文章总结： 北邮GAMMALAB三篇论文被ICLR2026录用，分别提出时域谱域扩散自编码器TS-DDAE用于无线信号识别预训练、图词元化框架实现图与Transformer接口、以及拓扑感知的RTL电路表示学习框架TopoRTL，相关成果已在OpenReview平台公开，展现了实验室在深度学习与表示学习领域的创新研究。 综合评分： 72 文章分类： AI安全,安全建设,其他

快讯｜北邮GAMMA LAB三篇工作被ICLR 2026录用

原创

赵明宇 赵明宇

北邮 GAMMA Lab

2026年1月27日 15:04 北京

快讯｜北邮GAMMA LAB三篇工作被ICLR 2026录用

ICLR 2026

北邮GAMMA LAB实验室三篇工作被ICLR 2026录用。

近日，国际学习表征大会 International Conference on Learning Representations 2026（ICLR 2026）公布了论文接收结果，今年有效投稿量接近19000份，总体接收率约为28%。GAMMA LAB师生共有3篇论文成功入选。ICLR是深度学习领域的顶级会议，致力于展示和发表深度学习在人工智能、统计学与数据科学等领域的前沿研究成果，以及其在机器视觉、计算生物学、语音识别、文本理解、游戏和机器人等重要应用方向的关键进展，与NeurIPS、ICML并称为机器学习领域三大顶会。2026年ICLR将于4月23日至4月27日在巴西里约热内卢举办。

录用论文

TS-DDAE: A Novel Temporal-Spectral Denoising Diffusion Autoencoder for Wireless Signal Recognition Model Pre-training TS-DDAE：一种用于无线信号识别模型预训练的新型时域-谱域去噪扩散自编码器 Yaoqi Liu, Jin Wang, Hui Wang and Chuan Shi

Graph Tokenization for Bridging Graphs and Transformers 图词元化：构建图与Transformer的通用接口 Zeyuan Guo, Enmao Diao, Cheng Yang, Chuan Shi

Topology Matters in RTL Circuit Representation Learning 拓扑在RTL电路表示学习中至关重要 Mingyu Zhao, Xun He, Jiawei Liu, Jianwang Zhai, Chuan Shi

论文详情

TS-DDAE: A Novel Temporal-Spectral Denoising Diffusion Autoencoder for Wireless Signal Recognition Model Pre-training Yaoqi Liu, Jin Wang, Hui Wang and Chuan Shi

摘要：无线信号识别（WSR）旨在利用人工智能（AI）在无需任何先验知识的情况下识别接收信号的特征，目前已广泛应用于民用和军用无线电领域。当前人工智能的预训练和微调范式已经展现出卓越的性能表现，现有的WSR预训练模型也取得了令人瞩目的成果。然而，这些方法要么采用可能会破坏信号复杂的局部依赖关系的“掩码-重建”预训练策略，要么忽略了信号潜在的频谱特征。因此，本文参照扩散模型，提出了一种全新的WSR预训练框架，称为时域-谱域去噪扩散自编码器（TS-DDAE）。该框架通过向信号中添加时域和频谱噪声来学习信号表示，然后利用学习到的神经网络重建原始数据。此外，我们设计了一种名为TS-Net的新型神经网络架构，采用自注意力机制为核心的时域编码器和通道注意力机制为核心的频谱编码器，二者相互耦合。在多个数据集和WSR任务上的大量实验表明，TS-DDAE相比现有最先进的基准方法取得了更优异的性能，这证明了其作为WSR基础模型的潜力。

Graph Tokenization for Bridging Graphs and Transformers Zeyuan Guo, Enmao Diao, Cheng Yang, Chuan Shi

摘要：大型预训练 Transformer 的成功与分词器密切相关，分词器将原始输入转换为离散符号。将这些模型扩展到图结构数据仍然是一个重大挑战。在这项工作中，我们介绍了一种图标记化框架，该框架通过将可逆图序列化（保留图信息）与字节对编码（BPE）（大型语言模型（LLM）中广泛采用的标记生成器）相结合来生成图的顺序表示。为了更好地捕获结构信息，图序列化过程以图子结构的全局统计为指导，确保频繁出现的子结构在序列中更频繁地出现，并且可以由 BPE 合并为有意义的标记。实证结果表明，所提出的分词器使 BERT 等 Transformer 能够直接应用于graph基准测试，而无需进行架构修改。所提出的方法在 12 个基准数据集上取得了最先进的结果，并且经常优于图神经网络和专用图Transformer模型。这项工作弥合了图结构数据和序列模型生态系统之间的差距。

Topology Matters in RTL Circuit Representation Learning Mingyu Zhao, Xun He, Jiawei Liu, Jianwang Zhai, Chuan Shi

摘要：寄存器传输级（RTL）电路的表示学习对于实现准确的性能、功耗和面积（PPA）预测、高效的电路生成以及自动化芯片设计中的电路检索至关重要。与通用编程语言不同，RTL本质上是一种结构化的数据流图，从硬件视角看，其语义与拓扑结构有着内在的紧密联系。然而，现有的基于语言模型的方法忽视了RTL电路的本质特性，无法捕捉对拓扑结构敏感的属性，导致表示不完备，在多种下游任务上性能有限。为解决这一问题，我们提出了TopoRTL，一个新颖的框架，能够显式学习RTL电路间的拓扑差异并保留行为信息。首先，我们将RTL设计分解为寄存器锥，并构建行为感知分词器初始化的双模态表示。其次，我们设计了三种拓扑感知的位置编码，并利用注意力机制使模型能够区分寄存器锥和RTL设计之间的拓扑变化。最后，我们引入了一种拓扑引导的跨模态对齐策略，在拓扑约束下对交错的模态对进行对比学习，以强化语义一致性并实现不同模态对齐。实验表明，显式的拓扑建模对提高RTL表示质量至关重要，TopoRTL在多项下游任务中显著优于现有方法。

所有文章均可在OpenReview平台访问，欢迎感兴趣的朋友进一步阅读原论文了解，后续也将为这些论文推出详细解读的文章～

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：北邮 GAMMA Lab 赵明宇 赵明宇《快讯｜北邮GAMMA LAB三篇工作被ICLR 2026录用》