Northeastern University（东北大学）

Coarse-to-Fine Domain Incremental Learning with Attentive Distillation for Mining Footprint Segmentation in Multispectral Imagery

面向多光谱影像采矿足迹分割的粗到细领域增量学习与注意力蒸馏

Alif Tri Handoyo, Vincent C. S. Lee, Rizka Widyarini Purwanto, Alex M. Lechner, Deanna Kemp, Muhamad Risqi U. Saputra

机构 * Monash University, Indonesia（印度尼西亚莫纳什大学） ； Monash University, Australia（澳大利亚莫纳什大学） ； Northeastern University, China（中国东北大学） ； The University of Queensland, Australia（澳大利亚昆士兰大学） 纠错

AI总结 提出MineC2FNet框架，利用粗标注数据通过教师-学生架构和注意力蒸馏增强细粒度采矿足迹分割，解决领域偏移问题。

Comments Accepted at the 35th International Joint Conference on Artificial Intelligence (IJCAI 2026), AI and Social Good track

Teacher-Guided Policy Optimization for On-Policy Reasoning Distillation under Large Policy Divergence

教师引导的策略优化：大策略差异下的在线推理蒸馏

Xinyu Liu, Kechen Jiao, Chunyang Xiao, Runsong Zhao, Junhao Ruan, Bei Li, Jiahao Liu, Qifan Wang, Xin Chen, Jingang Wang, Chenglong Wang, Tong Xiao, JingBo Zhu

机构 * School of Computer Science and Engineering, Northeastern University, China（东北大学计算机科学与工程学院） ； Tsinghua University（清华大学） ； Meituan（美团） ； Meta AI ； NiuTrans Research, Shenyang, China（新译研究院，沈阳，中国） 纠错

AI总结 针对在线蒸馏中教师与学生策略差异大时反向KL监督失效的问题，提出教师引导策略优化（TGPO），通过教师直接指导学生上下文的token级生成并结合RLVR奖励，在推理基准上优于现有方法。

When 2D Tasks Meet 1D Serialization: On Serialization Friction in Structured Tasks

当2D任务遇到1D序列化：结构化任务中的序列化摩擦

Chung-Hsiang Lo, Lu Li, Diji Yang, Tianyu Zhang, Yunkai Zhang, Yoshua Bengio, Yi Zhang

机构 * Northeastern University（东北大学） ； University of Pennsylvania（宾夕法尼亚大学） ； UC Santa Cruz（加州大学圣克鲁兹分校） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； University of Montreal（蒙特利尔大学） ； BAIR, UC Berkeley（伯克利大学BAIR实验室） 纠错

AI总结 研究通过矩阵转置、康威生命游戏和LU分解三个任务，发现将二维布局任务序列化为一维文本会因表示不匹配导致性能下降，且错误呈现空间结构模式。

MemoSight: Unifying Context Compression and Multi Token Prediction for Reasoning Acceleration

MemoSight: 统一上下文压缩与多令牌预测以加速推理

Xinyu Liu, Xin Liu, Bo Jin, Runsong Zhao, Pengcheng Huang, Junhao Ruan, Bei Li, Chunyang Xiao, Chenglong Wang, Tong Xiao, Jingbo Zhu

机构 * School of Computer Science and Engineering, Northeastern University, China（东北大学计算机科学与工程学院） ； Meituan Inc.（美团公司） ； NiuTrans Research, Shenyang, China（牛译研所） 纠错

AI总结 提出 MemoSight 框架，通过特殊令牌和位置布局统一上下文压缩与多令牌预测，在保持思维链推理性能的同时减少 KV 缓存使用并提升推理速度。

FedQHD: Closed-Form Function-Space Federated Reinforcement Learning

FedQHD: 闭式函数空间联邦强化学习

Yuchen Hou, Yongshan Chen, Zhuowen Zou, Calvin Yeung, Mohsen Imani, Tian Lan, Mahdi Imani

机构 * Northeastern University（东北大学） ； University of California, Irvine（加州大学 Irvine 分校） ； The George Washington University（乔治·华盛顿大学） 纠错

AI总结 提出FedQHD，一种使用超维随机特征编码器和线性读出层的联邦Q学习方法，通过闭式聚合解决参数平均在函数空间中的不一致性问题，并理论分析了联邦差距。

Pre-Registering the Detectable Effect: A Paired-MDE Budget for 4-bit Quantization Benchmarks, with a Pilot Audit

预注册可检测效应：面向4位量化基准的配对MDE预算，附带一项试点审计

Zexin Zhuang, Yanhang Li, Zhichao Fan

机构 * Southern Methodist University（南方 Methodist 大学） ； Northeastern University（东北ern 大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出一种配对最小可检测效应（MDE）边界公式，用于量化基准的可靠性评估，并通过试点审计验证其有效性。

When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making

机器人何时应该思考？基于强化学习的资源感知推理在具身机器人决策中的应用

Jun Liu, Pu Zhao, Zhenglun Kong, Xuan Shen, Peiyan Dong, Fan Yang, Lin Cui, Hao Tang, Geng Yuan, Wei Niu, Wenbin Zhang, Xue Lin, Gaowen Liu, Yanzhi Wang, Dong Huang

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Northeastern University（东北大学） ； Harvard University（哈佛大学） ； Cornell University（康奈尔大学） ； MIT（麻省理工学院） ； Fujitsu Research of America（美国富士通研究） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； University of Georgia（佐治亚大学） ； Florida International University（佛罗里达国际大学） ； EmbodyX Inc（EmbodyX公司） ； Cisco Systems（思科系统） 纠错

AI总结 提出RARRL框架，通过强化学习学习高层编排策略，使具身代理能自适应决定是否调用LLM推理、选择推理角色及分配计算预算，以平衡推理开销与任务成功率。

Calibration Is Not Enough: Evaluating Confidence Estimation Under Language Variations

校准还不够：评估语言变化下的置信度估计

Yuxi Xia, Dennis Ulmer, Terra Blevins, Yihong Liu, Hinrich Schütze, Benjamin Roth

机构 * Faculty of Computer Science, UniVie Doctoral School Computer Science（计算机科学系，维也纳大学计算机科学博士学院） ； Faculty of Philological and Cultural Studies, University of Vienna, Austria（文学与文化研究系，维也纳大学，奥地利） ； ILLC, University of Amsterdam, Netherlands（阿姆斯特丹大学ILLC，荷兰） ； Khoury College of Computer Sciences, Northeastern University, USA（东北大学计算机科学学院，美国） ； LMU Munich, Munich Center for Machine Learning (MCML), Germany（慕尼黑大学，慕尼黑机器学习中心（MCML），德国） 纠错

AI总结 提出一个基于鲁棒性、稳定性和敏感性的新评估框架，揭示现有置信度估计方法在区分语义不同答案方面的不足。