Fudan University（复旦大学）

EchoGen: Cycle-Consistent Learning for Unified Layout-Image Generation and Understanding

EchoGen：基于循环一致性的统一布局-图像生成与理解学习

Kai Zou, Hongbo Liu, Dian Zheng, Jianxiong Gao, Zhiwei Zhao, Bin Liu

机构 * School of Cyber Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学与技术学院） ； Tongji University（同济大学） ； Sun Yat-sen University（中山大学） ； Fudan University（复旦大学） ； Hefei University of Technology（合肥工业大学） ； Anhui Province Key Laboratory of Digital Security（安徽省数字安全重点实验室） 纠错

AI总结 本文提出EchoGen框架，通过统一模型联合训练布局到图像生成和图像定位任务，提升生成图像的布局准确性与文本描述一致性，同时增强图像定位的鲁棒性。

Comments 9 pages, Accepted at the 40th AAAI Conference on Artificial Intelligence (AAAI 2026)

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(16), 2026

Learning Goal-Oriented Vision-and-Language Navigation with Self-Improving Demonstrations at Scale

基于大规模自改进演示的目标导向视觉-语言导航学习

Songze Li, Zun Wang, Gengze Zhou, Jialu Li, Xiangyu Zeng, Ziyang Gong, Limin Wang, Yu Qiao, Qi Wu, Mohit Bansal, Yi Wang

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Fudan University（复旦大学） ； The University of Adelaide（阿德莱德大学） ； Nanjing University（南京大学） ； Shanghai Jiaotong University（上海交通大学） 纠错

AI总结 本文提出SID方法，通过自改进演示提升导航能力，实现高效探索和泛化，显著提升导航性能，达到新状态的SOTA水平。

Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey

边缘-云协同计算在分布式智能与模型优化中的应用：综述

Jing Liu, Yao Du, Kun Yang, Jiaqi Wu, Yan Wang, Xiping Hu, Zehua Wang, Yang Liu, Peng Sun, Azzedine Boukerche, Victor C. M. Leung

机构 * Division of Natural and Applied Sciences, Duke Kunshan University（杜克-昆山大学自然科学与应用科学系） ； Department of Electrical and Computer Engineering, The University of British Columbia（不列颠哥伦比亚大学电气与计算机工程系） ； College of Future Information Technology, Fudan University（复旦大学未来信息科技学院） ； Ant Group（蚂蚁集团） ； College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院） 纠错

AI总结 本文综述了边缘-云协同计算在分布式智能与模型优化中的应用，探讨了核心架构、技术及挑战，包括模型压缩、适应与神经网络架构搜索，以及AI驱动的资源管理策略，同时分析了隐私保护、安全增强及实际部署案例。

Comments Accepted by IEEE ComST. 45 pages, 13 figures, 10 tables

Variational Kernel Design for Internal Noise: Gaussian Chaos Noise, Representation Compatibility, and Reliable Deep Learning

变分核设计用于内部噪声：高斯混沌噪声、表示兼容性与可靠的深度学习

Ziran Liu

机构 * Shanghai Institute for Mathematics and Interdisciplinary Sciences (SIMIS)（上海数学与交叉科学研究院） ； Research Institute of Intelligent Complex Systems, Fudan University（复旦大学智能复杂系统研究所） 纠错

AI总结 本文通过变分核设计框架探讨内部噪声的几何相关性及与表示的兼容性，提出高斯混沌噪声并验证其在图像识别任务中的有效性。

Comments 37 pages

Beyond Short-Horizon: VQ-Memory for Robust Long-Horizon Manipulation in Non-Markovian Simulation Benchmarks

超越短时间 horizon：VQ-记忆用于非马尔可夫仿真基准中的鲁棒长时间 manipulation

Honghui Wang, Zhi Jing, Jicong Ao, Shiji Song, Xuelong Li, Gao Huang, Chenjia Bai

机构 * Tsinghua University（清华大学） ； Fudan University（复旦大学） ； Institute of Artificial Intelligence (TeleAI)（人工智能研究院（TeleAI）） 纠错

AI总结 本文提出 RuleSafe 基准，通过 LLM 辅助仿真框架构建非马尔可夫任务，引入 VQ-Memory 以提升长时间规划和泛化能力。

Comments 9 pages

TxSum: User-Centered Ethereum Transaction Understanding with Micro-Level Semantic Grounding

TxSum: 基于微粒语义锚定的用户导向以太坊交易理解

Zifan Peng, Jingyi Zheng, Yule Liu, Huaiyu Jia, Qiming Ye, Jingyu Liu, Xufeng Yang, Mingchen Li, Qingyuan Gong, Xuechao Wang, Xinlei He

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Wuhan University（武汉大学） ； University of North Texas（北卡罗来纳州立大学） ； Fudan University（复旦大学） 纠错

AI总结 本文提出TxSum任务，通过构建187个复杂以太坊交易数据集，引入MATEX框架提升交易解释质量，使用户对复杂交易的理解率从52.9%提升至76.5%，恶意交易拒绝率提升至88%。