University of Chinese Academy of Sciences（中国科学院大学）

Forgetting to Witness: Efficient Federated Unlearning and Its Visible Evaluation

遗忘的见证：高效的联邦去学习及其可见评估

Houzhe Wang, Xiaojie Zhu, Chi Chen

机构 * School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） 纠错

AI总结 本文提出首个完整联邦去学习流程，通过高效方法和可视化框架评估模型遗忘能力，无需存储历史数据。

WaterSplat-SLAM: Photorealistic Monocular SLAM in Underwater Environment

WaterSplat-SLAM：水下环境中的光实单目SLAM

Kangxu Wang, Shaofeng Zou, Chenxing Jiang, Yixiang Dai, Siang Chen, Shaojie Shen, Guijin Wang

机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Key Laboratory of Marine Robotics, Shenyang（沈阳海洋机器人重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港科技大学电子及计算机工程学系） 纠错

AI总结 本文提出WaterSplat-SLAM，通过语义介质过滤和语义引导渲染实现水下高保真密集映射，提升水下单目SLAM的鲁棒性与可视化效果。

Comments 8 pages, 6 figures

HAG: Hierarchical Demographic Tree-based Agent Generation for Topic-Adaptive Simulation

HAG：基于主题自适应的分层人口树状代理生成

Rongxin Chen, Tianyu Wu, Bingbing Xu, Jiatang Luo, Xiucheng Xu, Huawei Shen

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, CAS（中国科学院计算技术研究所人工智能安全国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学前沿交叉科学学院） 纠错

AI总结 本文提出HAG框架，通过分层决策过程生成符合主题需求的代理群体，提升宏观分布与微观一致性。实验表明HAG在减少群体对齐误差和增强社会一致性方面表现优异。

Comments Accepted by ACL 2026 main

C-NAV: Towards Self-Evolving Continual Object Navigation in Open World

C-NAV：迈向开放世界中的自进化持续物体导航

Ming-Ming Yu, Fei Zhu, Wenzhuo Liu, Yirong Yang, Qunbo Wang, Wenjun Wu, Jing Liu

机构 * Beihang University（北京航空航天大学） ； Centre for Artificial Intelligence and Robotics, HKISI-CAS（香港智能科学与工业研究院人工智能与机器人中心） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Hangzhou International Innovation Institute, Beihang University（北京航空航天大学杭州国际创新研究院） ； Beijing Jiaotong University（北京交通大学） 纠错

AI总结 本文提出C-Nav框架，通过双路径抗遗忘机制和自适应采样策略，解决持续物体导航中的灾难性遗忘问题，实验表明其在多个模型架构上均优于现有方法，且内存需求显著降低。

Comments Accepted at NeurIPS 2025

Journal ref NeurIPS 2025

MSDformer: Multi-scale Discrete Transformer For Time Series Generation

MSDformer：多尺度离散Transformer用于时间序列生成

Shibo Feng, Zhicheng Chen, Xi Xiao, Zhong Zhang, Qing Li, Xingyu Gao, Peilin Zhao

机构 * Nanyang Technological University（南洋理工大学） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Tencent（腾讯） ； Peng Cheng Laboratory（鹏城实验室） ； Institute of Microelectronics, Chinese Academy of Sciences（中国科学院微电子研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） 纠错

AI总结 MSDformer通过多尺度离散Transformer方法，解决传统DTM在捕捉复杂时间序列多尺度特征和理论指导方面的不足，提升生成质量。

RaPA: Enhancing Transferable Targeted Attacks via Random Parameter Pruning

RaPA: 通过随机参数剪枝增强可迁移的目标攻击

Tongrui Su, Qingbin Li, Shengyu Zhu, Wei Chen, Xueqi Cheng

机构 * State Key Lab of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所人工智能安全国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 RaPA通过引入参数级随机化提升攻击的可迁移性，实验表明其在CNN到Transformer模型迁移中ASR显著提升，且无需训练，具有跨架构高效性。

Comments Accepted by CVPR26 CODE:https://github.com/molarsu/RaPA

VLBiasBench: A Comprehensive Benchmark for Evaluating Bias in Large Vision-Language Model

VLBiasBench: 一个用于评估大视觉-语言模型偏见的综合性基准

Sibo Wang, Xiangkui Cao, Jie Zhang, Zheng Yuan, Shiguang Shan, Xilin Chen, Wen Gao

机构 * Key Laboratory of AI Safety of CAS, Institute of Computing Technology (ICT)（中国科学院人工智能安全重点实验室，计算技术研究所） ； University of Chinese Academy of Sciences (UCAS)（中国科学院大学） ； Peking University（北京大学） 纠错

AI总结 本文提出VLBiasBench，通过覆盖九种社会偏见类别和两个交叉偏见类别的大规模数据集，评估大视觉-语言模型的偏见问题，基于15种开源和两种闭源模型进行广泛评估，揭示模型中的偏见特征。

Comments Accepted By TPAMI

TreeGaussian: Tree-Guided Cascaded Contrastive Learning for Hierarchical Consistent 3D Gaussian Scene Segmentation and Understanding

TreeGaussian：基于树引导的级联对比学习用于层次一致的3D高斯场景分割与理解

Jingbin You, Zehao Li, Hao Jiang, Xinzhu Ma, Shuqin Gao, Honglong Zhao, Congcong Zheng, Tianlu Mao, Feng Dai, Yucheng Zhang, Zhaoqi Wang

机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Beihang University（北京航空航天大学） 纠错

AI总结 本文提出TreeGaussian，通过树引导的级联对比学习框架，解决3DGS在表示层次结构和捕捉整体-部分关系上的不足，提升分割一致性与质量。

Empowering Multi-Robot Cooperation via Sequential World Models

通过序列世界模型增强多机器人协作

Zijie Zhao, Honglei Guo, Shengqian Chen, Kaixuan Xu, Bo Jiang, Yuanheng Zhu, Dongbin Zhao

机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； SKL-MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所复杂系统管理与控制国家重点实验室） 纠错

AI总结 本文提出SeqWM框架，通过引入序列范式提升多机器人MBRL的协作能力，实验表明其在性能和样本效率上优于现有方法，并展示了预测适应、时间对齐和角色分配等先进协作行为。

Disentangled World Models: Learning to Transfer Semantic Knowledge from Distracting Videos for Reinforcement Learning

解耦世界模型：从干扰视频中学习转移语义知识以用于强化学习

Qi Wang, Zhipeng Zhang, Baao Xie, Xin Jin, Yunbo Wang, Shiyu Wang, Liaomo Zheng, Xiaokang Yang, Wenjun Zeng

机构 * MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（上海交通大学人工智能研究院教育部人工智能重点实验室） ； Ningbo Institute of Digital Twin, Eastern Institute of Technology, Ningbo, China（东方理工高等研究院宁波数字孪生研究院） ； Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative, Ningbo, China（宁波市空间智能与数字衍生重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Shenyang Institute of Computing Technology, Chinese Academy of Sciences（中国科学院沈阳计算技术研究所） ； Shenyang CASNC Technology Co., Ltd（沈阳中科数控技术股份有限公司） 纠错

AI总结 本文提出了解耦世界模型，通过离线到在线的潜在蒸馏和灵活解耦约束，从干扰视频中学习语义知识，提升强化学习的样本效率。

Comments Accepted by ICCV 2025. Project page: https://qiwang067.github.io/diswm