The University of Hong Kong（香港大学）

Stochastic Gradient Descent with Momentum is Algorithmically Stable

带动量的随机梯度下降具有算法稳定性

Yunwen Lei, Zimeng Wang, Xiaoming Yuan

机构 * Department of Mathematics, The University of Hong Kong（香港大学数学系） ； Department of Mathematics and Mathematical Statistics, Umeå University（乌梅大学数学与统计学系） 纠错

AI总结 本文通过算法稳定性分析，证明了带动量的随机梯度下降（SGDM）在光滑凸问题上具有泛化保证，并建立了最优的过界总体风险界。

Learning Theory of the SVRG: Generalization and Convergence Analysis

SVRG的学习理论：泛化与收敛性分析

Yunwen Lei, Zimeng Wang, Xiaoming Yuan

机构 * Department of Mathematics, The University of Hong Kong（香港大学数学系） ； Department of Mathematics and Mathematical Statistics, Umeå University（乌梅大学数学与统计学系） 纠错

AI总结 本文通过算法稳定性分析，首次为非凸和强凸设置下的SVRG方法建立了非平凡的泛化界，揭示了优化与泛化之间的相互作用，并得到了最优的过量风险界。

Routing-Aligned Fine-Tuning for Multilingual Downstream Tasks in Mixture-of-Experts Models

面向混合专家模型中多语言下游任务的路由对齐微调

Guanzhi Deng, Kuan Wu, Haibo Wang, Shing Yin Wong, Sichun Luo, Linqi Song

机构 * City University of Hong Kong（香港城市大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 针对混合专家模型在多语言下游任务中的路由结构异构问题，提出RA-MoE三阶段框架，通过中间层语言通用对齐区识别任务相关专家，并引入路由对齐损失增强目标语言路由，实验表明该方法优于标准微调和强基线。

HO-SFL: Hybrid-Order Split Federated Learning with Backprop-Free Clients and Dimension-Free Aggregation

HO-SFL: 混合阶分割联邦学习，无反向传播客户端与维度无关聚合

Qiyuan Chen, Xian Wu, Yi Wang, Xianhao Chen

机构 * Department of Electrical and Computer Engineering, The University of Hong Kong, Hong Kong SAR, China（电子与计算机工程系，香港大学，香港特别行政区，中国） 纠错

AI总结 提出HO-SFL框架，通过拉格朗日框架重构分割学习，服务器执行一阶更新而客户端进行零阶优化，实现无反向传播客户端、维度无关聚合，理论证明收敛速度与一阶方法相当，实验验证通信和内存成本显著降低。

Comments Accepted to ICML 2026

Auditing medical multi-agent AI reveals risks of false consensus

审计医疗多智能体AI揭示虚假共识风险

Yinghao Zhu, Lei Gu, Zixiang Wang, Haoran Sang, Dehao Sui, Wen Tang, Lan Mi, Yasha Wang, Junyi Gao, Liang Yao, Tianfan Fu, Ewen Harrison, Lequan Yu, Liantao Ma

机构 * National Engineering Research Center for Software Engineering, Peking University（北京大学软件工程国家工程研究中心） ； School of Computing and Data Science, The University of Hong Kong（香港大学计算机与数据科学学院） ； Department of Nephrology, Peking University Third Hospital（北京大学第三医院肾内科） ； Key Laboratory of Carcinogenesis and Translational Research (Ministry of Education), Department of Lymphoma, Peking University Cancer Hospital & Institute（教育部癌症发生与转化研究重点实验室、北京大学肿瘤医院淋巴瘤科） ； Department of Automation, Tsinghua University（清华大学自动化系） ； Centre for Medical Informatics, The University of Edinburgh（爱丁堡大学医学信息学中心） ； Health Data Research UK（英国健康数据研究机构） ； Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李科贤医学院） ； State Key Laboratory for Novel Software Technology, School of Computer Science, Nanjing University（南京大学新型软件技术国家重点实验室、计算机科学学院） 纠错

AI总结 本研究提出MedAgentAudit框架，通过专家验证的审计流程诊断医疗多智能体系统中的协作失败模式，发现虚假共识、权威偏差等系统性风险。

Comments Code and Data: https://github.com/MedX-PKU/MedAgentAudit

Causal Machine Learning: A Survey and Open Problems

因果机器学习：综述与开放问题

Jean Kaddour, Aengus Lynch, Qi Liu, Matt J. Kusner, Ricardo Silva

机构 * AI Centre, Department of Computer Science, UCL（人工智能中心，计算机科学系，伦敦大学学院） ； Department of Computer Science, University of Hong Kong（计算机科学系，香港大学） ； AI Centre, Department of Statistical Science, UCL（人工智能中心，统计科学系，伦敦大学学院） 纠错

AI总结 本文综述了因果机器学习（CausalML）的五个主要研究方向（因果监督学习、因果生成建模、因果解释、因果公平性和因果强化学习），系统比较了各方向的方法，指出了开放问题，并讨论了在计算机视觉、自然语言处理和图表征学习中的应用。

Comments v03. Work in progress. Feedback and comments are highly appreciated!