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

Peisong Wang

ICML 2026×3AAAI 2026ACL 2026CVPR 2026IROS 2026MICRO 2026效率与系统对齐与偏好强化学习与后训练多模态推理
新星分贡献者
80
一作贡献0
核心/参与58
方向广度19
合作网络12
0 一作 · 8 篇 · ICML 2026 / AAAI 2026 / ACL 2026 / CVPR 2026 / IROS 2026 / MICRO 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

8
作者位次 #4/6ICML 2026Poster· Reinforcement Learning / Batch/Offline

Unifying Value Alignment and Assignment in Cross-Domain Offline Reinforcement Learning with Heterogeneous Datasets

Zhongjian Qiao · Jiafei Lyu · Chenjia Bai · Peisong Wang · Siyang Gao · Shuang Qiu

对齐与偏好强化学习与后训练数据与预训练OpenReview
作者位次 #3/10ACL 2026Findings· Findings of ACL

FARSS : Fisher-Optimized Adaptive Low-Rank and Singular-Vector Selection for Knowledge-Preserving Fine-Tuning

Renxing Chen · Ziwei Xiang · Peisong Wang · Hongjian Fang · Meng Li · Fanhu Zeng · Yanan Zhu · Peipei Yang · Xu-yao Zhang · Jian Cheng

摘要

Parameter-efficient fine-tuning (PEFT) has become a prevalent approach for adapting large language models (LLMs). However, low-rank adaptation methods face an inherent trade-off: improving target task performance can compromise pre-trained world knowledge, while aggressively constraining updates...

效率与系统强化学习与后训练评测与基准OpenReview 项目页

常见合作者