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

Differentiable Filtering for Learning Hidden Markov Models

可微滤波用于学习隐马尔可夫模型

Reginald Zhiyan Chen, Heng-Sheng Chang, Prashant G. Mehta

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Coordinated Science Laboratory（协调科学实验室） ； Department of Mechanical Science and Engineering（机械科学与工程系） 纠错

AI总结 本文提出Belief Net，通过将前向滤波建模为结构化神经网络，利用随机梯度下降学习隐马尔可夫模型参数，实现高效且可解释的参数估计。

Comments 20 pages, 8 figures, accepted to conference: L4DC 2026

Report for NSF Workshop on AI for Electronic Design Automation

NSF关于人工智能在电子设计自动化领域的研讨会报告

Deming Chen, Vijay Ganesh, Weikai Li, Yingyan Celine Lin, Yong Liu, Subhasish Mitra, David Z. Pan, Ruchir Puri, Jason Cong, Yizhou Sun

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of California at Los Angeles（加州大学洛杉矶分校） ； Cadence Design Systems, Inc.（Cadence设计系统公司） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； IBM 纠错

AI总结 报告总结了NSF人工智能在电子设计自动化领域研讨会的讨论和建议，探讨了AI技术如何加速EDA设计流程，提出加强AI与EDA合作、投资基础AI研究等核心贡献。

Comments Accepted by IEEE Circuits and Systems Magazine (2026). This is the accepted version. The published version is available at https://ieeexplore.ieee.org/document/11466406

Journal ref IEEE Circuits and Systems Magazine, vol. 26, no. 1, First Quarter 2026

Flexible Multitask Learning with Factorized Diffusion Policy

灵活的多任务学习与因子化扩散策略

Chaoqi Liu, Haonan Chen, Sigmund H. Høeg, Shaoxiong Yao, Yunzhu Li, Kris Hauser, Yilun Du

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Harvard University（哈佛大学） ； Norwegian University of Science and Technology（挪威科学与技术大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出一种因子化扩散策略框架，通过将复杂动作分布分解为多个专用扩散模型，提升多任务学习的灵活性和适应性，实验证明其在仿真和现实机器人任务中表现优异。

Federated Nonlinear System Identification

联邦非线性系统辨识

Omkar Tupe, Max Hartman, Lav R. Varshney, Saurav Prakash

机构 * Wadhwani School of Data Science and AI（瓦德哈尼数据科学与人工智能学校） ； Department of Electrical Engineering（电气工程系） ； Center for Responsible AI（负责任人工智能中心） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； AI Innovation Institute（人工智能创新研究院） ； Stony Brook University（石溪大学） 纠错

AI总结 本文研究了线性参数化非线性系统的联邦学习，证明了联邦非线性系统辨识在客户端数量增加时收敛速度优于集中方法，通过精心选择特征映射$ϕ$提升性能。

Comments Accepted at American Control Conference 2026

Language Specific Knowledge: Do Models Know Better in X than in English?

语言特定知识：模型在X语言中是否比在英语中表现更好？

Ishika Agarwal, Nimet Beyza Bozdag, Nisval Patel, Dilek Hakkani-Tür

机构 * Department of Computer Science University of Illinois, Urbana-Champaign（计算机科学系伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文研究语言选择对语言模型问答能力的影响，提出语言特定知识概念，并通过实验展示不同语言下模型性能差异。