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