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

BiasGRPO: Stabilizing Bias Mitigation in High-Variance Reward Landscapes via Group-Relative Policy Optimization

BiasGRPO：通过组相对策略优化在高方差奖励景观中稳定偏差缓解

Saket Reddy, Ke Yang, ChengXiang Zhai

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 提出BiasGRPO框架，利用组相对策略优化（GRPO）通过归一化组内奖励来稳定大语言模型的社会偏差缓解，优于DPO和PPO。

Comments Accepted to Findings of the ACL

D^2SD: Accelerating Speculative Decoding with Dual Diffusion Draft Models

D^2SD: 使用双重扩散草稿模型加速推测解码

Liyuan Zhang, Jiarui Zhang, Jinwei Yao, Ran Yan, Yuchen Yang, Jiahao Zhang, Tongkai Yang, Yi Wu, Binhang Yuan

机构 * Peking University（北京大学） ； Tsinghua University（清华大学） ； HKUST（香港科技大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Ant Group（蚂蚁集团） 纠错

AI总结 提出D^2SD框架，通过双重扩散草稿模型和置信度引导的前缀树，提升推测解码的接受率，优于现有扩散方法和自回归推测解码基线。

LazyAttention: Efficient Retrieval-Augmented Generation with Deferred Positional Encoding

LazyAttention: 高效检索增强生成中的延迟位置编码

Haocheng Xia, Mihir Pamnani, Hanxi Fang, Supawit Chockchowwat, Yongjoo Park

机构 * Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院） ； Google（谷歌） ； Amazon（亚马逊） 纠错

AI总结 针对检索增强生成中KV缓存位置编码复用性差的问题，提出LazyAttention机制，通过核化延迟位置编码实现零拷贝、位置无关的KV重用，显著降低首令牌延迟并提升推理吞吐量。

Comments ICML 2026

Can Generalist Agents Automate Data Curation?

通用智能体能否自动化数据筛选？

Feiyang Kang, Hanze Li, Adam Nguyen, Mahavir Dabas, Jiaqi W. Ma, Frederic Sala, Dawn Song, Ruoxi Jia

机构 * Virginia Tech（弗吉尼亚理工大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出Curation-Bench基准，通过通用编码智能体自动化数据筛选循环，实验表明现成智能体可达到强基线，但存在执行-研究差距，而结构化方法引导的智能体能在十分之一数据预算下自主组合出优于强基线的数据选择策略。

Comments Preprint

Adaptive Auto-Harness: Sustained Self-Improvement for Agentic System Deployment on Open-Ended Task Streams

自适应自动框架：面向开放式任务流的智能体系统部署的持续自我改进

Zewen Liu, Zhan Shi, Yisi Sang, Bing He, Minhua Lin, Tianxin Wei, Dakuo Wang, Benoit Dumoulin, Wei Jin, Hanqing Lu

机构 * Emory University（埃默里大学） ； Amazon（亚马逊） ； The Pennsylvania State University（宾夕法尼亚州立大学） ； UIUC（伊利诺伊大学香槟分校） ； Northeastern University（东北大学） 纠错

AI总结 提出自适应自动框架（Adaptive Auto-Harness），通过状态化多智能体进化器、带求解时路由的框架树和人工引导机制，解决开放式任务流中自动框架性能退化问题，在多个流上超越现有基线。

Equivariant Latent Alignment via Flow Matching under Group Symmetries

群对称下通过流匹配的等变潜在对齐

Sunghyun Kim, Jaehoon Hahm, Jeongwoo Shin, Joonseok Lee

机构 * University of Illinois Urbana-Champaign, Illinois, USA（伊利诺伊大学厄巴纳-香槟分校） ； Seoul National University, Seoul, Korea（首尔国立大学） 纠错

AI总结 针对现有方法在潜在空间中存在的等变错位问题，提出基于流的残差潜在流框架，通过纠正错位潜在表示来增强旋转群SO(n)下的等变一致性，提升新视角合成质量。

DiscreteRTC: Discrete Diffusion Policies are Natural Asynchronous Executors

DiscreteRTC：离散扩散策略是自然的异步执行器

Pengcheng Wang, Kaiwen Hong, Chensheng Peng, Katherine Driggs-Campbell, Masayoshi Tomizuka, Chenfeng Xu, Chen Tang

机构 * UC Berkeley（加州大学伯克利分校） ； UIUC（伊利诺伊大学香槟分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UCLA（加州大学洛杉矶分校） 纠错

AI总结 针对同步执行器在动态任务中的致命停顿问题，提出DiscreteRTC方法，利用离散扩散策略的原生修复能力实现异步执行，在动态模拟和真实操作任务中取得更高成功率。

The Accountability Horizon: An Impossibility Theorem for Governing Human-Agent Collectives

问责地平线：人类-智能体集体治理的不可能性定理

Haileleol Tibebu, Hewan Shemtaga

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Responsible Intelligence Institute（负责任智能研究所） 纠错

AI总结 本文通过引入人类-智能体集体形式化模型和问责不完全性定理，证明当自主性超过可计算阈值时，现有AI问责框架必然失效，并基于合成实验验证了该相变边界。

Reasoning over Boundaries: Enhancing Specification Alignment via Test-time Deliberation

推理边界：通过测试时深思增强规范对齐

Haoran Zhang, Yafu Li, Xuyang Hu, Dongrui Liu, Zhilin Wang, Bo Li, Yu Cheng

机构 * School of Artificial Intelligence, Shanghai Jiao Tong University, Shanghai, China（上海交通大学人工智能学院） ； Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室） ； University of Science and Technology of China, Hefei, Anhui, China（中国科学技术大学） ； The Chinese University of Hong Kong, Hong Kong, China（香港中文大学） ； University of Illinois Urbana-Champaign, Urbana, IL, USA（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 提出Align3方法，利用测试时深思（TTD）和分层反思修正来推理规范边界，并构建SpecBench基准，实验表明TTD能有效增强规范对齐。

Comments 10 pages main text, 52 pages total (including appendix). Code and resources are available at https://github.com/zzzhr97/SpecBench

Local Clustering on Complex Graphs and Complex Hypergraphs

复杂图与复杂超图上的局部聚类

Zihao Li, Dongqi Fu, Hengyu Liu, Jingrui He

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

AI总结 本文通过扩展非近似的Andersen-Chung-Lang (ACL)聚类算法，提出了GeneralACL和HyperACL两种算法，分别适用于带权、有向、自环图以及边依赖顶点权重的超图，并证明了在温和条件下它们能识别出电导率二次最优的聚类。

Comments KDD 2026, Preprint version. 26 pages

Policy Optimization Provably Converges to Nash Equilibria in Zero-Sum Linear Quadratic Games

策略优化在零和线性二次博弈中可证明收敛至纳什均衡

Kaiqing Zhang, Zhuoran Yang, Tamer Başar

机构 * Department of Electrical and Computer Engineering & Coordinated Science Laboratory, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电子工程与协调科学实验室部门） ； Department of Operations Research and Financial Engineering, Princeton University（普林斯顿大学运筹学与金融工程系） 纠错

AI总结 本文研究了策略优化在零和线性二次博弈中寻找纳什均衡的全局收敛性，通过分析LQ博弈的优化景观，证明了线性反馈控制策略的 stationary 点构成博弈的纳什均衡，并提出三种保证收敛到纳什均衡的投影嵌套梯度方法，同时展示了这些算法具有全局次线性和局部线性收敛率。

Comments Fixed some typos, addressed some comments from NeurIPS reviews

A Deep Neural Network Surrogate for High-Dimensional Random Partial Differential Equations

高维随机偏微分方程的深度神经网络替代模型

Mohammad Amin Nabian, Hadi Meidani

机构 * Department of Civil and Environmental Engineering, University of Illinois at Urbana-Champaign, Urbana, Illinois, USA.（土木与环境工程系，伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出了一种基于深度学习的高维随机偏微分方程求解框架，通过深度残差网络近似随机PDE，并采用强化或弱化初始和边界条件的方法，验证了该方法在扩散和热传导问题中的准确性。

Journal ref Probabilistic Engineering Mechanics, 57, pp.14-25 (2019)

Target-Based Temporal Difference Learning

基于目标的时序差分学习

Donghwan Lee, Niao He

机构 * Coordinated Science Laboratory (CSL), University of Illinois at Urbana-Champaign（协调科学实验室（CSL），伊利诺伊大学厄巴纳-香槟分校） ； Department of Industrial and Enterprise Systems Engineering, University of Illinois（工业与企业系统工程系，伊利诺伊大学） 纠错

AI总结 本文提出了一种新的基于目标的时序差分学习算法家族，并从理论上分析了其收敛性，展示了这些算法在收敛性能上可能优于标准时序差分学习。

Intent-Aware Probabilistic Trajectory Estimation for Collision Prediction with Uncertainty Quantification

意图感知的概率轨迹估计用于碰撞预测与不确定性量化

Andrew Patterson, Arun Lakshmanan, Naira Hovakimyan

机构 * Department of Mechanical Science and Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） 纠错

AI总结 本文提出了一种基于高斯过程的概率轨迹估计方法，用于在不确定环境中预测碰撞，通过概率方法替代确定性假设，以考虑更广泛的障碍物类型，并通过案例研究展示了在有限障碍物行为知识下预测碰撞的能力。

Data Driven Chiller Plant Energy Optimization with Domain Knowledge

数据驱动的冷水机组能源优化与领域知识

Hoang Dung Vu, Kok Soon Chai, Bryan Keating, Nurislam Tursynbek, Boyan Xu, Kaige Yang, Xiaoyan Yang, Zhenjie Zhang

机构 * Kaer Pte. Ltd.（卡尔公司） ； University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nazarbayev University（纳扎尔拜耶夫大学） ； Guangdong University of Technology（广东工业大学） ； University College London（伦敦大学学院） ； Advanced Digital Sciences Center（先进数字科学中心） 纠错

AI总结 本文提出了一种结合领域知识的数据驱动方法，用于实时冷水机组优化，通过实际案例验证了该方法在降低日常电力消耗方面的显著效果。

Comments CIKM2017. Proceedings of the 26th ACM International Conference on Information and Knowledge Management. 2017

FastDeepIoT: Towards Understanding and Optimizing Neural Network Execution Time on Mobile and Embedded Devices

FastDeepIoT: 向理解和优化移动和嵌入式设备上神经网络执行时间迈进

Shuochao Yao, Yiran Zhao, Huajie Shao, Shengzhong Liu, Dongxin Liu, Lu Su, Tarek Abdelzaher

机构 * University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； State University of New York at Buffalo（纽约州立大学布法罗分校） 纠错

AI总结 本文提出FastDeepIoT框架，通过揭示神经网络结构与执行时间之间的非线性关系，优化移动和嵌入式设备上执行时间与准确性的权衡，同时无需预先了解硬件规格或深度学习库的实现细节。

Comments Accepted by SenSys '18

Reliable Intersection Control in Non-cooperative Environments

非合作环境中的可靠交叉口控制

Muhammed O. Sayin, Chung-Wei Lin, Shinichi Shiraishi, Tamer Başar

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Toyota InfoTechnology Center（丰田信息技术中心） 纠错

AI总结 本文提出一种可靠交叉口控制机制，用于非合作环境中的战略自主和联网车辆。通过分析车辆的战略行为，确定纳什均衡，并识别社会最优均衡以实现公平分配。

Comments Extended version (including proofs of theorems and lemmas) of the paper: M. O. Sayin, C.-W. Lin, S. Shiraishi, and T. Basar, "Reliable intersection control in non-cooperative environments", to appear in the Proceedings of American Control Conference, 2018

Team-Optimal Distributed MMSE Estimation in General and Tree Networks

一般和树状网络中的团队最优分布式最小均方误差估计

Muhammed O. Sayin, Suleyman S. Kozat, Tamer Başar

机构 * The Department of Electrical and Computer Engineering, University of Illinois at Urbana-Champaign, Champaign, IL 61801 USA（伊利诺伊大学厄巴纳-香槟分校电子与计算机工程系） ； The Department of Electrical and Electronics Engineering, Bilkent University, Bilkent, Ankara 06800 Turkey（比尔肯特大学电子与电气工程系） 纠错

AI总结 本文提出了一种在有限时间范围内实现团队最优学习性能的分布式最小均方误差估计算法，适用于任意网络拓扑，并通过局部估计的递归算法实现最优性能。

Comments Submitted to Digital Signal Processing

Decentralized learning for wireless communications and networking

无线通信与网络中的去中心化学习

Georgios B. Giannakis, Qing Ling, Gonzalo Mateos, Ioannis D. Schizas, Hao Zhu

机构 * University of Minnesota（明尼苏达大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Rochester（罗切斯特大学） ； University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出了一种去中心化学习算法，用于图数据的网络内处理，通过交替方向乘子法实现分布式优化，适用于无线通信和网络任务的案例研究。

Comments Contributed chapter to appear in Splitting Methods in Communication and Imaging, Science and Engineering, R. Glowinski, S. Osher, and W. Yin, Editors, New York, Springer, 2015