Shanghai Jiao Tong University（上海交通大学）

HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG

HELP: 图形节点扩展与逻辑路径引导的证据定位用于准确且高效的图RAG

Yuqi Huang, Ning Liao, Kai Yang, Anning Hu, Shengchao Hu, Xiaoxing Wang, Junchi Yan

机构 * Shanghai Jiao Tong University, China（上海交通大学） 纠错

AI总结 HELP通过HyperNode扩展和逻辑路径引导的证据定位策略，提升图RAG在准确性和效率之间的平衡，实现高效且准确的知识检索。

A Survey of Data Agents: Emerging Paradigm or Overstated Hype?

数据代理的综述：新兴范式还是过度炒作？

Yizhang Zhu, Liangwei Wang, Chenyu Yang, Xiaotian Lin, Boyan Li, Wei Zhou, Xinyu Liu, Zhangyang Peng, Tianqi Luo, Yu Li, Chengliang Chai, Chong Chen, Shimin Di, Ju Fan, Ji Sun, Nan Tang, Fugee Tsung, Jiannan Wang, Chenglin Wu, Yanwei Xu, Shaolei Zhang, Yong Zhang, Xuanhe Zhou, Guoliang Li, Yuyu Luo

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Shanghai Jiao Tong University（上海交通大学） ； Renmin University of China（中国人民大学） ； Beijing Institute of Technology（北京理工大学） ； Southeast University（东南大学） ； Tsinghua University（清华大学） ； Huawei（华为） ； DeepWisdom 纠错

AI总结 本文系统梳理了数据代理的分类与演变，提出分层框架并分析其技术发展与未来方向。

Comments Please refer to our paper list and companion materials at: https://github.com/HKUSTDial/awesome-data-agents

Towards Attributions of Input Variables in a Coalition

朝向联合体中输入变量的归因

Xinhao Zheng, Huiqi Deng, Quanshi Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出了一种新的归因度量，用于评估联合体变量的归因一致性，通过分析AND-OR交互影响，解决归因冲突问题，并在多个领域验证了方法的有效性。

Comments Accepted to the 2025 International Conference on Machine Learning (ICML 2025)

A Novel Semi-Coupled Hierarchical Motion Planning Framework for Cooperative Transportation of Multiple Mobile Manipulators

一种用于多移动机械臂协作运输的新型半耦合分层运动规划框架

Heng Zhang, Haoyi Song, Wenhang Liu, Xinjun Sheng, Zhenhua Xiong, Xiangyang Zhu

机构 * School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai, China（机械工程学院，上海交通大学，上海，中国） 纠错

AI总结 本文提出了一种新型半耦合分层框架，用于解决多移动机械臂协作运输中的运动规划问题，通过集中层和分层层的协同优化，提升了任务执行的成功率和效率。

Comments 21 pages, 9 figures

Journal ref Robotica 43 (2025) 4302-4324

GENSR: Symbolic Regression Based in Equation Generative Space

GENSR：基于方程生成空间的符号回归

Qian Li, Yuxiao Hu, Juncheng Liu, Yuntian Chen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Eastern Institute of Technology（东部技术研究所） ； The Hong Kong Polytechnic University（香港理工大学） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 GenSR通过生成潜在空间和改进的CMA-ES算法，实现了符号回归中预测准确性、表达简洁性和计算效率的联合优化。

DriveMamba: Task-Centric Scalable State Space Model for Efficient End-to-End Autonomous Driving

DriveMamba: 以任务为中心的可扩展状态空间模型用于高效端到端自动驾驶

Haisheng Su, Wei Wu, Feixiang Song, Junjie Zhang, Zhenjie Yang, Junchi Yan

机构 * Sch. of Computer Science & Sch. of Artificial Intelligence, Shanghai Jiao Tong University（计算机学院与人工智能学院，上海交通大学） ； SenseAuto 纠错

AI总结 DriveMamba通过动态任务关系建模、隐式视角对应学习和长期时间融合，提升端到端自动驾驶的效率与可扩展性。

Comments Accepted to ICLR2026

An Efficient LiDAR-Camera Fusion Network for Multi-Class 3D Dynamic Object Detection and Trajectory Prediction

一种高效的激光雷达-摄像头融合网络用于多类3D动态物体检测和轨迹预测

Yushen He, Lei Zhao, Tianchen Deng, Zipeng Fang, Weidong Chen

机构 * Institute of Medical Robotics and Department of Automation, Shanghai Jiao Tong University, Key Laboratory of System Control and Information Processing, Ministry of Education（医学机器人研究所和自动化系，上海交通大学，系统控制与信息处理重点实验室，教育部） 纠错

AI总结 本文提出了一种高效的激光雷达-摄像头融合网络，用于多类3D动态物体检测与轨迹预测，通过UniMT和RTMCT模型实现高精度检测与多样化轨迹预测。

Revisiting the Generalization Problem of Low-level Vision Models Through the Lens of Image Deraining

通过图像去雨的视角重新审视低级视觉模型的泛化问题

Jinfan Hu, Zhiyuan You, Jinjin Gu, Kaiwen Zhu, Tianfan Xue, Chao Dong

机构 * Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shenzhen Key Lab of Computer Vision and Pattern Recognition, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳计算机视觉与模式识别重点实验室，深圳先进技术研究院，中国科学院） ； Shenzhen University of Advanced Technology（深圳大学） 纠错

AI总结 本文通过图像去雨研究，揭示低级视觉模型泛化问题源于捷径学习，提出平衡数据复杂性和利用生成模型先验以提升模型鲁棒性。

Comments arXiv admin note: substantial text overlap with arXiv:2305.15134