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

TailorMind: Towards Preference-Aligned Multimodal Content Generation

TailorMind: 面向偏好对齐的多模态内容生成

Hengji Zhou, Ye Liu, Yufeng Liu, Si Wu, Lianghao Xia, Liqiang Nie

机构 * South China University of Technology（华南理工大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） 纠错

AI总结 提出TailorMind框架，通过超图协同过滤和文本梯度下降建模用户偏好，结合检索增强风格控制和跨模态一致性反射，实现无候选池的个性化多模态内容生成，在TailorBench上优于基线。

Comments 18 pages, 13 figures, 6 tables. Code available at https://github.com/iLearn-Lab/TailorMind

Learning Adaptive Dynamical Features via Multi-$τ$ Liquid-Mamba for All-in-one Image Restoration

学习自适应动态特征：用于全能图像恢复的多τ液态Mamba

Hu Gao, Changshuo Wang, Yulong Chen, Lizhuang Ma

机构 * Department of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学与技术系） ； Department of Architecture and Design, Harbin Institute of Technology（哈尔滨工业大学建筑与设计系） 纠错

AI总结 提出Multi-τ Liquid-Mamba模块，通过输入条件多时间尺度液态离散化改进选择性状态空间建模，实现自适应动态特征学习，在全能图像恢复中达到最优性能。

Reinforcement learning to improve large language model-based automated code compliance systems

强化学习改进基于大语言模型的自动化代码合规系统

Jack Wei Lun Shi, Minghao Dang, Wawan Solihin, Leong Hien Poh, Justin K. W. Yeoh

机构 * National University of Singapore（新加坡国立大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； NovaCITYNETS 纠错

AI总结 提出P4IR两阶段框架，先通过监督微调注入领域知识，再用GRPO优化高层代码骨架的准确性，在零样本设置下优于多个领先大语言模型。

Comments 22 pages, 12 figures, 1 table

TF-SNO: Time-Frequency Gated Spectral Neural Operators for Learning Non-Stationary Partial Differential Equations

TF-SNO：用于学习非平稳偏微分方程的时频门控谱神经算子

Yitian Zhou, Chaoning Zhang, Zhenzhen Huang, Haoxuan Yu, Jiaquan Zhang, Yiran Li, Fan Mo, Kuien Liu, Jie Zou, Caiyan Qin, Yang Yang

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（哈尔滨工业大学） 纠错

AI总结 针对非平稳PDE中频谱随时间漂移的问题，提出TF-SNO，通过可学习的时频门控机制使谱响应随状态演化，在不引入显式时间维度下隐式学习时间变化，提升长期预测稳定性。

Comments Accepted by KDD 2026

Non-asymptotic estimates of the minimal risk in statistical learning

统计学习中最小风险的非渐近估计

Liming Wu, Sen Yang

机构 * IASM, Harbin Institute of Technology（哈尔滨工业大学数学研究院） 纠错

AI总结 本文利用经验风险原则，通过非渐近高置信度界估计最小风险的下界和上界，放宽了有界性条件，并证明了置信度与训练参数数和输入维数无关。

Comments 42 pages