Nanjing University（南京大学）

Execution-Verified Reinforcement Learning for Optimization Modeling

可验证执行的强化学习用于优化建模

Runda Guan, Xiangqing Shen, Jiajun Zhang, Yifan Zhang, Jian Cheng, Rui Xia

机构 * School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

AI总结 本文提出EVOM框架，通过将数学规划求解器作为确定性验证器，利用强化学习生成并执行求解代码，实现高效的优化建模。实验表明EVOM在多个数据集上表现优异，支持零样本求解器迁移和低成本适应。

Shapley-Guided Neural Repair Approach via Derivative-Free Optimization

基于Shapley的神经修复方法通过无导数优化

Xinyu Sun, Wanwei Liu, Haoang Chi, Tingyu Chen, Xiaoguang Mao, Shangwen Wang, Lei Bu, Jingyi Wang, Yang Tan, Zhenyi Qi

机构 * National University of Defense Technology（国防科技大学） ； Nanjing University（南京大学） ； Zhejiang University（浙江大学） 纠错

AI总结 本文提出SHARPEN方法，结合可解释故障定位与无导数优化策略，有效修复深度神经网络的缺陷，提升鲁棒性和泛化能力。

Multi-agent In-context Coordination via Decentralized Memory Retrieval

通过去中心化记忆检索实现多智能体上下文协调

Tao Jiang, Zichuan Lin, Lihe Li, Yi-Chen Li, Cong Guan, Lei Yuan, Zongzhang Zhang, Yang Yu, Deheng Ye

机构 * National Key Laboratory of Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） ； Tencent（腾讯） 纠错

AI总结 本文提出MAICC方法，通过去中心化记忆检索提升多智能体强化学习中任务协调效率，实验表明其在Level-Based Foraging和SMAC等基准上表现更优。

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 40, No. 27, pp. 22363-22371, 2026

Adaptive Data-Knowledge Alignment in Genetic Perturbation Prediction

适应性数据-知识对齐在基因扰动预测中的应用

Yuanfang Xiang, Lun Ai

机构 * Nanjing University（南京大学） ； EMBL-EBI（欧洲生物信息学研究所） 纠错

AI总结 本文提出ALIGNED框架，通过整合数据驱动学习与现有知识，解决基因扰动预测中数据与知识不一致的问题，提升预测一致性与生物知识重构能力。

Comments Accepted at ICLR 2026