Self-Normalized Martingales and Uniform Regret Bounds for Linear Regression
自归一化martingale与线性回归的统一后悔界
机构 * MIT（麻省理工学院） ； University of Hong Kong（香港大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 研究自归一化martingale的统一后悔界，证明一维情况下可得O(log T)界，而高维情况下无法获得统一界，解决了一个开放性问题。
高校专区
The University of Hong Kong（香港大学）
VAnim: Rendering-Aware Sparse State Modeling for Structure-Preserving Vector Animation
VAnim：基于渲染的稀疏状态建模用于结构保持的向量动画
机构 * School of Software, Beihang University, Beijing, China（北京航空航天大学软件学院） ； Department of Computer Science, The University of Hong Kong, Hong Kong, China（香港大学计算机科学系） ； College of Computer Science and Technology, Zhejiang University, Hangzhou, China（浙江大学计算机科学与技术学院）
AI总结 VAnim提出了一种基于LLM的框架，通过稀疏状态更新和渲染感知强化学习，实现结构保持的向量动画生成，优于现有方法。
Comments Accepted to ICML 2026. Project page: https://yukinonooo.github.io/VAnimProject
Generalized Category Discovery under Domain Shifts: From Vision to Vision-Language Models
在域偏移下进行广义类别发现：从视觉模型到视觉-语言模型
机构 * School of Computing and Data Science, The University of Hong Kong（计算与数据科学学院，香港大学）
AI总结 本文研究在域偏移下的广义类别发现问题，提出三种适应基础模型的框架，从自监督视觉模型到视觉-语言模型，通过多级特征提取和互信息最小化等方法提升性能。
Comments Submission to TPAMI
Strips as Tokens: Artist Mesh Generation with Native UV Segmentation
strip作为标记：基于原生UV分割的艺术家网格生成
机构 * The University of Hong Kong, Deemos Technology Co., Ltd. Equal contribution. ‡ Project lead. † Corresponding authors. China ； The University of Hong Kong, Deemos Technology Co., Ltd. China ； ShanghaiTech University, Deemos Technology Co., Ltd. China ； Shandong University China ； The University of Hong Kong China ； ShanghaiTech University China ； Texas A\&M University USA ； The University of Hong Kong, Deemos Technology Co., Ltd. ； ShanghaiTech University, Deemos Technology Co., Ltd. ； Shandong University ； The University of Hong Kong ； ShanghaiTech University ； Texas A\&M University
AI总结 本文提出SATO框架，通过三角 strip启发的标记顺序策略，生成高质量网格并提升UV分割效果，优于现有方法。
Comments ACM Transactions on Graphics. SIGGRAPH 2026
EngiBench: A Benchmark for Evaluating Large Language Models on Engineering Problem Solving
EngiBench：用于评估大型语言模型在工程问题解决上的基准
机构 * Nanyang Technological University（南洋理工大学） ； The University of Sydney（悉尼大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院） ； The University of Hong Kong（香港大学） ； Hong Kong Polytechnic University（香港理工大学） ； AIRS
AI总结 EngiBench是一个分层基准，用于评估大型语言模型在解决工程问题上的能力，涵盖基础知识检索、情境推理和开放性建模三个层次，揭示当前LLM在现实工程中仍缺乏高级推理能力。
Comments Accepted at ACL 2026 Findings
