2026年9月26日，第40届神经信息处理系统大会(NeurIPS'26)论文录用结果公布。MMRC实验室在联邦迁移聚合方向与三维场景生成方向的两项研究成果被录用。

论文名称：Geometry-Regularized Collapse Resistance via

Consensus Enhancement for Federated Learning

论文作者：朱晶晶（山东大学）；齐壮（新加坡国立大学）；孟雷（山东大学）；于涵（南洋理工大学）；Jie Zhang（南洋理工大学）；孟祥旭（山东大学）

Paper链接：https://github.com/zhujingjing-zjj/NeurIPS2026_RISE/blob/main/NeurIPS2026_RISE.pdf

Code链接：https://github.com/zhujingjing-zjj/NeurIPS2026_RISE/tree/main/RISE

论文简介：知识蒸馏能够为联邦学习中的本地训练提供共享语义监督，从而降低客户端模型过度拟合自身数据分布的倾向。现有方法通常利用客户端上传的本地信息构建全局知识库，以建立客户端之间的一致性。然而，在异构数据环境下，由客户端数据产生的全局知识不可避免地会包含局部偏差。针对这一问题，本文提出了一种几何正则化跨孤岛一致性增强方法（geometry-Regularized cross-sIlo conSensus Enhancement, RISE），通过在本地适配过程中保持预训练几何一致性先验，提高联邦学习模型抵抗表示坍缩的能力。具体而言，RISE引入了两个互补的几何正则化模块。首先，偏置低维子空间校正模块（Biased Low-dimensional Subspace Correction, BLSC）通过约束适配后特征在主表示子空间中的能量分布，保持预训练表示的谱能量特征。不同于直接约束特征方向一致性，BLSC不要求逐方向对齐，而是抑制特征能量过度集中于少数主导成分，从而缓解偏置低维特征坍缩问题。其次，流形关系图对齐模块（Manifold Relation Graph Alignment, MRGA）通过利用预训练全局类别原型构建具有迁移性的类别间拓扑结构，并将客户端侧类别结构与该全局关系进行对齐，从而约束关系流形结构变化，减少类别表示漂移，并提升全局模型聚合的稳定性。在八个基准数据集和两类任务设置上的大量实验结果表明，RISE能够有效提升跨客户端一致性，并增强全局模型的泛化能力，其性能优于八种先进的联邦学习方法。

图1：RISE框架

论文名称：HierRR: Enhancing Instruction Alignment in Open-Vocabulary Indoor Scene Synthesis via Agentic Hierarchical Reasoning and Reflection

论文作者：孙玮琳（山东大学）；孟雷（山东大学）；张立慧（山东大学）；李曼祎（山东大学）；孟祥旭（山东大学）

Paper链接：https://openreview.net/forum?id=Ze8wZz7XX1&noteId=Ze8wZz7XX1

Code链接：https://github.com/SunWeiLin-Lynne/Hierarchical_Reasoning_and_Reflection_code

论文简介：开放词汇室内场景合成旨在根据任意用户指令生成合理的布局，同时确保物理可行性和语义一致性。现有方法通常直接从指令中推断物体间的空间关系，并基于预定义规则求解布局，虽在物理可行性方面取得了一定进展，但往往难以精确响应复杂指令——这主要归因于对空间关系的理解不足以及将指令转化为布局的能力有限。针对上述问题，本文提出了一种分层推理与反思智能体的框架HierRR。该框架利用关系层次结构指导多粒度空间关系理解与可溯源的布局推理，从而在保持物理可行性的同时提升了语义一致性。具体而言，HierRR引入了“空间变换思维链推理模块”，显式建模从空间关系到可执行几何放置的映射，有效缓解了推理过程中的语义漂移问题。此外，该框架还采用了“语义与视觉引导的反思模块”，沿着层次结构从局部到全局迭代优化空间关系与布局推理，从而有效弥合了语言指令与几何布局之间的鸿沟。广泛的对比实验与消融研究表明，与现有方法相比，HierRR能够以更少的反思迭代次数，生成更合理且语义更一致的室内场景布局，并能有效泛化至包含大量物体及多样化空间约束的复杂场景。

图2：分层推理与反思框架（HierRR）

神经信息处理系统大会（Conference on Neural Information Processing Systems，NeurIPS）是机器学习与人工智能领域最具影响力的国际顶级学术会议之一。作为中国计算机学会（CCF）推荐的A类国际会议，NeurIPS长期聚焦于机器学习、深度学习、计算机视觉、自然语言处理、优化方法、神经科学等前沿研究方向。为全球学者提供展示最新成果、交流前沿思想的重要平台，也为人工智能研究的学术创新与国际合作注入了新的动力。NeurIPS第40届会议，将于2026年12月在悉尼举行主会，将于12月在悉尼举行主会，并在美国亚特兰大和法国巴黎设置卫星会场。NeurIPS 2026共收到约30,709篇投稿，最终接收约7,900篇，整体接收率约为25.7%。