高校专区
WorldCompass：用于长周期世界模型的强化学习
机构 * Zhejiang University（浙江大学） ； Tencent Hunyuan（腾讯混元） ； The University of Hong Kong（香港大学）
AI总结 WorldCompass通过三种创新提升长周期世界模型的交互准确性和视觉保真度。
Comments Project page: \url{https://3d-models.hunyuan.tencent.com/world/}
数据重建：基于样本分割的可识别性与优化
机构 * Zhili College at Tsinghua University（清华大学紫荆学院） ； Courant Institute for Mathematical Sciences at New York University（纽约大学Courant数学科学研究所） ； School of Computing and Data Science at University of Hong Kong（香港大学计算与数据科学学院） ； Courant Institute for Mathematical Sciences, and Center for Data Science at New York University（纽约大学Courant数学科学研究所和数据科学中心）
AI总结 本文研究了数据重建的可识别性与优化问题，提出样本分割方法以提升重建性能。
低光照视频增强与有效的空间-时间分解范式
机构 * Department of Computer Science and Engineering, The Chinese University of Hong Kong（计算机科学与工程系，香港中文大学） ； Shenzhen University（深圳大学） ； The University of Hong Kong（香港大学） ； camera group of DJI（大疆创新相机组） ； Zhejiang Normal University（浙江师范大学）
AI总结 本文提出视图感知低光照视频增强方法，通过引入双结构增强网络和残差项，提升视频增强与退化对应细化的性能。
PACC：面向协议的跨层压缩用于紧凑网络流量表示
机构 * University of Electronic Science and Technology of China（电子科技大学） ； University of Hong Kong（香港大学） ； Renmin University of China（中国人民大学） ； Hong Kong Polytechnic University（香港理工大学）
AI总结 PACC通过跨层压缩和冗余消除，提升网络流量表示的效率与准确性，实现更高效的分类和检测性能。
多智能体系统何时表现更优？分析智能体系统的学习效率
机构 * Department of Computer Science, University of Hong Kong（计算机科学系，香港大学）
AI总结 本文研究多智能体强化学习在大语言模型中的学习效率，通过理论分析揭示任务分解与对齐对样本复杂性的影响，明确MARL在特定任务下的优势条件。
带有偏见AI反馈的统计框架
机构 * Center for Data Science, Zhejiang University（浙江大学数据科学中心） ； Department of Electrical and Computer Engineering, Rutgers University（罗格斯大学电气与计算机工程系） ； Department of Statistics, Rutgers University（罗格斯大学统计学系） ； Faculty of Business and Economics, The University of Hong Kong（香港大学商学院）
AI总结 本文提出两种去偏对齐方法，DDPO通过残差修正和密度比重加权提升效率，DIPO直接估计人类偏好概率，实验证明其在情感生成、摘要和对话任务中提升了对齐效率并接近全人类标注数据性能。
RECUR：通过递归熵引导的反事实利用与反射实现资源耗尽攻击
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Nanyang Technological University（南洋理工大学） ； Wuhan University（武汉大学） ； Southeast University（东南大学） ； University of Hong Kong（香港大学）
AI总结 本文提出RECUR攻击，通过递归熵引导反事实利用与反射，揭示大型推理模型的资源耗尽风险及安全问题。
PEGAsus: 几何与外观的3D个性化
机构 * The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） ； Autodesk Research（Autodesk研究） ； The Hong Kong University of Science（香港科学大学） ； Lingnan University（岭南大学） ； Tel-Aviv University（特拉维夫大学）
AI总结 PEGAsus通过几何与外观层面的概念学习，实现个性化3D形状生成，支持灵活的概念提取与合成，优于现有方法。
人形机器人行为基础模型综述：下一代全身体控系统
机构 * Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算机系） ； LimX Dynamics ； Ningbo Institute of Digital Twin, Eastern Institute of Technology（宁波数字孪生研究院、东部技术研究所） ； Department of Data and Systems Engineering, The University of Hong Kong（香港大学数据与系统工程系） ； CREATE Lab, EPFL（EPFL CREATE 实验室） ； School of System Design and Intelligent Manufacturing, Southern University of Science and Technology（南方科技大学系统设计与智能制造学院） ； ZJU-UIUC Institute, Zhejiang University（浙江大学ZJU-UIUC研究院） ； INFIFORCE Intelligent Technology Co., Ltd.（INFIFORCE智能科技有限公司）
AI总结 本文综述了人形机器人全身体控中行为基础模型的发展，探讨了其在复杂任务中的应用及未来研究方向。
Comments 19 pages, 10 figures
Journal ref IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, 2025
Rich-ARQ：从1位确认到丰富的神经编码反馈
机构 * Department of Electrical and Electronic Engineering, The University of Hong Kong（电子与电气工程系，香港大学）
AI总结 Rich-ARQ通过引入神经编码反馈机制，实现发端与收端的协同物理层信道编码，提升无线通信的SNR增益和时延性能。
深度可变长度反馈码
机构 * Department of Electrical and Electronic Engineering, The University of Hong Kong（电子与电气工程系，香港大学）
AI总结 本文提出深度可变长度反馈码，通过学习反馈动态调整传输长度，实现更高效的信道编码性能。
向理解DP-GD的泛化能力：在训练两层CNN中的案例研究
机构 * School of Mathematics, Georgia Institute of Technology（佐治亚理工学院数学系） ； The University of Hong Kong（香港大学） ； Department of Computer Science, RPTU Kaiserslautern-Landau（科隆-兰道大学计算机科学系） ； Department of Statistics and Actuarial Science, School of Computing and Data Science, The University of Hong Kong（香港大学统计与精算科学系）
AI总结 本文研究了DP-GD在训练两层CNN中的泛化能力，发现其在特定任务中优于GD，同时保障隐私。
OpenPhone: 移动代理基础模型
机构 * The University of Hong Kong（香港大学）
AI总结 OpenPhone通过设备-云协作提升移动GUI代理性能，结合设备端高效模型与云端强大能力，实现成本降低与性能提升的平衡。
通过优化路径塑形实现 conveyor 系统上的动态物体操控
机构 * The University of Hong Kong（香港大学） ； CVTE（中国建筑第三工程局） ； Tsinghua University（清华大学）
AI总结 本文提出GEM方法，通过优化路径塑形解决动态物体操控中的数据稀缺问题，实现跨环境背景和物体几何的泛化，成功应用于现实餐厅餐具收集任务。
MAMBO-G：基于幅度的提升引导抑制
机构 * Shanghai Jiao Tong University（上海交通大学） ； The University of Hong Kong（香港大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Waterloo（滑铁卢大学） ； Chinese Academy of Sciences（中国科学院） ； Zhongguancun Academy（中关村学院）
AI总结 MAMBO-G通过动态优化引导幅度，显著降低计算成本，实现视频生成任务的高效加速。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈