paper.dinq.meAI 与前沿科学顶会 · 学术新星雷达
登录 DINQ
返回新星榜
TG

Ting Guo

ICML 2026×3强化学习与后训练理论与学习动力学可解释性
新星分新星
66
一作贡献30
核心/参与17
方向广度6
合作网络6
1 一作 · 3 篇 · ICML 2026

获取完整研究档案

首次获取该候选人的完整档案及 StartLux 评估共 20 积分；每位用户单独解锁，之后查看免费。主动刷新 20 积分。

联系方式

实时查找电子邮箱，费用不超过20积分；未找到邮箱不扣费。

2026 顶会论文

3
作者位次 #3/6ICML 2026Poster· Reinforcement Learning / Batch/Offline

Q-SAM: Unlocking Sharpness-Aware Minimization for Generalization in Offline Reinforcement Learning

Da Wang · Yi Ma · Ting Guo · Lin Li · Wei Wei · Jiye Liang

强化学习与后训练理论与学习动力学OpenReview
作者位次 #2/4ICML 2026Poster· Deep Learning / Graph Neural Networks

H$^2$CL: Heterogeneity-Aware Hypergraph Contrastive Learning for Robust Representation Learning

Kaixuan Yao · Ting Guo · Feilong Cao · Ming Li

可解释性OpenReview

常见合作者

DWDa WangYMYi MaLLLin LiWWWei WeiJLJiye LiangKYKaixuan YaoFCFeilong CaoMLMing LiDPDongyu PeiLQLitiao QiuXLXiaoying LiaoKLKE LIANG