The University of Hong Kong（香港大学）

Offline Reinforcement Learning for Rotation Profile Control in Tokamaks

托卡马克旋转剖面控制的离线强化学习

Rohit Sonker, Hiro Josep Farre Kaga, Jiayu Chen, Andrew Rothstein, Ian Char, Ricardo Shousha, Egemen Kolemen, Jeff Schneider

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Princeton University（普林斯顿大学） ； Princeton Plasma Physics Lab（普林斯顿等离子物理实验室） ； The University of Hong Kong（香港大学） ； Lila Sciences 纠错

AI总结 针对托卡马克等离子体旋转剖面控制难题，提出基于历史数据的离线强化学习方法，利用概率模型生成轨迹训练策略，并在DIII-D托卡马克上验证了有效性。

Multi-SPIN: Multi-Access Speculative Inference for Cooperative Token Generation at the Edge

Multi-SPIN：面向边缘协作令牌生成的多接入推测推理

Haotian Zheng, Zhanwei Wang, Mingyao Cui, Chang Cai, Hongyang Du, Kaibin Huang

机构 * Department of Electrical and Computer Engineering, The University of Hong Kong（香港大学电子与计算机工程系） 纠错

AI总结 提出多接入推测推理（Multi-SPIN）架构，通过联合优化草案长度控制和带宽分配，在异构边缘系统中最大化令牌总吞吐量。

CUA-Gym: Scaling Verifiable Training Environments and Tasks for Computer-Use Agents

CUA-Gym：为计算机使用智能体扩展可验证的训练环境和任务

Bowen Wang, Dunjie Lu, Junli Wang, Tianyi Bai, Shixuan Liu, Zhipeng Zhang, Haiquan Wang, Hao Hu, Tianbao Xie, Shuai Bai, Dayiheng Liu, Que Shen, Junyang Lin, Tao Yu

机构 * The University of Hong Kong（香港大学） ； Qwen Team, Alibaba Inc.（阿里巴巴集团Qwen团队） ； University of California, San Diego（加州大学圣地亚哥分校） ； Tsinghua University（清华大学） 纠错

AI总结 提出CUA-Gym可扩展流水线，通过协同生成任务指令、环境状态和奖励函数，构建大规模可验证强化学习训练数据，并合成CUA-Gym-Hub模拟网络应用环境，训练出的智能体在OSWorld-Verified和WebArena上取得领先性能。

Capacity-Controlled Global Attention for Graph Transformers

具有容量控制的全局注意力用于图变换器

Yang Liu, Dongxin Guo, Tom Zheng, Siu Ming Yiu, Liam Ning, Jikun Wu

机构 * Brain Investing Limited ； The University of Hong Kong（香港大学） ； Stellaris AI Limited 纠错

AI总结 本文提出SigGate-GT，通过在图变换器中引入可学习的sigmoid门来缓解全局注意力的保守约束，从而解决过平滑、低秩瓶颈和训练不稳定等问题，提升了多个基准测试的性能。

Comments 13 pages, 2 figures, 15 tables

Disentangled Feature Importance

解耦特征重要性

Jin-Hong Du, Kathryn Roeder, Larry Wasserman

机构 * Department of Statistics and Actuarial Science, The University of Hong Kong, Hong Kong SAR, China（香港大学统计与精算科学系） ； Musketeers Foundation Institute of Data Science, The University of Hong Kong, Hong Kong SAR, China（香港大学数据科学穆斯克特基金会研究所） ； Department of Statistics and Data Science, Carnegie Mellon University, Pittsburgh, PA 15213, USA（卡内基梅隆大学统计与数据科学系） ； Computational Biology Department, Carnegie Mellon University, Pittsburgh, PA 15213, USA（卡内基梅隆大学计算生物学系） ； Machine Learning Department, Carnegie Mellon University, Pittsburgh, PA 15213, USA（卡内基梅隆大学机器学习系） 纠错

AI总结 本文提出解耦特征重要性（DFI），用于解释相关测量通道中的预测信号分配，通过独立潜在表示和熵最优传输几何计算特征重要性，实现稳定且可解释的归因。

Comments 29 main and 44 supplementary pages

Toward Scalable Co-located Practical Learning: Assisting with Computer Vision and Multimodal Analytics

迈向可扩展的协同实践学习：协助计算机视觉和多模态分析

Xinyu Li, Linxuan Zhao, Yueqiao Jin, Yuchen Liu, Jin Zhou, Roberto Martinez-Maldonado, Dragan Gasevic, Lixiang Yan

机构 * Centre for Learning Analytics at Monash（墨尔本大学学习分析中心） ； Monash University（墨尔本大学） ； Department of Civil and Environmental Engineering（土木与环境工程系） ； School of Education（教育学院） ； The University of Hong Kong（香港大学） 纠错

AI总结 本研究评估了固定摄像头管道在重复护理模拟中的效果，通过多阶段源到目标适应提升行为检测精度，并利用行为轨迹分析提升模拟 debriefing 的可检索性。

Discovering Expert-Level Nash Equilibrium Algorithms with Large Language Models

利用大型语言模型发现专家级纳什均衡算法

Hanyu Li, Dongchen Li, Xiaotie Deng

机构 * CFCS, School of Computer Science, Peking University, Beijing, China（计算机科学系，北京大学，北京，中国） ； School of Computing and Data Science, The University of Hong Kong, Pokfulam, Hong Kong（计算与数据科学学院，香港大学，薄扶林，香港） 纠错

AI总结 提出LegoNE框架，将专家证明策略编码为符号语言，自动验证算法的最坏情况保证，结合推理型LLM重新发现并改进了多人博弈的近似纳什均衡算法。

Comments accepted by Nature Communications

Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook

时间序列与时空数据的大模型：综述与展望

Ming Jin, Yaxuan Kong, Yuxuan Liang, Chaoli Zhang, Siqiao Xue, Xue Wang, James Zhang, Yi Wang, Haifeng Chen, Xiaoli Li, Vincent S. Tseng, Yu Zheng, Lei Chen, Hui Xiong, Shirui Pan, Qingsong Wen

机构 * Griffith University（格里菲斯大学） ； University of Oxford（牛津大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Zhejiang Normal University（浙江师范大学） ； Ant Group（蚂蚁集团） ； Alibaba Group（阿里巴巴集团） ； Deloitte Service LLP（德勤服务有限责任公司） ； The University of Hong Kong（香港大学） ； NEC Laboratories America（NEC美国实验室） ； A*STAR ； National Yang Ming Chiao Tung University（阳明交通大学） ； JD Technology（京东科技） ； Squirrel Ai Learning 纠错

AI总结 综述了面向时间序列和时空数据的大模型，按数据类型、模型类别、范围和应用领域分类，总结了通用与领域专用模型，并整理了相关资源与开放问题。

Comments Accepted by ACM Computing Surveys; 35 Pages; Github Repo: https://github.com/qingsongedu/Awesome-TimeSeries-SpatioTemporal-LM-LLM

Rein3D: Reinforced 3D Indoor Scene Generation with Panoramic Video Diffusion Models

Rein3D: 基于全景视频扩散模型的强化3D室内场景生成

Dehui Wang, Rong Wei, Yue Shi, Congsheng Xu, Shoufa Chen, Dingxiang Luo, Tianshuo Yang, Xiaokang Yang, Wei Sui, Yusen Qin, Rui Tang, Yao Mu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Manycore Tech Inc.（Manycore科技公司） ； D-Robotics ； The University of Hong Kong（香港大学） 纠错

AI总结 提出Rein3D框架，结合3D高斯泼溅与视频扩散模型，通过“恢复-细化”范式从稀疏输入生成全局一致的360度室内场景，并构建PanoV2V-15K数据集，显著提升长距离相机探索效果。

Attention Sink in Transformers: A Survey on Utilization, Interpretation, and Mitigation

Transformer中的注意力汇聚：利用、解释与缓解综述

Zunhai Su, Hengyuan Zhang, Wei Wu, Yifan Zhang, Yaxiu Liu, He Xiao, Qingyao Yang, Yuxuan Sun, Rui Yang, Chao Zhang, Jing Xiong, Hui Shen, Keyu Fan, Weihao Ye, Chaofan Tao, Taiqiang Wu, Zhongwei Wan, Tiantian Zhang, Bowen Yan, Zhen Li, Yiming Zhang, Congkai Xie, Yulei Qian, Yuchen Xie, Yik-Chung Wu, Hongxia Yang, Ngai Wong

机构 * Tsinghua University（清华大学） ； Meituan LongCat Team（美团LongCat团队） ； The University of Hong Kong（香港大学） ； University of Michigan（密歇根大学） ； Xiamen University（厦门大学） ； The Ohio State University（俄亥俄州立大学） ； Columbia University（哥伦比亚大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 本文首次系统综述Transformer中的注意力汇聚现象，从基础利用、机制解释和策略缓解三个维度梳理研究现状，为未来研究提供指导。

Training for Technology: Adoption and Productive Use of Generative AI in Legal Analysis

技术培训：法律分析中生成式人工智能的采纳与生产性使用

Benjamin M. Chen, Hong Bao

机构 * University of Hong Kong Faculty of Law（香港大学法学院） 纠错

AI总结 通过随机实验发现，未经培训的法学学生使用大语言模型反而降低表现，而简短培训能显著提升采纳率和成绩，表明生成式AI的生产力需要培训支持。

LLM-Augmented Digital Twin for Policy Evaluation in Short-Video Platforms

LLM增强的数字孪生用于短视频平台策略评估

Haoting Zhang, Yunduan Lin, Jinghai He, Denglin Jiang, Zuo-Jun Shen, Zeyu Zheng

机构 * University of California, Berkeley（加州大学伯克利分校） ； The Chinese University of Hong Kong（香港中文大学） ； New York University（纽约大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 提出一种LLM增强的四模块数字孪生架构（用户、内容、交互、平台），通过事件驱动执行层和可插拔策略组件，支持在闭环动态下对平台策略（含AI策略）进行可复现的仿真评估。