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

Distributional Matching for Vector Quantization: A Unified Theoretical and Empirical Framework

用于矢量量化的分布匹配：一个统一的理论和实证框架

Xianghong Fang, Litao Guo, Hengchao Chen, Yuxuan Zhang, XiaofanXia, Dingjie Song, Yexin Liu, Hao Wang, Harry Yang, Qiang Sun, Yuan Yuan

机构 * University of Toronto（多伦多大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Boston College（波士顿学院） ； Lehigh University（里海大学） ； Southern University of Science and Technology（南方科技大学） 纠错

AI总结 针对现有矢量量化方法训练不稳定和码本崩溃问题，提出分布匹配框架，通过对齐特征和码向量分布缓解上述问题，经理论分析和实验验证，基于瓦瑟斯坦距离目标实例化该框架，在视觉tokenization基准上表现有效且鲁棒。

Comments 33 pages, 17 figures, and 16 tables. arXiv admin note: substantial text overlap with arXiv:2506.15078

Streaming Communication in Multi-Agent Reasoning

多智能体推理中的流式通信

Zhen Yang, Xiaogang Xu, Wen Wang, Cong Chen, Xander Xu, Ying-Cong Chen

机构 * HKUST(GZ)（香港科技大学（广州）） ； Alibaba Group（阿里巴巴集团） ； ZJU（浙江大学） ； HKUST（香港科技大学） 纠错

AI总结 提出流式多智能体推理系统StreamMA，通过将推理步骤实时流式传输给下游智能体来降低延迟，并意外地提升了效果，同时首次给出流式、串行和单协议三种模式的闭式联合分析。

Comments project page: https://zhenyangcs.github.io/StreamMA-website/

TeachArena: Are Language Agents Ready for Realistic Teaching Work?

代理是否准备好教学？一个多阶段基准用于现实世界教学工作流程

Zixin Chen, Peng Liu, Rui Sheng, Haobo Li, Jianhong Tu, Xiaodong Deng, Kashun Shum, Dayiheng Liu, Huamin Qu

机构 * Hong Kong University of Science and Technology（香港科技大学） ； Qwen Team, Alibaba Group（阿里集团通义实验室） 纠错

AI总结 本文提出EduAgentBench基准，用于评估教学代理的全面能力，发现当前模型在教学任务中的表现有限，但仍为开发未来教学代理提供了测量基础。

Comments Under review

When Differential Privacy Meets Wireless Federated Learning: An Improved Analysis for Privacy and Convergence

当差分隐私遇见无线联邦学习：一种改进的隐私与收敛分析

Chen Yaoling, Liang Hao, Tu Xiaotong

机构 * School of Informatics, Xiamen University, China（厦门大学信息学院，中国） ； Internet of Things Thrust, Hong Kong University of Science and Technology (Guangzhou), China（香港科技大学（广州）物联网研究组，中国） 纠错

AI总结 本文研究了差分隐私无线联邦学习中隐私损失的精确表征及收敛性，提出通用非凸损失目标下的分析方法，明确设备选择与小批量采样影响，证明隐私损失可收敛于常数，建立梯度裁剪下的收敛保证及隐私-效用权衡。

Comments need revision

Structured Observation Language for Efficient and Generalizable Vision-Language Navigation

结构化观察语言用于高效且通用的视觉-语言导航

Daojie Peng, Fulong Ma, Jun Ma

机构 * 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SOL-Nav框架，通过将视觉观察转化为结构化语言描述，提升视觉-语言导航的效率和泛化能力，实验表明其在减少模型规模和训练数据依赖方面表现优异。

Human-like working memory signatures emerge from intrinsically plastic artificial neurons for robust dynamic vision

物理驱动的人类样工作记忆在动态视觉中优于数字网络

Jingli Liu, Huannan Zheng, Bohao Zou, Kezhou Yang

机构 * Microelectronics Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）微电子研究组） 纠错

AI总结 本文提出基于物理的Intrinsic Plasticity Network (IPNet)，通过磁隧道结的焦耳加热弛豫动态实现类人工作记忆，显著提升动态视觉任务的效率与精度。

Panning for Gold: Expanding Domain-Specific Knowledge Graphs with General Knowledge

寻找黄金：利用通用知识图谱扩展领域特定知识图谱

Runhao Zhao, Weixin Zeng, Wentao Zhang, Chong Chen, Zhengpin Li, Xiang Zhao, Lei Chen

机构 * National Key Laboratory of Big Data and Decision（大数据与决策国家重点实验室） ； National University of Defense Technology（国防科技大学） ； The Center for machine learning research（机器学习研究中心） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

AI总结 本文提出领域特定知识图谱融合任务，通过神经符号框架ExeFuse，利用通用知识图谱提升领域知识图谱的完整性和实用性。

Comments 13 pages, 5 figures

LM-mixup: Text Data Augmentation via Language Model based Mixup

LM-mixup：基于语言模型的混合文本数据增强方法

Zhijie Deng, Zhouan Shen, Ling Li, Yao Zhou, Zhaowei Zhu, Yanji He, Wei Wang, Jiaheng Wei

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； BIAI, ZJUT & D5Data.ai（BIAI、ZJUT及D5Data.ai） 纠错

AI总结 本文提出LM-Mixup方法，通过构建MIXTURE数据集并结合监督微调与GRPO强化学习，仅用3%的蒸馏数据即可高效增强低质量指令跟随数据，提升LLMs的指令微调效率与性能。

Comments COLM 2026

Mamba Policy: Towards Efficient 3D Diffusion Policy with Hybrid Selective State Models

Mamba Policy：基于混合选择性状态模型的高效3D扩散策略

Jiahang Cao, Qiang Zhang, Jingkai Sun, Jiaxu Wang, Hao Cheng, Yulin Li, Jun Ma, Kun Wu, Zhiyuan Xu, Yecheng Shao, Wen Zhao, Gang Han, Yijie Guo, Renjing Xu

机构 * Microelectronics Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）微电子领域） ； Division of Emerging Interdisciplinary Areas, The Hong Kong University of Science and Technology（香港科技大学新兴交叉领域 division） ； Beijing Innovation Center of Humanoid Robotics（北京人形机器人创新中心） ； Center for X-Mechanics, Zhejiang University（浙江大学X力学中心） 纠错

AI总结 本研究提出Mamba Policy，以XMamba Block融合Mamba与注意力机制，参数量减超80%，在Adroit等数据集上性能优异且计算资源需求低，长 horizon 场景鲁棒性更强。

Comments Accepted to IROS 2025. Project Page: https://sagecao1125.github.io/mamba_policy/

Quality-Diversity Red-Teaming: Automated Generation of High-Quality and Diverse Attackers for Large Language Models

质量-多样性红队测试：针对大语言模型的高质量多样化攻击者自动生成

Ren-Jian Wang, Ke Xue, Zeyu Qin, Ziniu Li, Sheng Tang, Hao-Tian Li, Shengcai Liu, Zhi Yu, Yuanpeng Tan, Chao Qian

机构 * National Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家实验室，南京大学） ； School of Artificial Intelligence, Nanjing University（人工智能学院，南京大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Chinese University of Hong Kong, Shenzhen（香港大学深圳校区） ； Southern University of Science and Technology（南方科技大学） 纠错

AI总结 该研究提出QDRT框架，通过训练多专用攻击者生成高质量多样化攻击，提升LLM安全评估的多样性与有效性，支持LLM负责任部署。

Parameter-Efficient CLIP Adaptation for 3D Understanding via Unified Tokenization

用于3D理解的参数高效CLIP适配：通过统一分词实现

Guofeng Mei, Qinfeng Xiao, Bin Ren, Luigi Riz, Juan Liu, Xiaoshui Huang, Xu Zheng, Nicu Sebe, Ming-Hsuan Yang, Fabio Poiesi

机构 * Fondazione Bruno Kessler（布鲁诺·科塞拉基金会） ； University of Trento（特伦托大学） ； University of Pisa（比萨大学） ； Beijing Forestry University（北京林业大学） ； Shanghai Jiao Tong University（上海交通大学） ； Hong Kong University of Science and Technology (GZ)（香港科技大学） ； Shandong University（山东大学） ； University of California, Merced（加州大学默塞德分校） 纠错

AI总结 本文提出参数高效框架UTok3D，通过学习尺度归一化3D分词器，实现冻结CLIP视觉主干在无标注情况下对不同尺度点云的复用，完成3D分割任务。

Comments 14 pages, tokenizer

Fairness in Augmented Graph Learning: A Survey

增强图学习中的公平性：一项综述

Renqiang Luo, Huafei Huang, Ziqi Xu, Xikun Zhang, Enyan Dai, Bo Yang, Feng Xia

机构 * Jilin University（吉林大学） ； RMIT University（皇家墨尔本理工大学） ； Nanyang Technological University（南洋理工大学） ； Dalian University of Technology（大连理工大学） ； University of South Australia（澳大利亚南澳大利亚大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

AI总结 本综述针对增强图学习（AGL）的新型交叉公平挑战，系统研究其FairGX范式，梳理偏差源与分类法，分析ML范式对公平性的影响，明确未来研究方向，为构建稳健公平图系统提供路线图。

Comments Accepted in TKDE, 18 pages

A Survey of Circuit Foundation Model: Foundation AI Models for VLSI Circuit Design and EDA

电路基础模型综述：用于VLSI电路设计和EDA的基础AI模型

Wenji Fang, Jing Wang, Yao Lu, Shang Liu, Yuchao Wu, Yuzhe Ma, Zhiyao Xie

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

AI总结 本文综述电路基础模型（CFMs），涵盖130余篇2022年后工作，分为编码器（预测任务）和解码器（生成任务）两类，讨论其输入模态、架构、预训练策略及下游应用。

Comments Published in ACM TODAES