Xi'an Jiaotong University（西安交通大学）

Behavior Learning (BL): Learning Hierarchical Optimization Structures from Data

行为学习（BL）：从数据中学习分层优化结构

Zhenyao Ma, Yue Liang, Dongxu Li

机构 * Xiamen University（厦门大学） ； University of Tübingen（图宾根大学） ； Xi’an Jiaotong University（西安交通大学） 纠错

AI总结 行为学习（BL）是一种从数据中学习分层优化结构的通用机器学习框架，结合可解释性和可识别性，适用于科学领域中的优化问题。

Comments ICLR 2026

SelfAI: A self-directed framework for long-horizon scientific discovery

SelfAI: 一种用于长周期科学发现的自导向框架

Xiao Wu, Ting-Zhu Huang, Liang-Jian Deng, Xiaobing Yu, Yu Zhong, Shangqi Deng, Ufaq Khan, Jianghao Wu, Xiaofeng Liu, Imran Razzak, Xiaojun Chang, Yutong Xie

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Xian Jiaotong University（西安交通大学） ； Yale University（耶鲁大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Monash University（莫纳什大学） 纠错

AI总结 SelfAI是一种自导向的多智能体系统，通过自动化科学探索的策略性轨迹决策，实现高效、可重复的长周期科学发现。

Learn by Reasoning: Analogical Weight Generation for Few-Shot Class-Incremental Learning

通过推理学习：类增量学习中的类比权重生成

Jizhou Han, Chenhao Ding, Yuhang He, Songlin Dong, Qiang Wang, Xinyuan Gao, Yihong Gong

机构 * State Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（人机混合增强智能国家重点实验室，人工智能与机器人研究院，西安交通大学） ； Faculty of Microelectronics, Shenzhen University of Advanced Technology（微电子学院，深圳先进技术大学） ； College of Software Engineering, Xi’an Jiaotong University（软件工程学院，西安交通大学） 纠错

AI总结 本文提出了一种受人类大脑启发的类比生成方法，通过类比学习机制在少样本类增量学习中提升模型性能。

Comments Accepted by IEEE TCSVT. This is the author's version which has not been fully edited and content may change prior to final publication

Task-Aware Exploration via a Predictive Bisimulation Metric

通过预测双模拟度量实现任务感知探索

Dayang Liang, Ruihan Liu, Lipeng Wan, Yunlong Liu, Bo An

机构 * Department of Automation, Xiamen University, Xiamen, China（自动化系，厦门大学） ； Department of Computer Science, Beijing Normal-Hong Kong Baptist University, Zhuhai, China（计算机科学系，北京师范大学-香港 Baptist大学） ； School of Artificial Intelligence, Xian Jiaotong University, Xian, China（人工智能学院，西安交通大学） ； College of Computing and Data Science, Nanyang Technological University, Singapore（计算与数据科学学院，南洋理工大学） 纠错

AI总结 TEB通过预测双模拟度量实现任务感知探索，有效解决稀疏奖励下视觉强化学习中的探索难题。

From Pixels to Words -- Towards Native Vision-Language Primitives at Scale

从像素到词语 -- 向大规模原生视觉-语言原始语义迈进

Haiwen Diao, Mingxuan Li, Silei Wu, Linjun Dai, Xiaohua Wang, Hanming Deng, Lewei Lu, Dahua Lin, Ziwei Liu

机构 * S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； SenseTime Research（商汤科技研究院） ； Xi’an Jiaotong University（西安交通大学） 纠错

AI总结 NEO通过原生视觉-语言基础构建，实现了从零开始的视觉感知发展，有效缓解了视觉-语言冲突，推动了大规模原生VLM的发展。

Comments 21 pages, 8 figures, Accepted by ICLR2026

Boolean Satisfiability via Imitation Learning

通过模仿学习解决布尔可满足性问题

Zewei Zhang, Huan Liu, Yuanhao Yu, Jun Chen, Xiangyu Xu

机构 * McMaster University（麦斯特大学） ； Xi’an Jiaotong University（西安交通大学） 纠错

AI总结 ImitationSAT通过模仿学习提升CDCL求解器性能，减少传播次数和运行时间，优于现有学习方法。

Comments Accepted to ICLR 2026. Code: https://github.com/zewei-zhang/ImitSAT