The Hong Kong University of Science and Technology（香港科技大学）

Decision Boundary-aware Generation for Long-tailed Learning

面向长尾学习的决策边界感知生成

Jiacheng Yang, Ruichi Zhang, Chikai Shang, Mengke Li, Xinyi Shang, Junlong Gao, Yonggang Zhang, Yang Lu

机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China（中国教育部多媒体可信感知与高效计算重点实验室） ； Xiamen University（厦门大学） ； College of Computer Science and Software Engineering（计算机科学与软件工程学院） ； Shenzhen University（深圳大学） ； Department of Statistical Science（统计科学系） ； University College London（伦敦大学学院） ； Division of Arts and Machine Creativity（艺术与机器创造力 division） ； Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 本文提出DBG框架，通过生成边界附近样本提升表示学习，缓解长尾数据分布不均问题，提升尾类和整体准确率。

Comments Accepted by CVPR 2026

SixthSense: Task-Agnostic Proprioception-Only Whole-Body Wrench Estimation for Humanoids

SixthSense：面向人类oid的无任务依赖的本体感知-only全身 wrench 估计

Xingzhou Chen, Xiayan Xu, Yan Ning, Jiyu Yu, Yizheng Zhang, Siyi Qian, Lingzhu Xiang, Jiahao Chen, Yuquan Wang, Haodong Zhang, Ling Shi

机构 * The Hong Kong University of Science and Technology（香港理工大学） ； Zhejiang University（浙江大学） ； Tencent Robotics X（腾讯机器人实验室） 纠错

AI总结 本文提出SixthSense，一种基于本体感知和IMU数据的无任务依赖方法，用于估计人类oid的全身接触时间和位置及外部wrench，解决浮动物理动力学和不确定接触位置的难题。

On Stable Long-Form Generation: Benchmarking and Mitigating Length Volatility

关于稳定长形式生成：基准测试与缓解长度波动

Zhitao He, Haolin Yang, Rui Min, Zeyu Qin, Yi R. Fung

机构 * Hong Kong University of Science and Technology（香港理工大学） 纠错

AI总结 本文提出VOLTBench基准测试，通过分析注意力轨迹发现长形式生成中的波动原因，并提出GLoBo方法提升生成稳定性与准确性，实验验证了主流模型的长形式输出不稳定问题。

Lifting Traces to Logic: Programmatic Skill Induction with Neuro-Symbolic Learning for Long-Horizon Agentic Tasks

将轨迹提升到逻辑：基于神经符号学习的程序化技能诱导用于长视界代理任务

Jie-Jing Shao, Haiyan Yin, Yueming Lyu, Xingrui Yu, Lan-Zhe Guo, Ivor Tsang, James Kwok, Yu-Feng Li

机构 * State Key Laboratory of Novel Software Technology, Nanjing University, China（新型软件技术国家重点实验室，南京大学） ； School of Artificial Intelligence, Nanjing University, China（人工智能学院，南京大学） ； School of Intelligence Science and Technology, Nanjing University, China（智能科学与技术学院，南京大学） ； Centre for Frontier AI Research（前沿人工智能研究中心） ； Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore（高性能计算研究所，新加坡科技研究局） ； Department of Computer Science and Engineering, Hong Kong University of Science and Technology, China（香港科学与技术大学计算机科学与工程系） 纠错

AI总结 本文提出NSI框架，通过将交互轨迹提升为模块化逻辑 grounded 程序，使代理能从少量示例中归纳技能并适应新目标，优于现有方法。

Comments ICML 2026

Activation Compression in LLMs: Theoretical Analysis and Efficient Algorithm

LLMs中的激活压缩：理论分析与高效算法

Wen-Da Wei, Han-Bin Fang, Yang-Di Liu, Jiang-Xin Shi, James Kwok, Yu-Feng Li

机构 * Nanjing University（南京大学） ； Tsinghua University（清华大学） ； Huazhong University of Science and Technology（华中科技大学） ； Hong Kong University of Science and Technology（香港科学大学） 纠错

AI总结 本文提出一种激活-梯度联合压缩方法，通过低秩因子压缩线性层梯度，无需额外计算，提升LLM训练效率与压缩性能。

EO-Gym: A Multimodal, Interactive Environment for Earth Observation Agents

EO-Gym: 一种多模态、交互式环境用于地球观测代理

Sai Ma, Zhuang Li, Sichao Li, Xinyue Xu, Ruibiao Zhu, Tony Boston, John A. Taylor

机构 * The Australian National University（澳大利亚国立大学） ； Royal Melbourne Institute of Technology（皇家墨尔本理工学院） ； University of Sydney（悉尼大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

AI总结 EO-Gym通过构建多模态交互环境，解决地球观测分析中不确定性处理问题，提供9078条轨迹和34604步的基准数据，评估10种VLMs显示通用模型在时空和跨模态任务上表现不足。

SRTJ: Self-Evolving Rule-Driven Training-Free LLM Jailbreaking

SRTJ：自演化规则驱动的无训练LLM jailbreaking

Jindong Li, Ying Liu, Yali Fu, Jinjing Zhu, Leyao Wang, Menglin Yang, Rex Ying

机构 * HKUST (GZ)（香港科技大学（广州）） ； Jilin University（吉林大学） ； Yale University（耶鲁大学） 纠错

AI总结 SRTJ通过交互反馈系统发现、组合和优化攻击策略，无需更新模型参数，有效平衡探索与利用，提升攻击鲁棒性和泛化能力。

InsTraj: Instructing Diffusion Models with Travel Intentions to Generate Real-world Trajectories

InsTraj: 通过旅行意图指导扩散模型生成真实世界轨迹

Yuanshao Zhu, Yuxuan Liang, Xiangyu Zhao, Liang Han, Xinwei Fang, Xun Zhou, Xuetao Wei, James Jianqiao Yu

机构 * Southern University of Science and Technology（南方科技大学） ； City University of Hong Kong（香港城市大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学理工大学（广州）） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； University of York（约克大学） 纠错

AI总结 InsTraj通过自然语言描述指导扩散模型生成真实、多样且符合指令的轨迹，解决传统方法在理解和生成复杂用户意图及约束条件上的不足。

Resource-Efficient Reinforcement for Reasoning Large Language Models via Dynamic One-Shot Policy Refinement

通过动态单次策略细化实现大规模语言模型推理的资源高效强化学习

Yunjian Zhang, Sudong Wang, Yang Li, Peiran Xu, Conghao Zhou, Xiaoyue Ma, Jianing Li, Yao Zhu

机构 * UCAS（中国科学院大学） ； HKUST(GZ)（香港科技大学（广州）） ； Tsinghua University（清华大学） ； Sun Yat-Sen University（中山大学） ； Xidian University（西安电子科技大学） ； George Mason University（乔治·梅森大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学） 纠错

AI总结 本文提出动态单次策略细化方法，通过减少训练样本数量和计算开销，提升大规模语言模型推理效率。

A Unified Theory of Sparse Dictionary Learning in Mechanistic Interpretability: Piecewise Biconvexity and Spurious Minima

稀疏字典学习在机制可解释性中的统一理论：分段双凸性与虚假极值

Yiming Tang, Harshvardhan Saini, Zhaoqian Yao, Zheng Lin, Yizhen Liao, Jingyi Cui, Yisen Wang, Mengnan Du, Dianbo Liu

机构 * National University of Singapore（新加坡国立大学） ； Indian Institute of Technology, Dhanbad（印度德里理工学院） ； Chinese University of Hong Kong（香港中文大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； Peking University（北京大学） 纠错

AI总结 本文提出稀疏字典学习的统一理论，揭示其分段双凸性及虚假极值问题，通过线性表示基准揭示路径学，提出特征锚定技术提升特征恢复性能。