The University of Hong Kong（香港大学）

Parameter-Efficient Neuroevolution for Diverse LLM Generation: Quality-Diversity Optimization via Prompt Embedding Evolution

参数高效神经进化用于多样化大语言模型生成：通过提示嵌入进化实现质量-多样性优化

Dongxin Guo, Jikun Wu, Siu Ming Yiu

机构 * The University of Hong Kong（香港大学） ； Stellaris AI Limited（Stellaris AI有限公司） 纠错

AI总结 本文提出QD-LLM框架，通过进化提示嵌入实现参数高效神经进化，提升大语言模型生成质量与多样性，实验显示其在多个基准测试中表现优异。

Comments 11 pages, 3 figures, 7 tables, 1 algorithm, 1 theorem. Accepted to GECCO 2026

EvoPref: Multi-Objective Evolutionary Optimization Discovers Diverse LLM Alignments Beyond Gradient Descent

EvoPref：多目标进化优化发现超越梯度下降的多样化大语言模型对齐

Dongxin Guo, Jikun Wu, Siu Ming Yiu

机构 * The University of Hong Kong（香港大学） ； Stellaris AI Limited（Stellaris AI有限公司） 纠错

AI总结 EvoPref通过多目标进化算法在帮助性、无害性和诚实性目标上优化LoRA适配器，发现比梯度下降更丰富的对齐方式，实验显示其在偏好覆盖和崩溃率上均有显著提升。

Comments 10 pages, 2 figures, 6 tables, 1 algorithm. Accepted to GECCO 2026

SAGA: Workflow-Atomic Scheduling for AI Agent Inference on GPU Clusters

SAGA：面向GPU集群的AI代理推理工作流原子调度

Dongxin Guo, Jikun Wu, Siu Ming Yiu

机构 * The University of Hong Kong（香港大学） ； Brain Investing Limited（脑投有限公司） ； Stellaris AI Limited（Stellaris AI有限公司） 纠错

AI总结 SAGA通过工作流级调度减少任务完成时间1.64倍，提升GPU内存利用率1.22倍，同时在多租户环境下达成99.2%的服务水平目标，但牺牲了30%的峰值吞吐量。

Comments 15 pages, 3 figures, 11 tables. Accepted to HPDC '26 (35th International Symposium on High-Performance Parallel and Distributed Computing), July 13-16, 2026, Cleveland, OH, USA

On-the-Fly Adaptation to Quantization: Configuration-Aware LoRA for Efficient Fine-Tuning of Quantized LLMs

即时适应量化：面向量化大语言模型高效微调的配置感知LoRA

Rongguang Ye, Ming Tang, Edith C. H. Ngai

机构 * Southern University of Science and Technology（南方科技大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 提出CoA-LoRA方法，通过配置感知模型动态调整LoRA适配器以适应任意量化配置，无需重复微调，并设计基于Pareto的配置搜索优化训练集，实现与逐配置微调相当或更优的性能且无额外时间成本。

HEAS: Hierarchical Evolutionary Agent-Based Simulation Framework for Multi-Objective Policy Search

HEAS：面向多目标策略搜索的层次化进化智能体仿真框架

Ruiyu Zhang, Lin Nie, Xin Zhao

机构 * Department of Politics and Public Administration（政治与公共行政系） ； The University of Hong Kong（香港大学） ； Department of Applied Social Sciences（应用社会科学系） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 提出HEAS框架，结合智能体仿真、进化搜索与场景评估，通过“度量契约”统一优化、评估和验证，支持多目标策略搜索。

Comments 6 pages, 2 figures. Python package: https://pypi.org/project/heas/ | Web playground: https://ryzhanghason.github.io/heas/

GAC: Stabilizing Asynchronous RL Training for LLMs via Gradient Alignment Control

GAC: 通过梯度对齐控制稳定大语言模型的异步RL训练

Haofeng Xu, Junwei Su, Yukun Tian, Lansong Diao, Zhengping Qian, Chuan Wu

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） ； Alibaba Group（阿里巴巴集团） ； Southeast University（东南大学） 纠错

AI总结 针对异步策略梯度训练中梯度高余弦相似性导致的训练不稳定问题，提出梯度对齐控制（GAC）方法，通过梯度投影调节陈旧对齐方向，恢复稳定训练并匹配同步基线。

EasyUUV: An LLM-Enhanced Universal and Lightweight Sim-to-Real Reinforcement Learning Framework for UUV Attitude Control

EasyUUV：一种用于UUV姿态控制的LLM增强通用轻量级仿真到现实强化学习框架

Guanwen Xie, Jingzehua Xu, Jiwei Tang, Yubo Huang, Zixi Wang, Shuai Zhang, Dongfang Ma, Juntian Qu, Xiaofan Li

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） ； Department of Mechanical Engineering, The University of Hong Kong（香港大学机械工程系） ； Department of Data and Systems Engineering, The University of Hong Kong（香港大学数据与系统工程系） ； School of Civil Engineering, Southwest Jiaotong University（西南交通大学土木工程学院） ； 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） ； Department of Data Science, New Jersey Institute of Technology（新泽西理工学院数据科学系） ； Ocean College, Zhejiang University（浙江大学海洋学院） 纠错

AI总结 提出EasyUUV框架，结合并行强化学习与混合控制架构，并集成多模态大语言模型自适应调整参数，实现UUV姿态控制的鲁棒性和泛化性，经仿真与实船验证。

Comments 12 pages, 14 figures

Over-the-Air Federated Learning: Rethinking Edge AI Through Signal Processing

空中联邦学习：通过信号处理重新思考边缘AI

Seyed Mohammad Azimi-Abarghouyi, Carlo Fischione, Kaibin Huang

机构 * School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology（皇家理工学院电气工程与计算机科学学院） ； Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电子与电气工程系） 纠错

AI总结 本文从信号处理角度综述空中联邦学习（AirFL），将其分为三类（CSIT感知、盲、加权），并分析其假设、性能折衷、复杂度和部署限制，为无线边缘AI系统提供设计指导。

TIF: Learning Temporal Invariance in Android Malware Detectors

TIF：学习安卓恶意软件检测器的时间不变性

Xinran Zheng, Shuo Yang, Edith C. H. Ngai, Suman Jana, Lorenzo Cavallaro

机构 * University College London（伦敦大学学院） ； The University of Hong Kong（香港大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 针对恶意软件变种和新家族导致的分布漂移，提出时间不变训练框架TIF，通过多代理对比学习和不变梯度对齐学习稳定表征，提升检测器时间鲁棒性。

Comments Manuscript has been accepted by IEEE Transactions on Software Engineering (TSE)

ProMed: Shapley Information Gain Guided Reinforcement Learning for Proactive Medical LLMs

ProMed：基于Shapley信息增益引导的强化学习用于主动式医疗大语言模型

Hongxin Ding, Baixiang Huang, Yue Fang, Weibin Liao, Xinke Jiang, Jinyang Zhang, Yinghao Zhu, Zheng Li, Liantao Ma, Junfeng Zhao, Yasha Wang

机构 * National Engineering Research Center of Software Engineering, Peking University, China（软件工程国家工程研究中心，北京大学，中国） ； School of Computer Science, Peking University, Beijing, China（北京大学计算机学院，北京，中国） ； Key Laboratory of High Confidence Software Technologies, Ministry of Education（教育部高可信软件技术重点实验室） ； Peking University Information Technology Institute, Tianjin Binhai, China（北京大学信息技术研究所，天津滨海，中国） ； School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院） 纠错

AI总结 提出ProMed框架，通过Shapley信息增益奖励引导强化学习，使医疗大语言模型从被动回答转向主动提问，在部分信息医疗基准上平均提升6.29%。

Comments Accepted to ACL 2026 (Main Conference)

S^2VG: 3D Stereoscopic and Spatial Video Generation via Denoising Frame Matrix

S^2VG：基于去噪帧矩阵的3D立体与空间视频生成

Peng Dai, Feitong Tan, Qiangeng Xu, Yihua Huang, David Futschik, Ruofei Du, Sean Fanello, Yinda Zhang, Xiaojuan Qi

机构 * Department of Electrical and Electronic Engineering at The University of Hong Kong（香港大学电子与电气工程系） ； Google（谷歌） 纠错

AI总结 提出一种无需姿态和训练的方法，利用现成单目视频生成模型，通过深度图扭曲和帧矩阵修复框架，生成时空一致的3D立体与空间视频。

Comments immersive video generation, 4D scene, spatial video, stereo video

Measuring Human Contribution in AI-Assisted Content Generation

衡量AI辅助内容生成中的人类贡献

Yueqi Xie, Tao Qi, Jingwei Yi, Xiyuan Yang, Ryan Whalen, Junming Huang, Qian Ding, Yu Xie, Xing Xie, Fangzhao Wu

机构 * Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Hong Kong（香港大学） ； Microsoft Research Asia（微软亚洲研究院） ； Peking University（北京大学） 纠错

AI总结 针对AI辅助内容生成中人类贡献度难以量化的问题，提出基于信息论的框架，通过互信息与自信息之比计算人类信息贡献比例，实验证明能有效区分不同创意领域的人类贡献程度。

Maintain Plasticity in Long-timescale Continual Test-time Adaptation

长时间尺度连续测试时自适应中的可塑性保持

Yanshuo Wang, Xuesong Li, Jinguang Tong, Jie Hong, Jun Lan, Weiqiang Wang, Huijia Zhu, Haoxing Chen

机构 * Australian National University（澳大利亚国立大学） ； Tiansuan Lab, Ant Group（蚂蚁集团天算实验室） ； Data61-CSIRO ； The University of Hong Kong（香港大学） 纠错

AI总结 针对连续测试时域自适应中模型可塑性随时间下降的问题，提出基于标签翻转变化的自适应收缩-恢复策略，通过自适应间隔权重重初始化保持可塑性，在多个基准上取得优异性能。

Comments Newest version at arXiv:2602.06328