The Chinese University of Hong Kong（香港中文大学）

ParaFormer: A Generalized PageRank Graph Transformer for Graph Representation Learning

ParaFormer: 一种通用的PageRank图变换器用于图表示学习

Chaohao Yuan, Zhenjie Song, Ercan Engin Kuruoglu, Kangfei Zhao, Yang Liu, Deli Zhao, Hong Cheng, Yu Rong

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； The Chinese University of Hong Kong（香港中文大学） ； DAMO Academy, Alibaba Group, Hupan Lab（达摩院、阿里集团、乎盘实验室） 纠错

AI总结 ParaFormer通过PageRank增强的注意力模块缓解深度GNNs中的过平滑问题，实现节点和图分类任务的性能提升。

Comments Accepted by WSDM 2026

DART: Difficulty-Adaptive Reasoning Truncation for Efficient Large Language Models

DART: 为高效大语言模型的难度自适应推理截断

Ruofan Zhang, Bin Xia, Zhen Cheng, Cairen Jian, Minglun Yang, Ngai Wong, Yuan Cheng

机构 * School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； CSE Department, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系） ； Research and Development Department, SIMMIR Tech（Simmir科技研发部） ； School of Information Science and Technology, Xiamen University Tan Kah Kee College（厦门大学信息科学与技术学院） ； The University of Hong Kong（香港大学） 纠错

AI总结 DART通过自适应调整推理长度提升大语言模型效率，实现81.2%的推理截断和5.33倍的计算加速。

SS4D: Native 4D Generative Model via Structured Spacetime Latents

SS4D：通过结构化时空潜在变量实现的原生4D生成模型

Zhibing Li, Mengchen Zhang, Tong Wu, Jing Tan, Jiaqi Wang, Dahua Lin

机构 * The Chinese University of Hong Kong（香港中文大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Zhejiang University（浙江大学） ； Stanford University（斯坦福大学） 纠错

AI总结 SS4D通过结构化时空潜在变量实现原生4D生成模型，直接从单目视频合成动态3D物体，提升时间一致性和结构一致性。

Comments ToG(Siggraph Asia 2025)

Journal ref ACM Transactions on Graphics, 44(6): Article 244, 12 pages, December 2025

Interactive Motion Planning for Human-Robot Collaboration Based on Human-Centric Configuration Space Ergonomic Field

基于以人为核心的配置空间人体工学场的人机协作交互运动规划

Chenzui Li, Yiming Chen, Xi Wu, Tao Teng, Sylvain Calinon, Darwin Caldwell, Fei Chen

机构 * Department of Mechanical and Automation Engineering, T-Stone Robotics Institute, The Chinese University of Hong Kong（机械与自动化工程系，T-Stone机器人研究所，香港中文大学） ； Idiap Research Institute（Idiap研究所） ； Department of Advanced Robotics, Istituto Italiano di Tecnologia（先进机器人系，意大利Istituto Italiano di Tecnologia） 纠错

AI总结 本文提出基于配置空间人体工学场的运动规划方法，通过高效算法构建人体工学场并集成到阻抗控制机器人中，实验表明其在协作任务中有效降低人体工学成本和肌肉激活，提升人机协作效率。

Comments 10 pages, 9 figures

Made-in China, Thinking in America:U.S. Values Persist in Chinese LLMs

中国制造，思考在美国：美国价值观在中国的大型语言模型中持续存在

David Haslett, Linus Ta-Lun Huang, Leila Khalatbari, Janet Hui-wen Hsiao, Antoni B. Chan

机构 * Hong Kong University of Science and Technology（香港科学与技术大学） ； Sharif University of Technology（谢赫·穆吉贝尔谢赫·穆吉贝尔大学） ； Chinese University of Hong Kong（香港中文大学） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 研究发现中国制作的大型语言模型在道德和价值观上更倾向于美国人的倾向，即使在提示或身份调整后也难以完全改变。

Blind Radio Mapping via Spatially Regularized Bayesian Trajectory Inference

盲式无线电地图构建：基于空间正则化的贝叶斯轨迹推断

Zheng Xing, Junting Chen

机构 * School of Science（科学与工程学院） ； Shenzhen Future Network of Intelligence Institute (FNii-Shenzhen) The Chinese University of Hong Kong, Shenzhen, Guangdong 518172, China（深圳未来网络智能研究院（FNii-Shenzhen）香港中文大学（深圳）） 纠错

AI总结 本文提出一种无需位置标签的盲式无线电地图构建方法，通过空间正则化的贝叶斯推断框架推断用户轨迹，实验显示定位误差低至0.68米。

VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel

VesSAM: 高效多提示分割复杂血管

Suzhong Fu, Rui Sun, Xuan Ding, Jingqi Dong, Yiming Yang, Yao Zhu, Min Chang Jordan Ren, Delin Deng, Angelica Aviles-Rivero, Shuguang Cui, Zhen Li

机构 * FNii-Shenzhen, CUHK-Shenzhen（FNii-Shenzhen，CUHK-Shenzhen） ； School of Science and Engineering, CUHK-Shenzhen（CUHK-Shenzhen科学与工程学院） ； Zhejiang University（浙江大学） ； Boston University（波士顿大学） ； Vanderbilt University（范德比大学） ； Tsinghua University（清华大学） 纠错

AI总结 VesSAM通过多提示编码器和轻量级解码器提升血管分割性能，实现比现有方法更高的Dice和IoU指标，同时参数更少且泛化能力更强。

A Unified Framework with Multimodal Fine-tuning for Remote Sensing Semantic Segmentation

多模态微调的统一框架用于遥感语义分割

Xianping Ma, Xiaokang Zhang, Man-On Pun, Bo Huang

机构 * School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）科学与工程学院） ； School of Information Science and Engineering, Wuhan University of Science and Technology（武汉科技大学信息科学与工程学院） ； Department of Geography, The University of Hong Kong（香港大学地理系） 纠错

AI总结 本文提出了一种多模态微调的统一框架，用于改进遥感语义分割的性能，通过引入新的MFNet和DFM模块，显著提升了多模态数据的分割效果。

Comments 15 pages, 11 figures

Journal ref IEEE Transactions on Geoscience and Remote Sensing, vol. 63, pp. 1-15, 2025, Art no. 5405015