Harbin Institute of Technology（哈尔滨工业大学）

Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data

考虑权重的自解释聚类用于混合类型表格数据

Lehao Li, Qiang Huang, Yihao Ang, Bryan Kian Hsiang Low, Anthony K. H. Tung, Xiaokui Xiao

机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； School of Intelligence Science and Engineering, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）智能科学与工程学院） 纠错

AI总结 本文提出WISE框架，通过二进制编码与填充对齐异构特征，结合LOFO策略和两阶段加权聚类，提升混合类型表格数据的聚类质量和可解释性。

EpiBench: Benchmarking Multi-turn Research Workflows for Multimodal Agents

EpiBench：多轮研究工作流的多模态代理基准测试

Xuan Dong, Huanyang Zheng, Tianhao Niu, Zhe Han, Pengzhan Li, Bofei Liu, Zhengyang Liu, Guancheng Li, Qingfu Zhu, Wanxiang Che

机构 * Harbin Institute of Technology（哈尔滨工业大学） 纠错

AI总结 EpiBench通过多轮多模态任务评估代理在文献检索、证据整合和跨论文比较中的能力，揭示现有基准在多证据整合和持续证据使用方面的不足。

CoEnv: Driving Embodied Multi-Agent Collaboration via Compositional Environment

CoEnv：通过组合环境驱动具身体验多智能体协作

Li Kang, Yutao Fan, Rui Li, Heng Zhou, Yiran Qin, Zhemeng Zhang, Songtao Huang, Xiufeng Song, Zaibin Zhang, Bruno N. Y. Chen, Zhenfei Yin, Dongzhan Zhou, Wangmeng Zuo, Lei Bai

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Harbin Institute of Technology（哈尔滨工业大学） ； University of Science and Technology of China（中国科学技术大学） ； CUHK-Shenzhen（香港中文大学（深圳）） ； Fudan University（复旦大学） ； Dalian University of Technology（大连理工大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出CoEnv框架，通过模拟与现实结合的组合环境，实现多智能体协作的高效执行与安全部署，提升任务成功率和效率。

Comments 31 pages, 8 figures, including supplementary material. Project page: https://faceong.github.io/CoEnv/

Reason Analogically via Cross-domain Prior Knowledge: An Empirical Study of Cross-domain Knowledge Transfer for In-Context Learning

通过跨领域先验知识进行类比推理：一项跨领域知识转移用于上下文学习的实证研究

Le Liu, Zhiming Li, Jianzhi Yan, Zike Yuan, Shiwei Chen, Youcheng Pan, Buzhou Tang, Qingcai Chen, Yang Xiang, Danny Dongning Sun

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Pengcheng Laboratory（鹏城实验室） 纠错

AI总结 本文通过实证研究验证了跨领域知识转移在上下文学习中的可行性，发现通过检索跨领域示例可提升推理性能，且示例吸收阈值后正向转移更明显。

Towards Effective In-context Cross-domain Knowledge Transfer via Domain-invariant-neurons-based Retrieval

通过领域不变神经元的检索实现有效的跨领域知识转移

Jianzhi Yan, Zhiming Li, Le Liu, Zike Yuan, Shiwei Chen, Youcheng Pan, Buzhou Tang, Yang Xiang, Danny Dongning Sun

机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Pengcheng Laboratory, Shenzhen, China（鹏城实验室） 纠错

AI总结 本文提出领域不变神经元检索方法，用于提升大语言模型在跨领域推理中的性能，实验表明方法在数学和逻辑推理迁移中平均提升1.8。

Comments ACL 2026 Findings

RCP: Representation Consistency Pruner for Mitigating Distribution Shift in Large Vision-Language Models

RCP：一种用于缓解大视觉-语言模型中分布偏移的表示一致性剪枝方法

Jianwei Zhang, Chaoning Zhang, Sihan Cao, Wang Liu, Pengcheng Zheng, Jiaxin Huang, Caiyan Qin, Yalan Ye, Wei Dong, Yang Yang

机构 * School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； Machine Learning Department, Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学机器学习系） ； School of Robotics and Advanced Manufacture, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）机器人与先进制造学院） 纠错

AI总结 本文提出RCP框架，通过累积视觉token剪枝与延迟修复机制，有效缓解大视觉-语言模型中的分布偏移问题，实验表明可剪除高达88.9%的视觉token并减少85.7%的FLOPs，同时保持较低的精度损失。

TDA-RC: Task-Driven Alignment for Knowledge-Based Reasoning Chains in Large Language Models

TDA-RC：基于任务驱动的知识推理链对齐方法

Jiaquan Zhang, Qigan Sun, Chaoning Zhang, Xudong Wang, Zhenzhen Huang, Yitian Zhou, Pengcheng Zheng, Chi-lok Andy Tai, Sung-Ho Bae, Zeyu Ma, Caiyan Qin, Jinyu Guo, Yang Yang, Hengtao Shen

机构 * School of Information and Software Engineering, University of Electronic Science and Technology of China（电子科技大学信息与软件工程学院） ； School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； College of Professional and Continuing Education, The Hong Kong Polytechnic University（香港理工大学专业及持续教育学院） ； School of Robotics and Advanced Manufacture, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）机电工程与自动化学院） ； School of Computing, Kyung Hee University（庆熙大学计算机学院） ； School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） 纠错

AI总结 本文提出TDA-RC方法，通过拓扑学优化提升大语言模型推理效率与准确性，结合持久同调将不同推理范式统一到拓扑空间中，实现高效且精准的推理链优化。

Comments 14 pages, 4 figures

MotionAdapter: Video Motion Transfer via Content-Aware Attention Customization

MotionAdapter: 通过内容感知注意力定制实现视频动作迁移

Zhexin Zhang, Yangyang Xu, Yifeng Zhu, Long Chen, Yong Du, Shengfeng He, Jun Yu

机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； The Hong Kong University of Science and Technology（香港科技大学） ； Ocean University of China（中国海洋大学） ； Singapore Management University（新加坡管理大学） 纠错

AI总结 本文提出MotionAdapter框架，通过解耦动作与外观并自适应定制动作，实现DiT视频扩散模型中的稳健动作迁移，实验表明其在质量和定量评估中优于现有方法，支持复杂动作迁移与编辑。

STAR: Learning Diverse Robot Skill Abstractions through Rotation-Augmented Vector Quantization

STAR：通过旋转增强的向量量化学习多样化的机器人技能抽象

Hao Li, Qi Lv, Rui Shao, Xiang Deng, Yinchuan Li, Jianye Hao, Liqiang Nie

机构 * School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）计算机科学与技术学院） ； Huawei Noah's Ark Lab（华为诺亚方舟实验室） 纠错

AI总结 STAR通过旋转增强的向量量化和因果技能变压器，提升机器人技能学习与组合，实现复杂行为完成，在LIBERO基准和现实任务中表现优越。

Comments Accepted by ICML 2025 Spotlight

Journal ref Proceedings of the 42st International Conference on Machine Learning, PMLR 267, 2025