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

Co-generation of Layout and Shape from Text via Autoregressive 3D Diffusion

通过自回归3D扩散模型生成布局和形状

Zhenggang Tang, Yuehao Wang, Yuchen Fan, Jun-Kun Chen, Yu-Ying Yeh, Kihyuk Sohn, Zhangyang Wang, Qixing Huang, Alexander Schwing, Rakesh Ranjan, Dilin Wang, Zhicheng Yan

机构 * Meta Reality Labs（Meta现实实验室） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出一种新的文本到场景生成方法，通过自回归3D扩散模型生成布局和形状，解决文本描述与生成场景不一致的问题。

Efficient and Interpretable Transformer for Counterfactual Fairness

高效的可解释变换器用于反事实公平性

Panyi Dong, Zhiyu Quan

机构 * Acturial and Risk Mangament Sciences, University of Illinois Urbana-Champaign（精算与风险管理科学，伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出FCorrTransformer和CAR框架，通过特征相关性建模提升模型公平性与效率，实验证明其在不平衡分类和回归任务中表现优异。

EvoSelect: Data-Efficient LLM Evolution for Targeted Task Adaptation

EvoSelect：面向目标任务的高效LLM进化

Ting-Wei Li, Sirui Chen, Jiaru Zou, Yingbing Huang, Tianxin Wei, Jingrui He, Hanghang Tong

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EvoSelect框架，通过迭代生成-选择-训练循环提升LLM在目标任务上的适应能力，通过最优传输和多样性机制优化数据选择，实验表明其在不同基准测试中均优于现有方法。

Hybrid Diffusion for Simultaneous Symbolic and Continuous Planning

混合扩散用于同时符号化和连续规划

Sigmund Hennum Høeg, Aksel Vaaler, Chaoqi Liu, Olav Egeland, Yilun Du

机构 * Department of Mechanical and Industrial Engineering, Norwegian University of Science and Technology (NTNU)（挪威科学技术大学机械与工业工程系） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出混合扩散方法，结合离散变量扩散和连续扩散，提升机器人长周期任务规划性能，实现符号计划与连续轨迹生成的协同优化。

Comments 10 pages, 11 figures. This work has been submitted to the IEEE for possible publication. See https://sigmundhh.com/hybrid_diffusion/ for the project website

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 4, pp. 4489-4496, April 2026