Harbin Institute of Technology（哈尔滨工业大学）

AXIOM: Benchmarking LLM-as-a-Judge for Code via Rule-Based Perturbation and Multisource Quality Calibration

AXIOM：通过基于规则的扰动和多源质量校准构建LLM-as-a-Judge代码评估基准

Ruiqi Wang, Xinchen Wang, Cuiyun Gao, Chun Yong Chong, Xin Xia, Qing Liao

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Monash University Malaysia（墨尔本大学马来西亚分校） ； Zhejiang University（浙江大学） 纠错

AI总结 AXIOM通过基于规则的扰动和多源质量校准构建代码评估基准，以实现高质量代码评分的平衡分布和可靠评估。

Sample-Efficient Policy Constraint Offline Deep Reinforcement Learning based on Sample Filtering

基于样本过滤的高效策略约束离线深度强化学习

Yuanhao Chen, Qi Liu, Pengbin Chen, Zhongjian Qiao, Yanjie Li

机构 * Guangdong Key Laboratory of Intelligent Morphing Mechanisms（广东智能变形机制与自适应机器人重点实验室） ； the Harbin Institute of Technology Shenzhen（哈尔滨工业大学深圳研究院） ； Faculty of Robot Science and Engineering（机器人科学与工程学院） ； Northeastern University（东北大学） ； School of Systems Engineering（系统工程学院） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 本文提出一种基于样本过滤的策略约束离线深度强化学习方法，通过筛选高分转移样本提升样本效率和性能。

ArcGen: Generalizing Neural Backdoor Detection Across Diverse Architectures

ArcGen: 在多样架构上实现神经后门检测的泛化

Zhonghao Yang, Cheng Luo, Daojing He, Yiming Li, Yu Li

机构 * Software Engineering Institute, East China Normal University（东华大学软件工程学院） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） ； Nanyang Technological University（南洋理工大学） ； College of Integrated Circuits, Zhejiang University（浙江大学集成电路学院） 纠错

AI总结 ArcGen通过引入对齐层和损失函数，提升神经后门检测在不同架构上的泛化能力，实现42.5%的性能提升。

Comments 16 pages, 8 figures. This article was accepted by IEEE Transactions on Information Forensics and Security. DOI: 10.1109/TIFS.2025.3610254

Journal ref in IEEE Transactions on Information Forensics and Security, vol. 20, pp. 10082-10097, 2025

Membership Inference Attack with Partial Features

基于部分特征的成员推断攻击

Xurun Wang, Guangrui Liu, Xinjie Li, Haoyu He, Lin Yao, Zhongyun Hua, Weizhe Zhang

机构 * School of Cyberspace Science, Harbin Institute of Technology（信息科学学院，哈尔滨工业大学） ； Department of Data science and Al, Faculty of IT, Monash University（数据科学与人工智能系，墨尔本大学） ； School of Software, Dalian University of Technology（软件学院，大连理工大学） ； School of Computer Science and Technology, Harbin Institute of Technology（计算机科学与技术学院，哈尔滨工业大学） 纠错

AI总结 本研究提出MRAD框架，通过记忆引导重建和异常检测，解决部分特征下的成员推断攻击问题，验证了其在多种数据集上的有效性。

FP=xINT:Representing Neural Networks via Low-Bit Series Basis Functions

FP=xINT:通过低比特级数基函数表示神经网络

Boyang Zhang, Daning Cheng, Yunquan Zhang, Jiake Tian, Jing Li, Fangming Liu

机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Pengcheng Laboratory（鹏城实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； South China University of Technology（华南理工大学） 纠错

AI总结 本文提出通过低比特级数基函数表示神经网络的方法，实现无需校准集的高精度量化，实验表明在4比特设置下ResNet-50的精度达到77.03%。

Comments AAAI2026