The Hong Kong University of Science and Technology（香港科技大学）

Group-Shared Low-Rank Approximation for Mobile-Efficient Pointwise Convolutions in Large-Kernel CNNs

用于大核卷积神经网络中移动高效逐点卷积的组共享低秩近似

Hao Luo, Yiting Yang, Wenyi Zhao, Man Jiang, Zhijun Lin, Ghulam Mohiuddin, Ting Jiang, Kunming Luo, Zihao Zhang, Qingsen Yan, Guoqing Wang, Wei Dong, Peng Wang

机构 * Northwestern Polytechnical University（西北工业大学） ； Nanchang University（南昌大学） ； China Mobile Chengdu Institute of Research and Development（中国移动成都研究院） ； Hong Kong University of Science and Technology（香港科技大学） ； Institute of AI for Industries, Chinese Academy of Sciences（中国科学院人工智能产业研究院） ； University of Electronic Science and Technology of China（电子科技大学） 纠错

AI总结 针对大核CNN中逐点卷积占比过高导致边缘部署瓶颈的问题，提出通道组共享低秩近似方法，在保持性能的同时降低存储成本，实现大核CNN的边缘高效部署。

Comments 17 pages, 10 figures, accepted by MobiCom2026

Unsupervised Post-Training of Foundation Models: A Survey

基础模型的无监督后训练：一项综述

Yijie Xu, Qianyi Cai, Huizai Yao, Yili Wang, Tianfu Wang, Cehao Yang, Xingbo Yao, Zhiyu Guo, Aiwei Liu, Xuming Hu, Weiyu Guo, Hui Xiong

机构 * HKUST(GZ)（香港科技大学（广州）） ； HKUST（香港科技大学） ； Xiaohongshu Inc.（小红书公司） ； WeChat, Tencent（腾讯微信） ； CUHK（香港中文大学） ； AI Robotics（人工智能机器人） 纠错

AI总结 该综述梳理80种无监督后训练（UPT）方法，按更新信号来源分类，揭示内部信号与任务结构对UPT效果的影响，构建统一框架用于UPT的选择与评估。

Comments Accepted to Findings of EMNLP 2026. 20 pages, 3 figures, 8 tables

Buried in Textual Debt: Context Pruning with Visual Evidence Preservation for MLLM Agents

被文本债务掩埋：面向多模态大语言模型智能体的保留视觉证据的上下文剪枝

Yuchen Huang, Sijia Li, Jun Zhang, Yi R. Fung

机构 * Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 针对多模态大语言模型智能体长轨迹中文本主导上下文、抑制视觉证据的问题，提出基于KL引导的SPARE框架，结合OPSD与SFT实现高效剪枝，在多步视觉工具使用基准中达到最优准确率与剪枝比例的权衡。

Comments 17 pages, 3 figures, 5 tables

LoopMoE: Unifying Iterative Computation with Mixture-of-Experts for Language Modeling

LoopMoE：统一迭代计算与混合专家模型用于语言建模

Wenkai Chen, Tianshu Li, Wenyong Huang, Yichun Yin, Lifeng Shang, Chengwei Qin

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Huawei Technologies Co.,Ltd.（华为技术有限公司） 纠错

AI总结 提出LoopMoE，通过迭代自适应层归一化和容量平衡策略，在相同参数和FLOPs下，循环MoE语言模型在多个基准上优于标准MoE。

Adaptive Inference for Resource-Constrained Dynamic Pricing

资源约束下的自适应推断用于顺序定价

Ruicheng Ao, Jiashuo Jiang, David Simchi-Levi

机构 * Institute for Data, Systems, and Society, Massachusetts Institute of Technology, Cambridge, MA 02139（数据、系统与社会研究所，麻省理工学院，剑桥，马萨诸塞州，02139） ； Department of Industrial Engineering and Decision Analytics, Hong Kong University of Science and Technology, Hong Kong（工业工程与决策分析系，香港科技大学，香港） ； Department of Civil and Environmental Engineering and Operations Research Center, Massachusetts Institute of Technology, Cambridge, MA 02139（土木与环境工程系和运筹中心，麻省理工学院，剑桥，马萨诸塞州，02139） 纠错

AI总结 针对资源约束导致固定价格推断不可行的问题，提出一种目标感知定价控制器，通过认证可行目标带并记录连续局部密度，实现基于局部去偏的学生化区间，并分析遗憾-信息核算。

NestedKV: Nested Memory Routing for Long-Context KV Cache Compression

NestedKV: 用于长上下文KV缓存压缩的嵌套内存路由

Hong Chen, Xiang Liu, Yubo Gao, Yuxuan Fan, Bo Wang, Yuanlin Chu, Yuanguo Lin, Xuming Hu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Jimei University（集美大学） 纠错

AI总结 提出NestedKV方法，通过多时间尺度余弦异常评分和头自适应混合的免训练键缓存压缩，在长上下文任务中优于现有方法。

Comments EMNLP 2026 Main

Accurate Measurement of 3D and 2D Circular Centers With Application to LiDAR-Camera Extrinsic Calibration

3D与2D圆心的精确测量及其在激光雷达-相机外参标定中的应用

Jiajun Jiang, Xiao Hu, Wancheng Liu, Wei Jiang

机构 * Thrust of Robotics and Autonomous Systems, The Hong Kong University of Science and Technology (Guangzhou)（机器人与自主系统研究所，香港科技大学（广州）） ； Lower Airspace Economy Research Institute, International Digital Economy Academy, ShenZhen（空域经济研究所，国际数字经济学院） ； Horizon-Continental Technology Corporation（Horizon-Continental技术公司） ； State Key Laboratory of Rail Traffic Control and Safety and the Beijing Engineering Research Center of EMC and GNSS Technology for Rail Transportation, School of Electronic and Information Engineering, Beijing Jiaotong University（轨道交通控制与安全国家重点实验室，北京交通大学电子信息工程学院，电磁兼容与GNSS技术轨道交通工程研究中心） 纠错

AI总结 本文针对激光雷达-相机外参标定需求，提出结合共形几何代数估计器与RANSAC的圆心测量方法，提升了圆心测量精度并降低了外参标定误差。

DeepPlanner: Scaling Planning Capability for Deep Research Agents via Advantage Shaping

DeepPlanner：通过优势塑造提升深度研究智能体的规划能力

Wei Fan, Wenlin Yao, Zheng Li, Feng Yao, Xin Liu, Liang Qiu, Qingyu Yin, Yangqiu Song, Bing Yin

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Amazon（亚马逊） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 针对现有深度研究智能体规划阶段优化不足的问题，提出端到端 RL 框架 DeepPlanner，通过塑造 token 级优势与选择性提升样本级优势，在7个基准上以更低训练预算实现最优规划效果。

Comments Accepted by ACL 2026

Are Large Language Models Effective Knowledge Graph Constructors?

大型语言模型是高效的知识图谱构建者吗？

Ruirui Chen, Weifeng Jiang, Chengwei Qin, Bo Xiong, Kaiwen Wei, Fiona Liausvia, Pei Fang Tan, Ker Yung Chua, Dongkyu Choi, Mukkesh Kumar, Evelyn C. Law, Dennis Wang, Boon Kiat Quek

机构 * Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR), Singapore（高性能计算研究所（IHPC），科技研究局（A*STAR），新加坡） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Hong Kong University of Science and Technology (Guangzhou), China（香港科技大学（广州），中国） ； Stanford University, United States（斯坦福大学，美国） 纠错

AI总结 该研究提出D2A-HKG框架，用7个前沿LLMs在CMW-Lit数据集上基准测试零样本KG构建，发现SOTA LLMs可生成相关三元组但阶段行为有差异，还发布了CMW-Lit及生成KG作为研究资源。

From Accuracy to Robustness: A Study of Rule- and Model-based Verifiers in Mathematical Reasoning

从准确率到鲁棒性：数学推理中基于规则与基于模型的验证器研究

Yuzhen Huang, Weihao Zeng, Xingshan Zeng, Qi Zhu, Junxian He

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； Tsinghua University（清华大学） 纠错

AI总结 本研究以数学推理为案例，分析了基于规则与基于模型的验证器在静态评估和RL训练中的表现，发现两类验证器分别存在误拒和奖励黑客问题，为开发更优RL奖励系统提供了参考。

Comments EMNLP 2026 Main Conference

Legal Rule Induction: Towards Generalizable Principle Discovery from Analogous Judicial Precedents

法律规则归纳：从类似司法判例中发现可泛化的原则

Wei Fan, Tianshi Zheng, Yiran Hu, Zheye Deng, Weiqi Wang, Baixuan Xu, Chunyang Li, Haoran Li, Weixing Shen, Yangqiu Song

机构 * Department of Computer Science and Engineering, HKUST, Hong Kong SAR, China（香港科技大学计算机科学与工程系） ； School of Law, Tsinghua University, Beijing, China（清华大学法学院） 纠错

AI总结 本研究定义法律规则归纳任务，构建首个相关基准数据集，发现先进LLMs存在过度泛化和幻觉问题，经该数据集训练可提升其捕捉类似案件细微规则模式的能力。

Comments Accepted by EMNLP2026 Main Conference