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

Which Speech Representation Better Matches Text-Native Reasoning? A Study of Speech-Text Alignment on Frame Rate and Representation

哪种语音表示更匹配文本原生推理？帧率和表示对语音-文本对齐的研究

Zhen Ye, Xu Tan, Yiming Li, Guangyan Zhang, Chimin Chan, Haohe Liu, Zhengxi Liu, Hongzhan Lin, Zheqi Dai, Xinshen Zhang, Peiwen Sun, Qiuqiang Kong, Wei Xue

机构 * Hong Kong University of Science and Technology, Hong Kong SAR（香港理工大学） ； Tencent, China（腾讯） ； University of Surrey, United Kingdom（Surrey大学） ； Chinese University of Hong Kong, Hong Kong SAR（香港中文大学） ； Hong Kong Baptist University, Hong Kong SAR（香港 Baptist大学） ； Hong Kong Polytechnic University, Hong Kong SAR（香港理工大学） ； Independent Researcher（独立研究者） 纠错

AI总结 研究语音与文本模态差异中的时间粒度不匹配问题，提出因子化FSQ和轻量非自回归音频LM头以降低帧率，发现4.17Hz帧率结合中间层表示对齐在语音问答中表现最佳。

Comments Accepted by Interspeech 2026 long paper

Context-Driven Incremental Compression for Multi-Turn Dialogue Generation

上下文驱动的增量压缩用于多轮对话生成

Yeongseo Jung, Jaehyeok Kim, Eunseo Jung, Jiachuan Wang, Yongqi Zhang, Ka Chun Cheung, Simon See, Lei Chen

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； NVIDIA AI Technology Center（NVIDIA AI技术中心） ； Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 提出上下文驱动的增量压缩（C-DIC），通过可修订的线程压缩状态和轻量级检索-修订-写回循环，实现跨轮信息共享，稳定长对话性能。

Comments Accepted at ICML 2026

Automating Geometry-Intensive Compliance Checking in BIM: Graph-Based Semantic Reasoning Framework

BIM中几何密集型合规检查自动化：基于图的语义推理框架

Zixuan Xiao, Pei Troh Koh, Jun Ma, Jack C. P. Cheng

机构 * Department of Urban Planning and Design, The University of Hong Kong（香港大学城市规划与设计系） ； Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology（香港科学与技术大学土木与环境工程系） 纠错

AI总结 针对BIM中几何密集型法规自动检查的语义鸿沟问题，提出SGR-BIM图驱动推理框架，通过跨模态知识图谱实现可解释推理，在679个消防规范查询上达到84.3%准确率，较基线提升8.6%。

Journal ref Automation in Construction 189 (2026) 107038

Notes2Skills: From Lab Notebooks to Certainty-Aware Scientific Agent Skills

Notes2Skills: 从实验室笔记本到具有确定性意识的科学智能体技能

Shi Liu, Jiayao Chen, Chengwei Qin, Yanqing Hu, Jufan Zhang, Linyi Yang

机构 * Southern University of Science and Technology（南方科技大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University College Dublin（都柏林大学学院） 纠错

AI总结 提出Notes2Skills框架，将实验室笔记转化为保留作者确定性的可验证科学智能体技能，解决不确定判断与确认结论混淆问题。

Comments 28 pages, preprint

Architecture-Aware Reinforcement Learning Makes Sliding-Window Attention Competitive in Math Reasoning

架构感知强化学习使滑动窗口注意力在数学推理中具有竞争力

Kai Liu, Peijie Dong, Xinchen Xie, Jianfei Gao, Qipeng Guo, Xiaowen Chu, Shaoting Zhang, Kai Chen

机构 * Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（上海智能自主系统研究院，同济大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） 纠错

AI总结 提出SWARR方法，通过监督微调将预训练自注意力模型高效转换为滑动窗口注意力，并利用强化学习策略适应，缩小了与自注意力的性能差距，同时保持线性复杂度的高效性。

Beyond the Golden Teacher: Enhancing Graph Learning through LLM-GNN Co-teaching

超越黄金教师：通过LLM-GNN协同教学增强图学习

Zhuoyi Peng, Hanlin Gu, Lixin Fan, Yi Yang

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； WeBank（微众银行） 纠错

AI总结 针对文本属性图上的少样本学习，提出LLM-GNN协同教学框架，避免固定教师模型，通过双向伪标签交换和基于轮次的偏好优化，显著提升图学习性能。

Comments Code: https://github.com/llmgnncoteaching/LLM-GNN-Coteaching

GraphInfer-Bench: Benchmarking LLM's Inference Capability on Graphs

GraphInfer-Bench：评估LLM在图上的推理能力基准

Zhuoyi Peng, Jingzhou Jiang, Hanlin Gu, Lixin Fan, Yi Yang

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Webank（微众银行） 纠错

AI总结 提出GraphInfer-Bench基准，通过五个任务（描述与比较）测试LLM能否从节点及其邻域推断出无法从单节点或路径检索的答案，发现所有方法均存在差距。

Comments Code: https://github.com/graphinfer/GraphInfer-Bench ; Dataset: https://huggingface.co/datasets/graphinfer/graphinfer

Geometric bias in eigenspace perturbation under random heterogeneous noise

随机异质噪声下特征空间扰动的几何偏差

Fengkai Liu, Ke Wang, Wanjie Wang

机构 * Department of Mathematics, Hong Kong University of Science and Technology（香港科技大学数学系） ； Department of Statistics and Data Science, National University of Singapore（新加坡国立大学统计与数据科学系） 纠错

AI总结 针对稀疏、异质方差噪声下的信号加噪声矩阵，研究发现经验特征向量存在经典扰动界无法捕捉的系统性几何偏差，并通过二次向量方程和精细各向同性局部律推导了最优非渐近扰动界。

Comments 104 pages, 1 figure

K-Forcing: Joint Next-K-Token Decoding via Push-Forward Language Modeling

K-Forcing：通过前推语言建模进行联合下一K词解码

Zhiwei Tang, Yuanyu He, Yizheng Han, Wangbo Zhao, Jiasheng Tang, Fan Wang, Bohan Zhuang

机构 * DAMO Academy, Alibaba Group（阿里巴巴达摩院） ； Hupan Lab（湖畔实验室） ； Zhejiang University（浙江大学） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 提出K-Forcing范式，通过前推映射将自回归模型蒸馏为单次前向传播生成多个未来词，实现2.4-3.5倍加速，质量损失小。

Comments Code: https://github.com/alibaba-damo-academy/K-Forcing

What Semantics Survive the Connector? Diagnosing VLM-to-DiT Alignment in Video Editing

什么语义能经受住连接器的考验？视频编辑中VLM到DiT对齐的诊断

Hangyu Lin, Chao Wen, Chengming Xu, Jianxiong Gao, Jiangning Zhang, Xiaobin Hu, Yanwei Fu

机构 * HKUST（香港理工大学） ； FDU（福建大学） ； ZJU（浙江大学） ； NUS（新加坡国立大学） 纠错

AI总结 本研究探讨了视频生成模型中VLM与DiT对齐过程中的语义瓶颈问题，通过提出TRACE-Edit数据集和诊断协议，发现连接器模块会导致细粒度结构语义的严重退化，挑战了原有假设。

Sonar-TS: Search-Then-Verify Natural Language Querying for Time Series Databases

Sonar-TS: 为时间序列数据库的自然语言查询设计的搜索-验证方法

Zhao Tan, Yiji Zhao, Shiyu Wang, Chang Xu, Yuxuan Liang, Xiping Liu, Shirui Pan, Ming Jin

机构 * Jiangxi University of Finance and Economics（江西财经大学） ； Griffith University（格里菲斯大学） ； Yunnan University（云南大学） ； Microsoft Research Asia（微软亚洲研究院） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

AI总结 本文提出Sonar-TS，一种神经符号框架，用于解决时间序列数据库的自然语言查询问题，通过搜索-验证流程处理连续形态意图和超长历史数据，引入NLQTSBench基准进行评估，展示了该方法在复杂时间查询中的有效性。

Comments Accepted by ICML 2026

Reliability-Calibrated Edge-IoT Early Fault Warning for Rotating Machinery with a Physics-Guided Tiny-Mamba Transformer

面向旋转机械的可靠性校准边缘物联网早期故障预警：一种物理引导的Tiny-Mamba Transformer

Changyu Li, Huabei Nie, Xiaoya Ni, Lu Wang, Lijuan Shen, Kaishun Wu, Fei Luo

机构 * Great Bay University（大亚湾大学） ； Huizhou University（惠州大学） ； National University of Singapore（国立新加坡大学） ； Shenzhen University（深圳大学） ； James Cook University（詹姆斯库克大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

AI总结 提出一种可靠性校准的边缘物联网早期故障预警框架，使用物理引导的Tiny-Mamba Transformer提取特征，结合极值理论校准误报率，在低计算资源下实现高精度、低延迟的旋转机械故障预警。

Comments Submitted to IEEE Transactions on Reliability

CoVar: Confidence-Variance-Guided Pseudo-Label Selection for Semi-Supervised Learning

CoVar: 置信度-方差引导的半监督学习伪标签选择

Jinshi Liu, Lei He, Pan Liu

机构 * College of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院） ； School of Information and Electrical Engineering, Hunan University of Science and Technology（湖南科技大学信息与电气工程学院） ； Information Hub, Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）信息中心） 纠错

AI总结 提出CoVar框架，通过联合建模最大置信度和残差类方差来评估伪标签可靠性，利用SVD谱松弛分离可靠与不可靠预测，无需手动阈值，在分割和分类任务上取得提升。

Improving Generalization and Data Efficiency with Diffusion in Offline Multi-agent RL

通过扩散模型提升离线多智能体强化学习的泛化能力与数据效率

Zhuoran Li, Ling Pan, Jiatai Huang, Longbo Huang

机构 * Institute for Interdisciplinary Information Sciences（交叉信息学院） ； Tsinghua University（清华大学） ； Department of Electronic and Computer Engineering（电子与计算机工程系） ； Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

AI总结 提出扩散离线多智能体模型（DOM2），利用扩散模型增强策略表达力和多样性，结合轨迹数据重加权，在离线MARL中显著提升性能、泛化能力和数据效率。