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

Efficient Adversarial Training via Criticality-Aware Fine-Tuning

通过临界性感知微调实现高效的对抗训练

Wenyun Li, Zheng Zhang, Dongmei Jiang, Yaowei Wang, Xiangyuan Lan

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

AI总结 本文提出CAAT方法，通过选择性微调关键参数提升对抗鲁棒性，仅需6%的参数调整即可实现与标准对抗训练相当的鲁棒性。

Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs

将外部知识转化为三元组以增强LLM中RAG的检索

Xudong Wang, Chaoning Zhang, Qigan Sun, Zhenzhen Huang, Chang Lu, Sheng Zheng, Zeyu Ma, Caiyan Qin, Yang Yang, Hengtao Shen

机构 * School of Computing, Kyung Hee University（韩国庆熙大学计算机学院） ； 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） ； 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 Robotics and Advanced Manufacture, Harbin Institute of Technology（哈尔滨工业大学机器人与先进制造学院） ； 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 Tri-RAG通过结构化三元组构建提升检索效率，减少冗余信息，提高生成质量与资源利用率。

Comments 12 pages, 5 figures

Relaxing Anchor-Frame Dominance for Mitigating Hallucinations in Video Large Language Models

缓解视频大语言模型幻觉的锚架主导问题

Zijian Liu, Sihan Cao, Pengcheng Zheng, Kuien Liu, Caiyan Qin, Xiaolin Qin, Jiwei Wei, Chaoning Zhang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Institute of Software Chinese Academy of Sciences（中国科学院软件研究所） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Chengdu Institute of Computer Applications, Chinese Academy of Sciences, University of the Chinese Academy of Sciences（中国科学院成都计算机应用研究所，中国科学院大学） 纠错

AI总结 本文提出DTR方法，通过解码器侧时间再平衡缓解视频大语言模型在生成时的时间证据分配不均问题，提升幻觉鲁棒性并保持视频理解性能。

Retrievals Can Be Detrimental: Unveiling the Backdoor Vulnerability of Retrieval-Augmented Diffusion Models

检索可能有害：揭示检索增强扩散模型的后门漏洞

Hao Fang, Xiaohang Sui, Hongyao Yu, Kuofeng Gao, Jiawei Kong, Sijin Yu, Bin Chen, Shu-Tao Xia

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

AI总结 本文揭示了检索增强扩散模型（RDM）的后门漏洞，通过多模态对比攻击方法BadRDM，展示了如何利用检索数据库中的毒害代理进行攻击，同时保持模型的正常功能。

Comments Accepted by ACL-2026

IMU: Influence-guided Machine Unlearning

IMU: 基于影响的机器遗忘

Xindi Fan, Jing Wu, Mingyi Zhou, Pengwei Liang, Mehrtash Harandi, Dinh Phung

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Monash University（墨尔本大学） ； Beihang University（北航大学） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 IMU通过利用影响函数作为优先信号，基于遗忘集进行机器遗忘，提升模型效用并减少对保留知识的扰动。

Fast AI Model Partition for Split Learning over Edge Networks

边缘网络上的快速AI模型划分用于分裂学习

Zuguang Li, Wen Wu, Shaohua Wu, Xuemin, Shen

机构 * School of Electronics and Information Engineering, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳校区电子与信息工程学院） ； Department of Strategic and Advanced Interdisciplinary Research, Pengcheng Laboratory, Shenzhen（鹏城实验室战略与先进交叉学科研究部） ； Department of Electrical and Computer Engineering, University of Waterloo（滑铁卢大学电气与计算机工程系） 纠错

AI总结 本文提出了一种优化模型划分算法，通过将AI模型表示为DAG并转化为最小s-t割问题，以减少分裂学习中的训练延迟，实验表明该方法在运行时间和延迟上优于现有方案。

Comments This version lacks sufficient detail in key technical parts, including the equivalence proof for the s-t cut transformation and the computational complexity analysis (Sections VI-D). We are withdrawing it to prepare a revised, more complete manuscript