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

Boosting Reinforcement Learning with Verifiable Rewards via Randomly Selected Few-Shot Guidance

通过随机选择的少样本引导提升可验证奖励的强化学习

Kai Yan, Alexander G. Schwing, Yu-Xiong Wang

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FEST算法，通过随机选择的少样本引导提升可验证奖励的强化学习，仅需128个演示即可获得优于基线的结果，关键在于监督信号、在线信号和衰减权重。

Comments 25 pages, 11 figures

CHASM: Cross-frequency Harmonized Axis-Separable Mixing for Spectral Token Operators

CHASM：跨频率谐化轴分离混合用于频谱令牌运算

Pengcheng Fang, Hongli Chen, Yuxia Chen, Tengjiao Sun, Jiaxin Liu, Xiaohao Cai

机构 * University of Southampton（南安普顿大学） ； University of Queensland（昆士兰大学） ； Chengdu University of Technology（成都理工大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 CHASM通过跨频率谐化轴分离混合，实现频谱令牌运算的高效建模，提升MRI重建和图像恢复性能。

What if Tomorrow is the World Cup Final? Counterfactual Time Series Forecasting with Textual Conditions

如果明天是世界杯决赛？基于文本条件的反事实时间序列预测

Shuqi Gu, Yongxiang Zhao, Baoyu Jing, Kan Ren

机构 * School of Information Science and Technology, ShanghaiTech University, Shanghai, China（信息科学与技术学院，上海科技大学，上海，中国） ； University of Illinois at Urbana-Champaign, Illinois, United States（伊利诺伊大学厄巴纳-香槟分校，伊利诺伊，美国） 纠错

AI总结 本文提出基于文本条件的反事实时间序列预测任务，引入综合评估框架和文本归因机制，提升在复杂随机条件下的预测准确性。

When Evidence Conflicts: Uncertainty and Order Effects in Retrieval-Augmented Biomedical Question Answering

当证据冲突时：检索增强式生物医学问答中的不确定性与顺序效应

Yikun Han, Mengfei Lan, Halil Kilicoglu

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 本文评估了六个开源LLM在不同证据条件下的表现，发现证据冲突导致模型准确性下降，并提出冲突感知的置疑评分以提升鲁棒性。

Comments Accepted by BioNLP 2026

EMA: Efficient Model Adaptation for Learning-based Systems

EMA: 为基于学习的系统提供高效的模型适应

Daiyang Yu, Xinyu Chen, Yihan Zhang, Yan Liang, Yaqi Qiao, Fan Lai

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The Hong Kong University of Science（香港科学大学） 纠错

AI总结 本文提出EMA系统，通过状态转换器减少模型训练成本并提升系统性能，降低适应成本14.9-42.4%，提升网络吞吐量6.9-31.3%。

Comments SIGCOMM (2026)

Neural Signals Generate Clinical Notes in the Wild

神经信号在真实环境中生成临床笔记

Jathurshan Pradeepkumar, Zheng Chen, Jimeng Sun

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； SANKEN, Osaka University（大阪大学SANKEN） 纠错

AI总结 本文提出CELM模型，首个能从长期EEG记录中生成多尺度临床报告的EEG-语言基础模型，通过整合预训练EEG模型与语言模型，实现了可扩展的多模态学习，实验表明其在多个评估设置中均优于现有方法。

Tokenizing Single-Channel EEG with Time-Frequency Motif Learning

使用时间-频率动机学习对单通道EEG进行分词

Jathurshan Pradeepkumar, Xihao Piao, Zheng Chen, Jimeng Sun

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； SANKEN, Osaka University（大阪大学SANKEN） 纠错

AI总结 本文提出TFM-Tokenizer，通过学习单通道EEG信号的时间-频率动机词汇，提升EEG分词准确性，实验显示在多个基准上性能提升达11%，且适用于多种基础模型，具备良好的通用性和可扩展性。

Comments Accepted to ICLR 2026