEED ； Shanghai Jiao Tong University（上海交通大学） ； Independent Researcher（独立研究者） 纠错

AI总结 提出SemanticAudio框架，通过两阶段流匹配架构在高级语义空间中进行音频生成和编辑，实现更好的语义对齐和无训练文本引导编辑。

Divide and Conquer: Decoupled Representation Alignment for Multimodal World Models

分而治之：多模态世界模型的解耦表示对齐

Junyuan Xiao, Dingkang Liang, Xin Zhou, Yixuan Ye, Tongtong Su, Guangmo Yi, Bin Xia, Qiang Lyu, Shurui Shi, Jun Huang, Jianlou Si, Wenming Yang

机构 * Tsinghua University（清华大学） ； Huazhong University of Science and Technology（华中科技大学） ； CSU（中南大学） ； ZJU（浙江大学） ； CUHK（香港中文大学） ； UCAS（中国科学院大学） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 提出M²-REPA方法，通过解耦扩散模型中间表示中的模态特定特征并与对应的专家基础模型对齐，实现多模态视频生成中多种基础模型先验的充分利用，显著提升视觉质量和长期一致性。

Comments Accepted to ECCV 2026

Knowdit: Agentic Smart Contract Vulnerability Detection with Auditing Knowledge Summarization

Knowdit: 基于审计知识摘要的智能合约漏洞检测框架

Ziqiao Kong, Wanxu Xia, Chong Wang, Yue Xue, Yi Lu, Pan Li, Shaohua Li, Zong Cao, Yang Liu

机构 * Nanyang Technological University（南洋理工大学） ； National Superior College for Engineers, Beihang University（北京航空航天大学高等工程学院） ； Bitslab ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 Knowdit利用审计知识摘要和多智能体框架，通过迭代循环检测智能合约漏洞，有效识别高和中严重性漏洞，优于现有基线方法。

Comments Revised with GPT-5.4

Controllable Diffusion-Based Lesion Inpainting for Scalable Histopathology Data Augmentation

基于可控扩散的病灶修复用于可扩展的组织病理学数据增强

Mohamad Koohi-Moghadam, Mohammad-Ali Nikouei Mahani, Rex K. H. Au-Yeung, Raymond Yu O, Monalyn Marabi, Piyapharom Intarawichian, Fabian Z. X. Lean, Andrew Ferguson, Kyongtae Tyler Bae

机构 * Department of Diagnostic Radiology, Li Ka Shing Faculty of Medicine, The University of Hong Kong（香港大学李嘉诚医学院诊断放射学系） ； Department of Pathology, Li Ka Shing Faculty of Medicine, The University of Hong Kong（香港大学李嘉诚医学院病理学系） ； Department of Anatomical and Cellular Pathology, Prince of Wales Hospital, The Chinese University of Hong Kong（香港中文大学威尔斯亲王医院解剖及细胞病理学系） ； Department of Infectious Diseases and Public Health, Jockey Club College of Veterinary Medicine and Life Sciences, City University of Hong Kong（香港城市大学赛马会动物医学及生命科学院传染病及公共卫生学系） ； CityU Veterinary Diagnostic Laboratory Co., Ltd., City University of Hong Kong（香港城市大学城市大学兽医诊断实验室有限公司） 纠错

AI总结 提出PathoGen扩散模型，将病灶可控地修复到良性组织图像中，生成高保真形态，在四个数据集上优于基线，病理专家区分真假仅略高于随机（57.75%），数据增强使分割Dice提升最高0.18。

Comments 19 pages, 5 figures, 1 Table

End-to-End Training for Autoregressive Video Diffusion via Self-Resampling

通过自重采样实现自回归视频扩散的端到端训练

Yuwei Guo, Ceyuan Yang, Hao He, Yang Zhao, Meng Wei, Zhenheng Yang, Weilin Huang, Dahua Lin

机构 * The Chinese University of Hong Kong（香港中文大学） ； ByteDance Seed（字节跳动Seed） ； ByteDance（字节跳动） 纠错

AI总结 提出自回归视频扩散模型的端到端训练框架Resampling Forcing，通过自重采样模拟推理错误，结合稀疏因果掩码和动态历史路由，实现长视频生成的时间一致性。

Comments Project Page: https://guoyww.github.io/projects/resampling-forcing/

VisReason: A Large-Scale Dataset for Visual Chain-of-Thought Reasoning

VisReason: 面向视觉思维链推理的大规模数据集

Lingxiao Li, Yifan Wang, Xinyan Gao, Chen Tang, Xiangyu Yue, Chenyu You

机构 * Stony Brook University（石溪大学） ； Boston University（波士顿大学） ； MMLab, The Chinese University of Hong Kong（香港中文大学多媒体实验室） 纠错

AI总结 为解决多模态大模型缺乏大规模视觉思维链数据的问题，构建包含48.9万样本的VisReason数据集及专家级子集VisReason-Pro，通过微调Qwen2.5-VL模型显著提升逐步视觉推理准确性与泛化能力。

Comments ECCV Camera Ready, project page: https://y-research-sbu.github.io/VisReason/

AR-CoPO: Align Autoregressive Video Generation with Contrastive Policy Optimization

AR-CoPO: 利用对比策略优化对齐自回归视频生成

Dailan He, Guanlin Feng, Xingtong Ge, Yi Zhang, Bingqi Ma, Guanglu Song, Yu Liu, Hongsheng Li

机构 * CUHK MMLab（香港中文大学多媒体实验室） ； Vivix Group Limited（Vivix集团有限公司） ； HKUST（香港科技大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； CPII under InnoHK（InnoHK下的CPII） 纠错

AI总结 提出AR-CoPO框架，通过分叉机制构建邻域候选、分块级对齐和半在线训练策略，解决流式自回归视频生成中RLHF对齐难题，提升跨域泛化与人类偏好对齐。

Comments ECCV 2026

Enhancing Graph Representations with Neighborhood-Contextualized Message-Passing

增强图表示：邻域上下文化的消息传递

Brian Godwin Lim, Galvin Brice Lim, Renzo Roel Tan, Irwin King, Kazushi Ikeda

机构 * Nara Institute of Science and Technology（奈良先端科学技术大学院大学） ； Kyoto University（京都大学） ； Ateneo de Manila University（马尼拉雅典耀大学） ； UNI-President Information Philippines Corporation（统一信息菲律宾公司） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 提出邻域上下文化消息传递（NCMP）框架，通过整合多集邻域上下文增强GNN表达能力，并实例化为SINC-GCN，在保持高效的同时显著提升性能。

Comments Published in Transactions on Machine Learning Research

Journal ref Transactions on Machine Learning Research. (2026)

Let Language Constrain Geometry: Vision-Language Models as Semantic and Spatial Critics for 3D Generation

让语言约束几何：视觉-语言模型作为3D生成的语义和空间评判者

Weimin Bai, Yubo Li, Weijian Luo, Zeqiang Lai, Yequan Wang, Wenzheng Chen, He Sun

机构 * Peking University（北京大学） ； hi-lab, Xiaohongshu Inc.（小红书科技公司 hi-lab） ； MMLab, CUHK（香港中文大学 MMLab） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

AI总结 提出VLM3D框架，利用视觉-语言模型作为可微分的语义和空间评判者，通过双查询评判信号改善文本到3D生成的语义对齐和几何一致性。

Comments arXiv admin note: substantial text overlap with arXiv:2509.15772

Deep Neural Networks Inspired by Differential Equations

受微分方程启发的深度神经网络

Yongshuai Liu, Lianfang Wang, Kuilin Qin, Qinghua Zhang, Faqiang Wang, Li Cui, Jun Liu, Yuping Duan, Tieyong Zeng

机构 * School of Mathematical Sciences, Beijing Normal University（北京师范大学数学科学学院） ； Department of Mathematics, The Chinese University of Hong Kong（香港中文大学数学系） 纠错

AI总结 本文综述了基于微分方程的深度神经网络架构与动态建模方法，包括常微分方程和随机微分方程驱动的模型，旨在提升可解释性与泛化能力。

Comments 35 Pages, 3 figures

MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models

MedPruner: 面向高效3D医学图像理解的免训练层次化令牌剪枝框架

Shengyuan Liu, Zanting Ye, Yunrui Lin, Chen Hu, Wanting Geng, Xu Han, Bulat Ibragimov, Yefeng Zheng, Yixuan Yuan

机构 * Chinese University of Hong Kong（香港中文大学） ； Westlake University（西湖大学） ； Southern Medical University（南方医科大学） ； Jiangnan University（江南大学） ； Dalian University of Technology（大连理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Copenhagen（哥本哈根大学） 纠错

AI总结 提出MedPruner，一种免训练、模型无关的层次化令牌剪枝框架，通过帧间锚点过滤和动态信息核选择，在保留不到5%视觉令牌时保持甚至提升模型性能，显著降低计算开销。

Comments 11 pages

Circular Quasiconformal Deturbulence: Geometry-Based Restoration from Multiple Turbulent Frames

圆形拟共形去湍流：基于几何的多湍流帧图像恢复

Chu Chen, Han Zhang, Lok Ming Lui

机构 * Department of Mathematics, City University of Hong Kong（香港城市大学数学系） ； Hong Kong Centre for Cerebro-Cardiovascular Health Engineering（香港脑心血管健康工程中心） ； Department of Mathematics, Chinese University of Hong Kong（香港中文大学数学系） 纠错

AI总结 提出圆形拟共形去湍流（CQCD）框架，利用圆形架构联合估计前向与后向变换，结合拟共形几何保证双射变形，实现无监督多帧湍流图像恢复，在合成和真实数据集上优于现有方法。

Journal ref Neurocomputing (2026): 134277

SymphoMotion: Joint Control of Camera Motion and Object Dynamics for Coherent Video Generation

SymphoMotion：相机运动与物体动态的联合控制以实现一致的视频生成

Guiyu Zhang, Yabo Chen, Xunzhi Xiang, Junchao Huang, Zhongyu Wang, Li Jiang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shanghai Jiaotong University（上海交通大学） ； Nanjing University（南京大学） ； Beihang University（北京航空航天大学） 纠错

AI总结 SymphoMotion通过联合控制相机运动和物体动态，提高视频生成的一致性和表达性，其核心方法结合了相机轨迹控制与物体动态控制机制，并引入了RealCOD-25K数据集进行大规模训练和评估，显著提升了视觉保真度和物体运动准确性。

Comments CVPR 2026

VolSplat: Rethinking Feed-Forward 3D Gaussian Splatting with Voxel-Aligned Prediction

VolSplat: 重新思考基于体素对齐预测的前馈式3D高斯泼溅

Weijie Wang, Yeqing Chen, Zeyu Zhang, Hengyu Liu, Haoxiao Wang, Zhiyuan Feng, Wenkang Qin, Feng Chen, Jia-Wang Bian, Zheng Zhu, Donny Y. Chen, Bohan Zhuang

机构 * Zhejiang University（浙江大学） ； GigaAI ； University of Electronic Science and Technology of China（电子科技大学） ； The Chinese University of Hong Kong（香港中文大学） ； Tsinghua University（清华大学） ； The University of Adelaide（阿德莱德大学） ； Nanyang Technological University（南洋理工大学） ； Monash University（莫纳什大学） 纠错

AI总结 针对前馈式3D高斯泼溅中像素对齐预测的局限性，提出体素对齐的VolSplat方法，通过从预测的3D体素网格直接预测高斯，实现鲁棒的多视图一致性和更优的几何与渲染质量。

Comments ECCV 2026, Project Page: https://lhmd.top/volsplat, Code: https://github.com/ziplab/VolSplat

Articulat3D: Reconstructing Articulated Digital Twins From Monocular Videos with Geometric and Motion Constraints

Articulat3D: 从单目视频中利用几何和运动约束重建关节式数字孪生

Lijun Guo, Haoyu Zhao, Xingyue Zhao, Rong Fu, Linghao Zhuang, Siteng Huang, Zhongyu Li, Hua Zou

机构 * Wuhan University（武汉大学） ； Hong Kong Embodied AI Lab（香港具身AI实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Peking Union Medical College（北京协和医学院） ； University of Macau（澳门大学） ； Zhejiang University（浙江大学） 纠错

AI总结 提出Articulat3D框架，通过运动先验初始化和几何运动约束优化，从单目视频重建高保真关节式数字孪生，在合成和真实数据上达到最优性能。

Comments Accepted to ECCV 2026. 26 pages, 12 figures

Streaming-dLLM: Accelerating Diffusion LLMs via Suffix Pruning and Dynamic Decoding

Streaming-dLLM: 通过后缀剪枝和动态解码加速扩散大语言模型

Zhongyu Xiao, Zhiwei Hao, Jianyuan Guo, Yong Luo, Jia Liu, Jie Xu, Han Hu

机构 * School of information（信息学院） ； Electronics, Beijing Institute of Technology, Beijing（电子学院，北京理工大学，北京） ； Department of Computer Science, City University of Hong Kong, Hong Kong（计算机科学系，香港城市大学，香港） ； School of Computer Science, Wuhan University, Wuhan（计算机科学学院，武汉大学，武汉） ； School of Economics（经济学院） ； Management, Communication University of China, Beijing（管理学院，中国传媒大学，北京） ； School of Science（科学学院） ； Engineering, The Chinese University of Hong Kong (Shenzhen), Shenzhen（工程学院，香港中文大学（深圳），深圳） 纠错

AI总结 提出Streaming-dLLM，通过空间上的注意力引导后缀建模剪枝冗余掩码令牌和时间上的动态置信度感知早停策略，实现无需训练的扩散大语言模型推理加速，最高达68.2倍加速且保持生成质量。

Comments Tech report. Code is available at https://github.com/xiaoshideta/Streaming-dLLM

Towards Understanding The Calibration Benefits of Sharpness-Aware Minimization

理解锐度感知最小化的校准优势

Chengli Tan, Yubo Zhou, Haishan Ye, Guang Dai, Junmin Liu, Zengjie Song, Jiangshe Zhang, Zixiang Zhao, Yunda Hao, Yong Xu

机构 * Northwestern Polytechnical University（西北工业大学） ； SGIT AI Lab, State Grid Corporation of China（国网SGIT人工智能实验室） ； Xi’an Jiaotong University（西安交通大学） ； ETH Zürich（苏黎世联邦理工学院） ； Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本文通过理论分析揭示锐度感知最小化（SAM）通过隐式最大化预测分布熵来改善模型校准，并提出变体CSAM进一步降低校准误差。

Comments ICLR2026

Hybrid Event Frame Sensors: Modeling, Calibration, and Simulation

混合事件帧传感器：建模、标定与仿真

Yunfan Lu, Nico Messikommer, Xiaogang Xu, Liming Chen, Yuhan Chen, Nikola Zubic, Davide Scaramuzza, Hui Xiong

机构 * AI Thrust, HKUST(GZ)（人工智能 thrust，香港科技大学（广州）） ； RPG, University of Zurich（RPG，苏黎世大学） ； CUHK（香港中文大学） ； AlpsenTek（阿尔卑斯电子技术） 纠错

AI总结 提出首个统一统计成像噪声模型，联合描述APS和EVS像素噪声，开发标定流程估计参数，并构建H-ESIM仿真器生成含真实噪声的RAW帧和事件。

Comments 20 pages, 7 figures, ECCV 2026

VISTA: Variance-Gated Inter-Sequence Test-Time Adaptation for Multi-Sequence MRI Segmentation

VISTA: 用于多序列MRI分割的方差门控跨序列测试时间适应

Zhipeng Deng, Jiale Zhou, Wenhan Jiang, Haolin Wang, Xun Lin, Yafei Ou, Yefeng Zheng

机构 * Westlake University（西湖大学） ； Hokkaido University（北海道大学） ； The Chinese University of Hong Kong（香港中文大学） ； RIKEN（理化学研究所） 纠错

AI总结 本文提出VISTA框架，解决多序列MRI分割中模态交互偏移问题，通过设计跨序列干预生成器和跨视图分歧感知伪标签方法，提升模型在临床环境下的适应能力，实验表明在不同群体上性能优于现有方法。

Comments MICCAI2026 early accept

Seeing the Scene Matters: Revealing Forgetting in Video Understanding Models with a Scene-Aware Long-Video Benchmark

看到场景才重要：通过场景感知的长视频基准揭示视频理解模型中的遗忘现象

Seng Nam Chen, Hao Chen, Chenglam Ho, Xinyu Mao, Jinping Wang, Yu Zhang, Chao Li

机构 * CUHK (SZ)（香港中文大学（深圳）） ； University of Cambridge（剑桥大学） ； UESTC（电子科技大学） ； CUHK（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出SceneBench基准，揭示视频理解模型在长场景上下文中的遗忘问题，并提出Scene-RAG方法提升性能2.50%。

Comments Accepted to CVPR 2026 (Highlight)

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026

Non-Adversarial Imitation Learning Provably Free of Compounding Errors: The Value Flow Mechanism

非对抗模仿学习无复合误差的理论保证：价值流机制

Tian Xu, Chenyang Wang, Xiaochen Zhai, Ziniu Li, Yi-Chen Li, Yang Yu

机构 * National Key Laboratory for Novel Software Technology（新型软件技术国家实验室） ； School of Artificial Intelligence, Nanjing University, China（南京大学人工智能学院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Research Institute of Big Data（深圳大数据研究院） 纠错

AI总结 本文证明IQ-Learn等价于行为克隆，存在复合误差，并提出基于Bellman约束的Dual Q-DM方法，通过价值流传播实现非对抗模仿学习，理论上消除复合误差。

Comments Paper accepted by ICML 2026

Controllable Accent Normalization via Discrete Diffusion

通过离散扩散实现可控口音标准化

Qibing Bai, Yuhan Du, Tom Ko, Shuai Wang, Yannan Wang, Haizhou Li

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Nanjing University（南京大学） ； Tencent Ethereal Audio Lab（腾讯虚音频实验室） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

AI总结 提出DLM-AN系统，利用掩蔽离散扩散和自监督语音令牌，通过选择性重用源令牌控制口音强度，结合流匹配时长比预测器调整节奏，实现低词错误率和可解释的口音强度控制。

Comments Accepted to Interspeech 2026 as a long paper

Energy Injection Identification enabled Disaggregation with Deep Multi-Task Learning

基于深度多任务学习的能量注入识别辅助分解

Xudong Wang, Guoming Tang, Junyu Xue, Srinivasan Keshav, Tongxin Li, Chris Ding

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； The Hong Kong University of Science（香港科学大学） ； Southern University of Science（南方科技大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 提出DualNILM框架，通过深度多任务学习同时实现电器状态识别和注入能量识别，解决分布式能源对非侵入式负荷监测的干扰问题。

Comments Accepted to The 17th ACM International Conference on Future and Sustainable Energy Systems (ACM e-Energy 2026)

The Optimal Token Baseline: Variance Reduction for Long-Horizon LLM-RL

最优Token基线：长程LLM-RL的方差缩减

Yingru Li, Jiawei Xu, Ziniu Li, Jiacai Liu, Wei Liu, Yuxuan Tong, Longtao Zheng, Zhenghai Xue, Yaxiang Zhang, Tianle Cai, Ge Zhang, Qian Liu, Baoxiang Wang

机构 * National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Fudan University（复旦大学） ； Hong Kong University of Science（香港科学大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Vector Institute（向量研究所） 纠错

AI总结 针对长程LLM-RL训练中梯度方差爆炸问题，从第一性原理推导最优Token基线，提出仅用前向概率近似梯度范数的Logit-Gradient Proxy，以N=4分组达到N=32性能，减少65%以上Token消耗。