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

Unleashing Guidance Without Classifiers for Human-Object Interaction Animation

释放无需分类器的人-物体交互动画

Ziyin Wang, Sirui Xu, Chuan Guo, Bing Zhou, Jiangshan Gong, Jian Wang, Yu-Xiong Wang, Liang-Yan Gui

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

AI总结 本文提出LIGHT方法，通过数据驱动的方式生成真实的人-物体交互动画，利用去噪速度自身产生指导，无需手动设计先验。实验表明其在接触精度和动画生成方面优于传统方法。

Comments Project Page: http://ziyinwang1.github.io/LIGHT

Learning to Rank Caption Chains for Video-Text Alignment

学习排名图注链以实现视频-文本对齐

Ansel Blume, Burak Uzkent, Shalini Chaudhuri, Garin Kessler

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

AI总结 本文提出通过重复图注退化生成大规模挑战性图注链，改进视频-文本对齐的排名优化方法，优于二元DPO并在长形式内容生成中表现更优，需对视觉编码器进行微调。

Stochastic Ray Tracing for the Reconstruction of 3D Gaussian Splatting

随机光线追踪用于3D高斯点云重建

Peiyu Xu, Xin Sun, Krishna Mullia, Raymond Fei, Iliyan Georgiev, Shuang Zhao

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Adobe Research（Adobe 研究院） ； Canva Research（Canva 研究院） 纠错

AI总结 本文提出一种无排序的随机光线追踪方法，用于重建和渲染标准及可照明的3D高斯点云场景，提升了重建质量和速度。

Comments Project Page: https://xupaya.github.io/stoch3DGS/

OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection

OWLEYE：跨域图数据异常检测的零样本学习者

Lecheng Zheng, Dongqi Fu, Zihao Li, Jingrui He

机构 * Virginia Tech（弗吉尼亚理工大学） ； Meta AI ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 OWLEYE提出一种跨域图数据异常检测框架，通过跨域特征对齐模块、多域多模式字典学习和截断注意力重构模块，实现零样本学习和持续学习能力，提升异常检测性能与泛化能力。

Comments Accepted by ICLR 2026

Verifier Threshold: An Efficient Test-Time Scaling Approach for Image Generation

验证阈值：一种高效的测试时间扩展方法用于图像生成

Vignesh Sundaresha, Akash Haridas, Vikram Appia, Lav R. Varshney

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； AMD（超威半导体公司） ； Stony Brook University（石溪大学） 纠错

AI总结 本文提出Verifier-Threshold方法，通过自动重新分配测试时间计算，提升图像生成模型的效率，在GenEval基准上实现2-4倍的计算时间减少。

Comments ICLR 2026 ReALM-Gen and DeLTa

SMILES-Mamba: Chemical Mamba Foundation Models for Drug ADMET Prediction

SMILES-Mamba：用于药物ADMET预测的化学Mamba基础模型

Bohao Xu, Yingzhou Lu, Chenhao Li, Ling Yue, Xiao Wang, Tianfan Fu, Minjie Shen, Lulu Chen

机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； Stanford University（斯坦福大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Washington（华盛顿大学） ； Virginia Tech（弗吉尼亚理工大学） 纠错

AI总结 SMILES-Mamba通过自监督预训练和微调策略，利用未标记和标记数据预测药物ADMET属性，在22个数据集上表现优异，提升分子属性预测准确性并减少对大规模标注数据的依赖。

MindSet: Vision. A toolbox for testing DNNs on key psychological experiments

MindSet: Vision. 一个用于测试DNN在关键心理实验上的工具箱

Valerio Biscione, Milton L. Montero, Marin Dujmovic, Gaurav Malhotra, Dong Yin, Guillermo Puebla, Federico Adolfi, Rachel F. Heaton, John E. Hummel, Benjamin D. Evans, Karim Habashy, Jeffrey S. Bowers

机构 * Independent（独立研究） ； University of Bristol（布里斯托大学） ； IT University of Copenhagen（哥本哈根信息技术大学） ； SUNY Albany（纽约州立大学奥尔巴尼分校） ； Cambridge University（剑桥大学） ； Universidad de Tarapacá（塔拉帕卡大学） ； Ernst Strüngmann Institute for Neuroscience（恩斯特·斯特朗曼神经科学研究所） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Sussex（萨塞克斯大学） 纠错

AI总结 本文提出MindSet: Vision工具箱，包含30项心理发现的图像数据集及测试DNN的三种方法，旨在评估DNN与人类视觉的对齐程度。

Comments 34 pages, 12 figures. Updated version with additional model evaluations

Prune as You Generate: Online Rollout Pruning for Faster and Better RLVR

在生成过程中剪枝：用于更快更好RLVR的在线回滚剪枝

Haobo Xu, Sirui Chen, Ruizhong Qiu, Yuchen Yan, Chen Luo, Monica Cheng, Jingrui He, Hanghang Tong

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

AI总结 本文提出arrol方法，通过在生成过程中剪枝回滚，提高RLVR的训练效率和准确性，实验显示在Qwen-3和LLaMA-3.2模型上平均准确率提升2.30至2.99，训练速度提升1.7倍，测试时扩展性提升8.33。

Comments 17 pages, 4 figures

A Practical Guide Towards Interpreting Time-Series Deep Clinical Predictive Models: A Reproducibility Study

一种解释时间序列深度临床预测模型的实用指南：可重复性研究

Yongda Fan, John Wu, Andrea Fitzpatrick, Naveen Baskaran, Jimeng Sun, Adam Cross

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； PyHealth ； University of Illinois College of Medicine（伊利诺伊大学医学院） 纠错

AI总结 本文通过评估不同临床预测任务和模型架构的可解释性方法，发现注意力机制能有效提升解释性，而黑盒解释器在时间序列任务中不可行，同时指出部分方法不可靠，提出改进临床预测流水线的指导原则。

Comments Under Review

Adaptive Online Mirror Descent for Tchebycheff Scalarization in Multi-Objective Learning

自适应在线镜像下降法用于多目标学习中的切比雪夫标量化

Meitong Liu, Xiaoyuan Zhang, Chulin Xie, Kate Donahue, Han Zhao

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Hong Kong（香港大学） ； City University of Hong Kong（城市大学） 纠错

AI总结 本文提出自适应在线镜像下降算法(AdaOMD-TCH)，用于多目标学习中的切比雪夫标量化，通过自适应在线到批量转换提升解的最优性，实现$\mathcal O(\sqrt{\log m/T})$收敛速度。

Comments TMLR 2026

A Comprehensive Survey on Vector Database: Storage and Retrieval Technique, Challenge

向量数据库的全面综述：存储与检索技术、挑战

Le Ma, Ran Zhang, Yikun Han, Shirui Yu, Zaitian Wang, Zhiyuan Ning, Jinghan Zhang, Ping Xu, Pengjiang Li, Ziyue Qiao, Wei Ju, Chong Chen, Dongjie Wang, Kunpeng Liu, Pengyang Wang, Pengfei Wang, Yanjie Fu, Chunjiang Liu, Yuanchun Zhou, Chang-Tien Lu

机构 * Sichuan University（四川大学） ； Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； National Science Library (Chengdu), Chinese Academy of Sciences（中国科学院成都科学图书馆） ； University of Chinese Academy of Sciences（中国科学院大学） ； Portland State University（波特兰州立大学） ； Great Bay University（大湾大学） ； Terminus Group（Terminus集团） ； University of Kansas（堪萨斯大学） ； University of Macau（澳门大学） ； Arizona State University（亚利桑那州立大学） 纠错

AI总结 本文综述了向量数据库的核心设计与算法，分析了存储与检索技术的演变，比较了主流架构并探讨了与大语言模型整合的新兴方向，为研究者提供系统参考。