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

TrustFed: Enabling Trustworthy Medical AI under Data Privacy Constraints

TrustFed: 在数据隐私约束下实现可信的医疗AI

Vagish Kumar, Syed Bahauddin Alam, Souvik Chakraborty

机构 * Department of Applied Mechanics（应用力学系） ； Indian Institute of Technology Delhi（印度理工学院德里） ； Grainger College of Engineering（工程学院） ； Nuclear, Plasma & Radiological Engineering Department（核物理与辐射工程系） ； National Center for Supercomputing Applications（国家超级计算应用中心） ； Yardi School of Artificial Intelligence (ScAI)（Yardi人工智能学院（ScAI）） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 TrustFed通过联邦不确定性量化框架，在异构和不平衡医疗数据上提供分布无关的有限样本覆盖保证，无需集中访问，提升预测可靠性。

Conformal Koopman for Embedded Nonlinear Control with Statistical Robustness: Theory and Real-World Validation

共形Koopman用于嵌入非线性控制的统计鲁棒性：理论与现实验证

Koki Hirano, Hiroyasu Tsukamoto

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

AI总结 本文提出一种基于Koopman的全数据驱动框架，用于具有线性嵌入的离散时间非线性系统的统计鲁棒控制，通过共形预测提供分布无关的概率界限，确保安全性和鲁棒性。

Comments 8 pages, 6 figures. Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA). The final published version will be available via IEEE Xplore

BOxCrete: A Bayesian Optimization Open-Source AI Model for Concrete Strength Forecasting and Mix Optimization

BOxCrete：一种用于混凝土强度预测和混合优化的贝叶斯优化开源AI模型

Bayezid Baten, M. Ayyan Iqbal, Sebastian Ament, Julius Kusuma, Nishant Garg

机构 * Department of Civil and Environmental Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校土木与环境工程系） ； Meta 纠错

AI总结 本文提出BOxCrete，基于开源数据集预测混凝土强度并优化混合设计，采用高斯过程回归实现高精度预测与多目标优化，为数据驱动的AI混合设计提供可复现的开源基础。

Comments Code and dataset are available at https://github.com/facebookresearch/SustainableConcrete

Generalizable Self-Evolving Memory for Automatic Prompt Optimization

通用可推广的自我进化记忆用于自动提示优化

Guanbao Liang, Yuanchen Bei, Sheng Zhou, Yuheng Qin, Huan Zhou, Bingxin Jia, Bin Li, Jiajun Bu

机构 * Zhejiang University（浙江大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 本文提出MemAPO框架，通过双记忆机制积累可推广的提示经验，提升提示优化的泛化能力和持续改进能力。

Stiff Circuit System Modeling via Transformer

通过变压器建模刚性电路系统

Weiman Yan, Yi-Chia Chang, Wanyu Zhao

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

AI总结 本文提出利用Crossformer和KANs结合建模刚性电路瞬态行为，提升预测精度并减少训练时间与误差率。

Formula-R1: Incentivizing LLM Reasoning over Complex Tables with Numerical Computation via Formula-Driven Reinforcement Learning

Formula-R1：通过公式驱动强化学习激励LLM对复杂表格进行数值计算的推理

Lang Cao, Jingxian Xu, Hanbing Liu, Jinyu Wang, Mengyu Zhou, Haoyu Dong, Shi Han, Dongmei Zhang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nankai University（南开大学） ； Tsinghua University（清华大学） ； Shandong University（山东大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出Formula-R1，通过公式驱动强化学习框架提升LLM对复杂表格的推理能力，尤其在多步数值计算任务中表现优异，且优于现有方法。

Must Read: A Comprehensive Survey of Computational Persuasion

必须阅读：计算说服的全面综述

Nimet Beyza Bozdag, Shuhaib Mehri, Xiaocheng Yang, Hyeonjeong Ha, Zirui Cheng, Esin Durmus, Jiaxuan You, Heng Ji, Gokhan Tur, Dilek Hakkani-Tür

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

AI总结 本文综述了计算说服的三个视角：AI作为说服者、被说服者和评判者，探讨了AI生成内容的有效性及伦理挑战。

Comments Accepted to ACM Computing Surveys

LOCO Feature Importance Inference without Data Splitting via Minipatch Ensembles

无需数据分割的minipatch集成特征重要性推断

Luqin Gan, Lili Zheng, Genevera I. Allen

机构 * Department of Statistics, Rice University（理查德·伊尔·米勒大学统计系） ； Department of Statistics, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校统计系） ； Department of Statistics, Columbia University（哥伦比亚大学统计系） 纠错

AI总结 本文提出一种无需数据分割的特征重要性推断框架，通过minipatch集成实现高效且分布无关的模型解释，解决了传统方法的分布假设和数据分割问题。

Joint Surrogate Learning of Objectives, Constraints, and Sensitivities for Efficient Multi-objective Optimization of Neural Dynamical Systems

联合学习目标、约束和灵敏度以实现神经动力系统高效多目标优化

Frithjof Gressmann, Ivan Georgiev Raikov, Seung Hyun Kim, Mattia Gazzola, Lawrence Rauchwerger, Ivan Soltesz

机构 * Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算与数据科学学院） ； Grainer College of Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校工程学院） ； Department of Neurosurgery, Stanford University（斯坦福大学神经外科部） ； Carl R. Woese Institute for Genomic Biology, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校卡尔·R·沃塞基因组生物学研究所） ； Mechanical Science and Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） ； National Center for Supercomputing Applications, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校国家超级计算应用中心） 纠错

AI总结 本文提出DMOSOPT框架，通过联合学习目标、约束和灵敏度的代理模型，实现高效多目标优化，适用于高约束问题。

User Preference Modeling for Conversational LLM Agents: Weak Rewards from Retrieval-Augmented Interaction

用于对话大语言模型代理的用户偏好建模：来自检索增强交互的弱奖励

Yuren Hao, Shuhaib Mehri, ChengXiang Zhai, Dilek Hakkani-Tür

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

AI总结 本文提出VARS框架，通过长短期向量表示用户偏好，利用弱奖励在线更新向量，提升交互效率，实验证明其在多会话协作任务中表现优异。

Comments 21 pages including appendices

Reasoning Traces Shape Outputs but Models Won't Say So

推理轨迹影响输出但模型不会坦言

Yijie Hao, Lingjie Chen, Ali Emami, Joyce Ho

机构 * Emory University（埃默里大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究探讨大推理模型产生的推理轨迹是否真实反映其输出驱动因素，发现注入合成推理片段能可靠改变输出，但模型在解释改变时普遍拒绝披露影响，激活分析显示系统性欺骗模式。

PaQ-DETR: Learning Pattern and Quality-Aware Dynamic Queries for Object Detection

PaQ-DETR: 基于模式和质量感知的动态查询学习用于目标检测

Zhengjian Kang, Jun Zhuang, Kangtong Mo, Qi Chen, Rui Liu, Ye Zhang

机构 * New York University（纽约大学） ； Boise State University（博伊西州立大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Irvine（加州大学 Irvine 分校） ； Illinois Institute of Technology（伊利诺伊理工学院） ； University of Pittsburgh（匹兹堡大学） 纠错

AI总结 PaQ-DETR通过学习共享潜在模式和动态生成图像特定查询，提升查询适应性和监督平衡，实验表明在多个基准上提升mAP 1.5%-4.2%。

Comments 10 pages, 6 figures, Accepted at CVPR2026

Viability-Preserving Passive Torque Control

保持可行性被动扭矩控制

Zizhe Zhang, Yicong Wang, Zhiquan Zhang, Tianyu Li, Nadia Figueroa

机构 * University of Pennsylvania（宾夕法尼亚大学） ； UIUC（伊利诺伊大学香槟分校） 纠错

AI总结 本文利用可行性理论预计算关节位置和速度的状态空间安全集，通过数据驱动和分析方法避免自碰撞和外部物体碰撞，约束关节加速度从而限制扭矩，通过二次规划框架确保机器人状态在无限时间范围内保持安全。

Comments 8 pages, 7 figures, Project Website: https://vpp-tc.github.io/webpage/

Meta-Learning for Repeated Bayesian Persuasion

为重复贝叶斯说服设计的元学习

Ata Poyraz Turna, Asrin Efe Yorulmaz, Tamer Başar

机构 * Bogazici University（博斯海夫大学） ； University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出元说服算法，在在线贝叶斯说服和马尔可夫说服过程中，通过任务相似性实现更优的后悔率，同时在任意游戏序列下恢复单次游戏保证。

Comments 40 pages

SafeSearch: Do Not Trade Safety for Utility in LLM Search Agents

SafeSearch: 不应为效用而牺牲安全性的LLM搜索代理

Qiusi Zhan, Angeline Budiman-Chan, Abdelrahman Zayed, Xingzhi Guo, Daniel Kang, Joo-Kyung Kim

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊） 纠错

AI总结 本文研究了基于大语言模型的搜索代理在安全与效用之间的平衡问题，提出SafeSearch方法通过多目标强化学习提升安全性和效用，实验表明其显著降低有害输出并保持问答性能。

Comments EACL 2026 Findings. Code available at https://github.com/amazon-science/SafeSearch