University of Science and Technology of China（中国科学技术大学）

Graph-R1: Towards Agentic GraphRAG Framework via End-to-end Reinforcement Learning

Graph-R1：通过端到端强化学习实现智能图RAG框架

Haoran Luo, Haihong E, Guanting Chen, Qika Lin, Yikai Guo, Fangzhi Xu, Zemin Kuang, Meina Song, Xiaobao Wu, Yifan Zhu, Luu Anh Tuan

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 提出Graph-R1，首个通过端到端强化学习的智能图RAG框架，采用轻量知识超图构建、多轮智能体-环境交互检索和端到端奖励机制，在推理准确性、检索效率和生成质量上优于传统图RAG和强化学习增强RAG方法。

Comments Accepted by ICML 2026 main conference

Journal ref ICML 2026

Achieving Rotation-Invariant Convolution via Non-Learnable Orientation Alignment Operators

通过不可学习的朝向对齐算子实现旋转不变卷积

Hanlin Mo, Peihong Lei, You Hao, Guoying Zhao

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 提出基于不可学习算子的旋转不变卷积（RIConvs），其参数量和计算过程与标准卷积相同，在多个视觉任务中提升准确率，尤其在数据有限时效果显著。

Fast K-Means Clustering with Anderson Acceleration

快速K均值聚类的安德森加速方法

Juyong Zhang, Yuxin Yao, Yue Peng, Hao Yu, Bailin Deng

机构 * University of Science and Technology of China（中国科学技术大学） ； Cardiff University（卡迪夫大学） 纠错

AI总结 本文提出了一种加速K均值聚类Lloyd算法的新方法，通过将Lloyd算法的分配和更新步骤视为固定点迭代，并应用安德森加速技术，动态调整参数m以实现鲁棒且一致的加速效果。

Decentralized learning for wireless communications and networking

无线通信与网络中的去中心化学习

Georgios B. Giannakis, Qing Ling, Gonzalo Mateos, Ioannis D. Schizas, Hao Zhu

机构 * University of Minnesota（明尼苏达大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Rochester（罗切斯特大学） ； University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出了一种去中心化学习算法，用于图数据的网络内处理，通过交替方向乘子法实现分布式优化，适用于无线通信和网络任务的案例研究。

Comments Contributed chapter to appear in Splitting Methods in Communication and Imaging, Science and Engineering, R. Glowinski, S. Osher, and W. Yin, Editors, New York, Springer, 2015