Peking University（北京大学）

Adaptive Disentangled Representation Learning for Incomplete Multi-View Multi-Label Classification

自适应解耦表征学习用于不完整多视图多标签分类

Quanjiang Li, Zhiming Liu, Tianxiang Xu, Tingjin Luo, Chenping Hou

机构 * College of Science, National University of Defense Technology（国防科技大学科学学院） ； College of Artificial Intelligence, Harbin Institute of Technology（哈尔滨工业大学人工智能学院） ； School of Software and Microelectronics, Peking University（北京大学软件与微电子学院） 纠错

AI总结 ADRL通过自适应解耦表征学习方法解决多视图多标签分类中的特征缺失和标注不完整问题，提升模型性能。

PaCoRe: Learning to Scale Test-Time Compute with Parallel Coordinated Reasoning

PaCoRe: 通过并行协调推理学习扩展测试时间计算

Jingcheng Hu, Yinmin Zhang, Shijie Shang, Xiaobo Yang, Yue Peng, Zhewei Huang, Hebin Zhou, Xin Wu, Jie Cheng, Fanqi Wan, Xiangwen Kong, Chengyuan Yao, Kaiwen Yan, Ailin Huang, Hongyu Zhou, Qi Han, Zheng Ge, Daxin Jiang, Xiangyu Zhang, Heung-Yeung Shum

机构 * StepFun ； Tsinghua University（清华大学） ； Peking University（北京大学） 纠错

AI总结 PaCoRe通过并行协调推理框架，实现大规模测试时间计算扩展，提升数学推理能力至94.5%

Hi-ZFO: Hierarchical Zeroth- and First-Order LLM Fine-Tuning via Importance-Guided Tensor Selection

Hi-ZFO：通过重要性引导的张量选择实现层次化零阶和一阶LLM微调

Feihu Jin, Ying Tan

机构 * School of Intelligence Science and Technology, Peking University（智能科学与技术学院，北京大学） ； State Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室） 纠错

AI总结 Hi-ZFO通过结合一阶和零阶优化，提升LLM微调的精度与探索能力，有效解决训练中的局部极小值问题。

Comments 13 pages, 4 figures

Video Generation Models Are Good Latent Reward Models

视频生成模型是良好的潜在奖励模型

Xiaoyue Mi, Wenqing Yu, Jiesong Lian, Shibo Jie, Ruizhe Zhong, Zijun Liu, Guozhen Zhang, Zixiang Zhou, Zhiyong Xu, Yuan Zhou, Qinglin Lu, Fan Tang

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Tencent Hunyuan（腾讯文元） ； Huazhong University of Science and Technology（华中科技大学） ； Peking University（北京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Nanjing University（南京大学） 纠错

AI总结 本文提出PRFL框架，利用预训练视频生成模型在噪声潜在空间中进行奖励建模，实现高效去噪和降低训练成本。

DynaMo: Runtime Switchable Quantization for MoE with Cross-Dataset Adaptation

DynaMo: 用于MoE的运行时可切换量化与跨数据集适应

Zihao Zheng, Xiuping Cui, Size Zheng, Maoliang Li, Jiayu Chen, Yun Liang, Xiang Chen

机构 * School of Computer Science Peking University Beijing, China（计算机科学学院 首都大学 中国北京） ； School of Integrated Circuits Peking University Beijing, China（集成电路学院 首都大学 中国北京） 纠错

AI总结 DynaMo通过多级分析揭示MoE动态，提出可切换量化框架，实现跨数据集适应并提升模型性能与效率。

Comments This paper has been accepted by DATE 2026

SpiLiFormer: Enhancing Spiking Transformers with Lateral Inhibition

SpiLiFormer：通过横向抑制增强脉冲变换器

Zeqi Zheng, Yanchen Huang, Yingchao Yu, Zizheng Zhu, Junfeng Tang, Zhaofei Yu, Yaochu Jin

机构 * Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Nanjing University（南京大学） ； Donghua University（东华大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Peking University（北京大学） 纠错

AI总结 SpiLiFormer通过引入横向抑制机制，提升脉冲变换器对相关上下文的注意力，从而在多个数据集上取得更优性能。

Comments Accepted by ICCV 2025. The first two authors contributed equally

Journal ref Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 2025, pp. 24539-24548