The University of Hong Kong（香港大学）

When Deepfake Detection Meets Graph Neural Network:a Unified and Lightweight Learning Framework

当深度伪造检测遇见图神经网络：一种统一且轻量级的学习框架

Haoyu Liu, Chaoyu Gong, Mengke He, Jiate Li, Kai Han, Siqiang Luo

机构 * Nanyang Technological University（南洋理工大学） ； University of Southern California（南加州大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出SSTGNN，一种统一且轻量级的深度伪造检测框架，通过图神经网络联合处理空间、时间及频谱信息，实现高效且准确的伪造检测。

Comments Accepted to KDD 2026

Never too Cocky to Cooperate: An FIM and RL-based USV-AUV Collaborative System for Underwater Tasks in Extreme Sea Conditions

从不自大合作：一种基于FIM和强化学习的USV-AUV协作系统用于极端海况下的水下任务

Jingzehua Xu, Guanwen Xie, Jiwei Tang, Yimian Ding, Weiyi Liu, Junhao Huang, Shuai Zhang, Yi Li

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Department of Data and Systems Engineering, The University of Hong Kong（数据与系统工程系，香港大学） ； School of Engineering Science, University of Chinese Academy of Sciences（工程科学学院，中国科学院大学） ； Department of Data Science, New Jersey Institute of Technology（数据科学系，新泽西理工学院） 纠错

AI总结 本文提出一种基于FIM和强化学习的USV-AUV协作系统，用于提升极端海况下水下任务的性能。

Comments This paper has been accepted by IEEE Transactions on Mobile Computing

Self-Evaluation Unlocks Any-Step Text-to-Image Generation

自我评估解锁任意步文本到图像生成

Xin Yu, Xiaojuan Qi, Zhengqi Li, Kai Zhang, Richard Zhang, Zhe Lin, Eli Shechtman, Tianyu Wang, Yotam Nitzan

机构 * The University of Hong Kong（香港大学） ； Adobe Research（Adobe研究） 纠错

AI总结 Self-E 是一种新颖的从头开始训练方法，通过自我评估机制实现任意步文本到图像生成，兼具高效与高质量生成能力。

Comments Project page: https://xinyu-andy.github.io/SelfE-project/

Agent2World: Learning to Generate Symbolic World Models via Adaptive Multi-Agent Feedback

Agent2World: 通过自适应多智能体反馈学习生成符号世界模型

Mengkang Hu, Bowei Xia, Yuran Wu, Ailing Yu, Yude Zou, Qiguang Chen, Shijian Wang, Jiarui Jin, Kexin Li, Wenxiang Jiao, Yuan Lu, Ping Luo

机构 * The University of Hong Kong（香港大学） ； Xiaohongshu Inc.（小红书公司） ； UESTC（电子科技大学） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

AI总结 Agent2World通过自适应多智能体反馈学习生成符号世界模型，提升推理和微调性能，实现30.95%的相对提升。

Comments 48 pages, 15 tables, 7 figures, Project page: https://agent2world.github.io

Exploring Layer-wise Information Effectiveness for Post-Training Quantization in Small Language Models

探索分层信息有效性以实现小语言模型的后训练量化

He Xiao, Qingyao Yang, Dirui Xie, Wendong Xu, Zunhai Su, Runming yang, Wenyong Zhou, Haobo Liu, Zhengwu Liu, Ngai Wong

机构 * The University of Hong Kong（香港大学） ； Huazhong University of Science and Technology（华中科技大学） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生学院） 纠错

AI总结 LieQ通过分层信息有效性量化方法，在亚8B模型中实现高效低比特压缩，减少精度损失并提升边缘设备部署可行性。

Comments low-bit quantization