University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）

Tool-R0: Self-Evolving LLM Agents for Tool-Learning from Zero Data

Tool-R0：从零数据自我进化的大语言模型代理用于工具学习

Emre Can Acikgoz, Cheng Qian, Jonas Hübotter, Heng Ji, Dilek Hakkani-Tür, Gokhan Tur

机构 * UIUC（伊利诺伊大学香槟分校） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 Tool-R0通过自我对抗强化学习从零数据训练通用工具调用代理，实现92.5%的性能提升并超越完全监督基线。

On the Inference (In-)Security of Vertical Federated Learning: Efficient Auditing against Inference Tampering Attack

关于垂直联邦学习（VFL）的推断（不）安全性的推断：针对推断篡改攻击的高效审计

Chung-ju Huang, Ziqi Zhang, Yinggui Wang, Binghui Wang, Tao Wei, Leye Wang

机构 * Key Laboratory of High-Confidence \ Technologies (MOE) School of Computer Science Peking University Beijing China ； Department of Computer Science, University of Illinois Urbana-Champaign Champaign Illinois USA ； Department of Computer Science, Illinois Institute of Technology Chicago Illinois USA ； Key Laboratory of High-Confidence \ Technologies (MOE) School of Computer Science Peking University ； Department of Computer Science, University of Illinois Urbana-Champaign ； Department of Computer Science, Illinois Institute of Technology 纠错

AI总结 本文提出VeFIA框架，用于检测垂直联邦学习中的推断篡改攻击，通过可信执行环境验证数据方计算结果的正确性，有效提升安全性和隐私保护。

Neuro-Symbolic Generation of Explanations for Robot Policies with Weighted Signal Temporal Logic

神经符号生成机器人策略的解释性说明以加权信号时序逻辑

Mikihisa Yuasa, Ramavarapu S. Sreenivas, Huy T. Tran

机构 * The Grainger College of Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院） 纠错

AI总结 本文提出神经符号生成方法，通过加权信号时序逻辑生成简洁、一致且严格的解释，提升机器人策略的可解释性和安全性。

Journal ref IEEE Robotics and Automation Letters, vol. 11, pp. 3963-3970, 2026