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

DSDR: Dual-Scale Diversity Regularization for Exploration in LLM Reasoning

DSDR：双尺度多样性正则化用于LLM推理中的探索

Zhongwei Wan, Yun Shen, Zhihao Dou, Donghao Zhou, Yu Zhang, Xin Wang, Hui Shen, Jing Xiong, Chaofan Tao, Zixuan Zhong, Peizhou Huang, Mi Zhang

机构 * The Ohio State University, USA（俄亥俄州立大学） ； Case Western Reserve University, USA（凯斯西储大学） ； The Chinese University of Hong Kong, Hong Kong（香港中文大学） ； Macquarie University, Australia（麦考瑞大学） ； University of Michigan, USA（密歇根大学） ； The University of Hong Kong, Hong Kong（香港大学） ； University College London, UK（伦敦大学学院） 纠错

AI总结 DSDR通过双尺度多样性正则化提升LLM推理中的探索能力，通过全局和局部正则化机制增强路径多样性，提高学习信号稳定性。

Prompt Tuning for CLIP on the Pretrained Manifold

在预训练流形上进行CLIP的提示调优

Xi Yang, Yuanrong Xu, Weigang Zhang, Guangming Lu, David Zhang, Jie Wen

机构 * Guizhou University, Guiyang, China（贵州大学） ； Harbin Institute of Technology, China（哈尔滨工业大学） ； The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）） 纠错

AI总结 ManiPT通过在预训练流形上进行提示调优，引入余弦一致性约束和结构偏差，以提高模型在有限监督下的泛化能力和转移性能。

CosyAccent: Duration-Controllable Accent Normalization Using Source-Synthesis Training Data

CosyAccent: 基于源合成训练数据的可控声调规范化

Qibing Bai, Shuhao Shi, Shuai Wang, Yukai Ju, Yannan Wang, Haizhou Li

机构 * The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）） ； Nanjing University（南京大学） ； Tencent（腾讯） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

AI总结 CosyAccent通过源合成训练数据构建方法，实现可控的声调规范化，无需真实L2数据，提升内容保持与自然度。

Comments Accepted to ICASSP 2026

Teola: Towards End-to-End Optimization of LLM-based Applications

Teola：面向基于大语言模型应用的端到端优化

Xin Tan, Yimin Jiang, Yitao Yang, Hong Xu

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

AI总结 Teola通过细粒度端到端编排方法优化基于大语言模型的应用，实现显著的速度提升。

Journal ref ASPLOS'25: Proceedings of the 30th ACM International Conference on Architectural Support for Programming Languages and Operating Systems, Vol. 2 (2025) 1302-1316

Multi-Channel Speech Enhancement for Cocktail Party Speech Emotion Recognition

多通道语音增强用于鸡尾酒派对语音情感识别

Youjun Chen, Guinan Li, Mengzhe Geng, Xurong Xie, Shujie Hu, Huimeng Wang, Haoning Xu, Chengxi Deng, Jiajun Deng, Zhaoqing Li, Mingyu Cui, Xunying Liu

机构 * The Chinese University of Hong Kong, Hong Kong SAR, China（香港中文大学） ； National Research Council Canada（加拿大国家研究委员会） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） 纠错

AI总结 本文提出多通道语音增强方法，用于提升鸡尾酒派对场景中语音情感识别的性能，通过去混响和分离前端结合深度学习模型，实现比单通道方法更高的准确率和F1值。

Comments Accepted by ICASSP2026

Rethinking Preference Alignment for Diffusion Models with Classifier-Free Guidance

重新思考扩散模型的偏好对齐：基于分类器自由引导

Zhou Jiang, Yandong Wen, Zhen Liu

机构 * Westlake University（西湖大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

AI总结 本文提出基于分类器自由引导的方法，通过分解偏好学习为两个模块并生成对比引导向量，提升扩散模型对人类偏好的对齐效果。

RadioGen3D: 3D Radio Map Generation via Adversarial Learning on Large-Scale Synthetic Data

RadioGen3D: 通过对抗学习在大规模合成数据上生成3D无线电地图

Junshen Chen, Angzi Xu, Zezhong Zhang, Shiyao Zhang, Junting Chen, Shuguang Cui

机构 * School of Science and Engineering (SSE)（科学与工程学院） ； Shenzhen Future Network of Intelligence Institute (FNii-Shenzhen)（深圳未来网络智能研究所） ； Guangdong Provincial Key Laboratory of Future Networks of Intelligence（广东省未来网络智能重点实验室） ； Chinese University of Hong Kong at Shenzhen（香港中文大学（深圳）） ； School of Advanced Engineering（先进工程学院） ； Great Bay University（大亚湾大学） 纠错

AI总结 RadioGen3D通过对抗学习在大规模合成数据上生成3D无线电地图，解决3D信号传播和天线极化问题，提升估计精度和速度。

From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark

从静态光谱到原位红外动力学：物理指导的流模型与基准

Shuquan Ye, Ben Fei, Hongbin Xu, Jiaying Lin, Wanli Ouyang

机构 * Department of Information Engineering, The Chinese University of Hong Kong（香港中文大学信息工程系） ； Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（香港科学与技术大学计算机科学与工程系） ； Department of Computer Science（计算机科学系） ； Engineering, The Hong Kong University of Science（工程，香港科学大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出ABCC模型，通过物理指导的流模型预测原位红外光谱动态，实现对SEI形成路径的可解释恢复，提升电化学研究效率。

Diversity-Incentivized Exploration for Versatile Reasoning

多样化激励探索用于多面推理

Zican Hu, Shilin Zhang, Yafu Li, Jianhao Yan, Xuyang Hu, Leyang Cui, Xiaoye Qu, Chunlin Chen, Yu Cheng, Zhi Wang

机构 * Nanjing University（南京大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Westlake University（西湖大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 DIVER通过引入全局多样性激励，提升大语言模型在多面推理任务中的探索能力和样本效率。

Comments 26 pages, 10 figures

Journal ref ICLR 2026