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

Green Shielding: A User-Centric Approach Towards Trustworthy AI

绿色防护：面向可信AI的用户导向方法

Aaron J. Li, Nicolas Sanchez, Hao Huang, Ruijiang Dong, Jaskaran Bains, Katrin Jaradeh, Zhen Xiang, Bo Li, Feng Liu, Aaron Kornblith, Bin Yu

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Melbourne（墨尔本大学） ； University of California, San Francisco（加州大学旧金山分校） ； University of Georgia（佐治亚大学） ； 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Green Shielding方法，通过分析用户输入变化对模型行为的影响，为可信AI部署提供证据支持的指导。通过医疗诊断基准测试，展示了交互选择如何系统性地影响模型输出属性，支持高风险领域更安全的部署。

Ramen: Robust Test-Time Adaptation of Vision-Language Models with Active Sample Selection

Ramen: 通过主动样本选择实现视觉语言模型的鲁棒性测试时适应

Wenxuan Bao, Yanjun Zhao, Xiyuan Yang, Jingrui He

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 本文提出Ramen框架，通过主动样本选择实现视觉语言模型在混合域下的鲁棒测试时适应，通过领域一致性与预测平衡准则提升适应性能，实验表明其在多种图像退化和领域偏移基准上表现优异。

Comments Accepted by CVPR 2026 (Findings Track)

HyReach: Vision-Guided Hybrid Manipulator Reaching in Unseen Cluttered Environments

HyReach：基于视觉的混合机械臂在未见的杂乱环境中实现稳健的开放世界物体抓取

Shivani Kamtikar, Kendall Koe, Justin Wasserman, Samhita Marri, Benjamin Walt, Naveen Kumar Uppalapati, Girish Krishnan, Girish Chowdhary

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

AI总结 本文提出一种实时混合刚柔连续机械臂系统，通过视觉感知与3D场景重建结合形状感知运动规划，实现鲁棒的开放世界物体抓取，实验表明在杂乱环境中误差低于2厘米。

Comments 8 pages, 5 figures, 5 tables

Energy-Aware Routing to Large Reasoning Models

面向大推理模型的节能路由

Austin R. Ellis-Mohr, Max Hartman, Lav R. Varshney

机构 * Department of Electrical and Computer Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电子与计算机工程系） ； AI Innovation Institute, Stony Brook University（石溪大学人工智能创新研究所） 纠错

AI总结 研究针对大推理模型的能耗问题，提出基于能量供应与波动平衡的路由策略，通过第二阶分析提升系统性能稳定性。

h-MINT: Modeling Pocket-Ligand Binding with Hierarchical Molecular Interaction Network

h-MINT：基于分层分子相互作用网络的口袋-配体结合建模

Yanru Qu, Yijie Zhang, Wenjuan Tan, Xiangzhe Kong, Xiangxin Zhou, Chaoran Cheng, Mathieu Blanchette, Jiaxuan You, Ge Liu

机构 * Department of Computer Science, UIUC（伊利诺伊大学厄巴纳-香槟分校计算机科学系） ； DOE Center for Advanced Bioenergy and Bioproducts Innovation, UIUC（美国能源部先进生物能源与生物产品创新中心，伊利诺伊大学厄巴纳-香槟分校） ； School of Computer Science, McGill University（麦吉尔大学计算机科学系） ； MILA-Québec AI Institute（魁北克AI研究所） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究 institute） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

AI总结 本文提出h-MINT模型，通过重叠BPE分词和分层分子相互作用网络，改进分子表示以提升结合亲和力预测和虚拟筛选性能。

A Tale of Two Variances: When Single-Seed Benchmarks Fail in Bayesian Deep Learning

双方差的故事：当单种子基准在贝叶斯深度学习中失效时

Qishi Zhan, Minxuan Hu, Liang He, Guansu Wang, Jiaxin Liu

机构 * Department of Mathematical and Statistical Sciences（数学与统计科学系） ； Marquette University（马凯特大学） ； Cornell Ann S. Bowers College of Computing and Information Science（康奈尔大学安·S·博斯计算与信息科学学院） ； Cornell University（康奈尔大学） ； Physics Science and Engineering（物理科学与工程） ； Tongji University（同济大学） ； School of Computing and Information Systems（计算与信息科学学院） ； The University of Melbourne（墨尔本大学） ； Siebel School of Computing and Data Science（希贝尔计算与数据科学学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究探讨了在有限数据下，单种子基准的均值作为随机变量的可靠性，发现某些方法在训练过程中会产生显著的方差峰值，影响模型评估结果。

Unstable Rankings in Bayesian Deep Learning Evaluation

贝叶斯深度学习评估中的不稳定性

Qishi Zhan, Minxuan Hu, Guansu Wang, Jiaxin Liu, Liang He

机构 * Department of Mathematical and Statistical Sciences（数学与统计学系） ； Marquette University（马凯特大学） ； Cornell University（康奈尔大学） ； The University of Melbourne（墨尔本大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Tongji University（同济大学） 纠错

AI总结 本文指出在数据稀缺时，贝叶斯深度学习方法的评估假设失效，提出使用贝叶斯分层模型和预测最小可检测差异曲线来评估方法稳定性，证明在低数据环境下需考虑不确定性。

In-Sync: Adaptation of Speech Aware Large Language Models for ASR with Word Level Timestamp Predictions

In-Sync: 语音感知大语言模型在ASR中的适应性改进：基于词级时间戳预测

Xulin Fan, Vishal Sunder, Samuel Thomas, Mark Hasegawa-Johnson, Brian Kingsbury, George Saon

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

AI总结 本文提出通过词级时间戳预测提升ASR性能，采用轻量训练策略增强对齐鲁棒性，实验证明在多个数据集上提升了时间戳准确性和整体ASR表现。

Comments Accepted to ICASSP 2026

SEVerA: Verified Synthesis of Self-Evolving Agents

SEVerA: 验证合成自进化代理

Debangshu Banerjee, Changming Xu, Eugene Ie, Ming Zhang, Daiyi Peng, Chu-Cheng Lin, Gagandeep Singh

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

AI总结 SEVerA通过引入形式化guarded生成模型，结合搜索、验证和学习三阶段框架，在程序验证、符号数学合成等任务中实现零约束违规，提升自进化代理的正确性和性能。

Comments First Formally Verified Self-Evolving LLM Agents

POPI: Personalizing LLMs via Optimized Natural Language Preference Inference

POPI：通过优化自然语言偏好推断实现个性化LLM

Yizhuo Chen, Xin Liu, Ruijie Wang, Zheng Li, Pei Chen, Changlong Yu, Qingyu Yin, Priyanka Nigam, Meng Jiang, Bing Yin

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

AI总结 POPI提出一种用户级个性化框架，通过自然语言接口分离共享推断模型和生成器，统一优化目标提升个性化质量并减少上下文开销。

Parameter-Efficient Multi-Task Learning via Progressive Task-Specific Adaptation

通过渐进式任务特定适应实现参数高效的多任务学习

Neeraj Gangwar, Anshuka Rangi, Rishabh Deshmukh, Holakou Rahmanian, Yesh Dattatreya, Nickvash Kani

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 本文提出渐进式任务特定多任务适应方法，通过共享适配器模块和任务相似性计算，提升多任务学习效果，实验显示在PASCAL和NYUD-v2数据集上优于传统参数高效方法。

Comments Accepted to AISTATS 2026

Learning to Conceal Risk: Controllable Multi-turn Red Teaming for LLMs in the Financial Domain

学习隐藏风险：面向金融领域的可控多轮红队测试框架

Gang Cheng, Haibo Jin, Wenbin Zhang, Haohan Wang, Jun Zhuang

机构 * Bloomberg（彭博社） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Florida International University（佛罗里达国际大学） ； Boise State University（博伊西州立大学） 纠错

AI总结 本文提出CoRT框架，通过可控的多轮红队测试方法，针对金融领域潜在风险进行隐蔽攻击，提升LLM在监管合规方面的安全性。

Comments Accepted for ACL'26 (Main). TL;DR: We propose a controllable multi-turn risk-concealed red-teaming framework, CoRT, that progressively conceals surface-level risk while exploiting regulatory-violating behaviors on a proposed new benchmark, FinRisk-Bench

EMCompress: Video-LLMs with Endomorphic Multimodal Compression

EMCompress: 具有端态多模态压缩的视频大语言模型

Zheyu Fan, Jiateng Liu, Yuji Zhang, Zihan Wang, Yi R. Fung, Manling Li, Heng Ji

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

AI总结 本文提出端态多模态压缩（EMC）作为视频问答的结构约束充分统计问题，通过端态变换保持答案不变性，提升视频语言理解的训练和推理性能。