综合新闻

近日，2026年神经信息处理系统大会（Conference and Workshop on Neural Information Processing Systems，简称NeurIPS）公布论文录用结果。本届会议有效投稿30709篇，最终收录论文7900篇，录用率25.7%，集中呈现了人工智能及机器学习领域的前沿研究进展。

人机智能技术与系统教育部工程研究中心2023级博士生赵建伟同学和2023级硕士生徐忠翰同学的第一作者论文分别被该CCF-A类顶级会议接收，共计2篇。其中，赵建伟同学的论文《Layout Before Pixels: Topology-Anchored Transcriptome-to-Histology Generation》重点关注基因到病理图像跨模态生成中的拓扑结构一致性问题；徐忠翰同学的论文《Stabilizing the Dynamic Low-Rank Training》主要研究动态低秩训练在高压缩、极低秩状态下的训练稳定性问题。

一、Layout Before Pixels：基于拓扑结构约束的转录组到病理图像生成

赵建伟同学（自动化工程学院）的研究论文《Layout Before Pixels: Topology-Anchored Transcriptome-to-Histology Generation》，电子科技大学机械与电气工程学院程洪教授为通讯作者，共同作者包括李鑫、杨帆、翟强、罗骜。NeurIPS2026_v3

利用患者转录组信息生成对应的组织病理图像，为理解分子状态如何映射到组织形态提供了新的技术路径，是计算病理领域的重要研究方向。然而，RNA-seq描述的是高度抽象的分子状态，而病理图像则包含复杂的细胞组成、空间排列和微观形态，两者之间存在明显的表征鸿沟。

现有方法通常直接将RNA-seq输入生成模型，由单一模型同时完成分子信息解析、组织结构推断和像素纹理生成，容易忽略连接基因表达与组织形态之间的重要环节——多细胞空间组织，并缺乏明确的结构约束。NeurIPS2026_v3

针对这一问题，论文提出TOPOSCAPE，建立“Layout-Before-Pixels”的转录组驱动病理图像生成范式。其核心思想是首先根据分子状态解析组织内部不同细胞类型的空间拓扑，再以这一显式组织结构作为中间桥梁完成病理图像生成，将传统的“转录组—图像”映射转化为“分子状态—细胞拓扑—组织表型”的结构化生成过程。

TOPOSCAPE构建了由转录组编码、细胞拓扑生成和病理图像渲染组成的分层生成框架。模型设计RNA-guided Topological Prior Generator（rTPG），利用RNA条件化的MeanFlow将分子信息解析为多类别细胞中心的空间分布，并引入基于持久同调的拓扑约束。获得细胞拓扑后，进一步将其转换为细胞密度场、距离表示和结构感知初始噪声，并设计Topology-Anchored Hierarchical Flow-Matching Renderer（TopoRenderer）对图像生成过程进行分层控制。

研究在LUAD、KIRP、COAD、CESC和GBM五个TCGA癌症队列上进行了系统实验。与多种通用图像生成模型及RNA驱动病理生成方法相比，TOPOSCAPE在图像生成质量和细胞真实性方面均取得了较好的实验结果。

二、Stabilizing the Dynamic Low-Rank Training：稳定动态低秩训练

徐忠翰同学（信息与通信工程学院）的研究论文《Stabilizing the Dynamic Low-Rank Training》，指导教师为人机智能技术与系统教育部工程研究中心汪玲副教授（信息与通信工程学院），共同作者包括陈俊豪、杨进伟等。

动态低秩训练（Dynamic Low-Rank Training，DLRT）通过将神经网络权重限制在低秩空间中，可以同时降低训练和推理过程中的显存、计算和存储开销。但在高压缩率和极低秩情况下，DLRT容易出现训练失败。研究分析发现，其主要原因在于DLRT忽略了一个与低秩流形曲率耦合（curvature-coupling）有关的项，而该项在激进压缩条件下不可忽略。

针对上述问题，论文提出SDLRT（Stable Dynamic Low-Rank Training）方法，引入轻量级compensation buffer，重新注入低秩截断过程中被忽略的重要奇异方向，同时对rank truncation tolerance加入负反馈机制，动态稳定各层的rank，从而提升高压缩率条件下低秩训练的稳定性。

实验结果显示，SDLRT作为DeBERTa-v3上的PEFT适配器，在SuperGLUE上取得了良好的实验表现，同时参数开销仅略高于经典方法LoRA。

NeurIPS是人工智能与机器学习领域最具影响力的国际顶级学术会议之一，与ICML、ICLR并列为机器学习领域三大顶级会议。会议主要聚焦机器学习、深度学习、生成式人工智能及人工智能交叉应用等前沿方向，是全球人工智能领域重要的学术交流与成果展示平台。

上述研究工作依托人机智能技术与系统教育部工程研究中心。中心负责人为机械与电气工程学院院长程洪教授，团队成员来自自动化工程学院、机械与电气工程学院、信息与通信工程学院等多个学院，是典型的多学科交叉研究团队。团队目前在人机智能理论、集群智能、康复机器人、认知康复等方向具有较为丰富的研究基础和实践经验。