The University of Hong Kong（香港大学）

ACT: Anti-Crosstalk Learning for Cross-Sectional Stock Ranking via Temporal Disentanglement and Structural Purification

ACT：通过时间解耦和结构净化进行交叉截面股票排名的抗串扰学习

Juntao Li, Liang Zhang

机构 * School of Computing and Data Science, University of Hong Kong（香港大学计算与数据科学学院） ； Thrust of Financial Technology, Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）金融科技研究所） 纠错

AI总结 本文提出ACT框架，通过时间解耦和结构净化解决交叉截面股票排名中的串扰问题，提升排名准确性和投资组合表现。

Comments 15 pages

EgoSelf: From Memory to Personalized Egocentric Assistant

EgoSelf：从记忆到个性化第一人称助手

Yanshuo Wang, Yuan Xu, Xuesong Li, Jie Hong, Yizhou Wang, Chang Wen Chen, Wentao Zhu

机构 * Eastern Institute of Technology（东部技术研究所） ； Hong Kong Polytechnic University（香港理工大学） ； Peking University（北京大学） ； Commonwealth Scientific and Industrial Research Organization（澳大利亚联邦科学与工业研究组织） ； University of Hong Kong（香港大学） 纠错

AI总结 EgoSelf通过构建基于图的交互记忆和个性化学习任务，实现个性化第一人称助手，有效整合长期用户数据以提升服务效果。

Unlock the Potential of Large Language Models for Predictive Tabular Tasks in Data Science with Table-Specific Pretraining

解锁大型语言模型在数据科学中预测表格任务的潜力：通过表格特定预训练

Yazheng Yang, Yuqi Wang, Yaxuan Li, Sankalok Sen, Lei Li, Lin Qiu, Qi Liu

机构 * Department of Computer Science, The University of Hong Kong（香港大学计算机科学系） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） ； Department of Information Systems and Management Engineering, Southern University of Science and Technology（南方科技大学信息 systems 和管理工程系） 纠错

AI总结 本文通过表格特定预训练方法提升LLM在表格预测任务中的表现，验证了定制化训练对提升表格智能的有效性。

Comments 10 pages; Accepted by TKDE

OMIBench: Benchmarking Olympiad-Level Multi-Image Reasoning in Large Vision-Language Model

OMIBench：用于大型视觉-语言模型在奥林匹克级多图像推理中的基准测试

Qiguang Chen, Chengyu Luan, Jiajun Wu, Qiming Yu, Yi Yang, Yizhuo Li, Jingqi Tong, Xiachong Feng, Libo Qin, Wanxiang Che

机构 * Research Center for Social Computing and Interactive Robotics（社会计算与交互机器人研究室） ； Harbin Institute of Technology（哈尔滨工业大学） ； Central South University（中南大学） ； Fudan University（复旦大学） ； The University of Hong Kong（香港大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Text Computing and Cognitive Intelligence Ministry of Education Engineering Research Center（教育部文本计算与认知智能工程研究中心） ； Guizhou University（贵州大学） 纠错

AI总结 OMIBench旨在评估多图像推理能力，包含生物、化学、数学和物理奥林匹克问题，提供精确和语义答案匹配的评估协议，实验显示现有模型性能存在显著差距。

Comments ACL 2026 Camera Ready

Efficient Transceiver Design for Aerial Image Transmission and Large-scale Scene Reconstruction

高效空中图像传输与大规模场景重建的收发器设计

Zeyi Ren, Jialin Dong, Wei Zuo, Yikun Wang, Bingyang Cheng, Sheng Zhou, Zhisheng Niu

机构 * Department of Electronic Engineering, Tsinghua University, Beijing, China（清华大学电子工程系） ； Department of Electrical and Computer Engineering, The University of Hong Kong, Hong Kong（香港大学电子与计算机工程系） 纠错

AI总结 本文提出一种基于深度学习的端到端收发器设计，整合3D高斯点划法提升场景恢复质量，通过稀疏导频方案降低传输开销，实现实时高效的大规模场景重建。

Comments 6 pages, 6 figures, Accepted in ISIT 2026 IEEE International Symposium on Information Theory-w

Occupancy Reward Shaping: Improving Credit Assignment for Offline Goal-Conditioned Reinforcement Learning

占用奖励塑造：改进离线目标导向强化学习中的信用分配

Aravind Venugopal, Jiayu Chen, Xudong Wu, Chongyi Zheng, Benjamin Eysenbach, Jeff Schneider

机构 * Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学） ； INFIFORCE Intelligent Technology（INFIFORCE智能技术） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出占用奖励塑造方法，通过提取世界模型中的时间信息，改进稀疏奖励下的信用分配问题，在13种长周期运动和操作任务中提升了2.2倍性能。

Comments ICLR 2026

Towards Initialization-dependent and Non-vacuous Generalization Bounds for Overparameterized Shallow Neural Networks

面向初始化依赖和非空的泛化界限的过参数化浅层神经网络

Yunwen Lei, Yufeng Xie

机构 * Department of Mathematics, The University of Hong Kong（香港大学数学系） 纠错

AI总结 本文研究了过参数化浅层神经网络的初始化依赖和非空泛化界限，提出基于路径范数的初始化距离复杂度界限，并通过实验验证其有效性。

Composition-RL: Compose Your Verifiable Prompts for Reinforcement Learning of Large Language Models

Composition-RL：为大型语言模型的强化学习编纂可验证提示

Xin Xu, Clive Bai, Kai Yang, Tianhao Chen, Yangkun Chen, Weijie Liu, Hao Chen, Yang Wang, Saiyong Yang, Can Yang

机构 * The Hong Kong University of Science（香港科学与技术大学） ； HY, Tencent（HY，腾讯） ； The University of Hong Kong（香港大学） 纠错

AI总结 Composition-RL通过自动组合多个问题生成新可验证问题，提升有限提示的利用效率，实验表明其能提升推理能力并支持跨领域强化学习。