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

Learning to Reason with Curriculum II: Compositional Generalization

课程学习推理 II：组合泛化

Nived Rajaraman, Audrey Huang, Miroslav Dudik, Robert Schapire, Dylan Foster, Akshay Krishnamurthy

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

AI总结 通过递归分解序列为子问题并组合解决方案，课程学习在模拟半自动机任务中实现了比亚直接方法更优的统计复杂度，显著降低了监督需求和参考模型覆盖条件。

Comments 82 pages, 5 figures

CWI: Composite Humanoid Whole-Body Imitation System for Loco-manipulation

CWI: 复合型人形机器人全身模仿系统用于移动操作

Wenqi Ge, Junde Guo, Zhen Fu, Shunpeng Yang, Jiayu Chen, Hua Chen

机构 * LimX Dynamics ； The University of Hong Kong（香港大学） ； School of Automation and Intelligent Manufacturing, Southern University of Science and Technology（南方科技大学自动化与智能制造学院） ； Hong Kong University of Science and Technology（香港科技大学） ； ZJU-UIUC Institute, Zhejiang University（浙江大学伊利诺伊大学厄巴纳香槟校区联合学院） 纠错

AI总结 提出CWI框架，通过解耦上下半身动作捕捉数据，结合对抗性运动先验和多评论家架构，实现人形机器人稳定移动与灵巧操作的全身协调控制。

Are Time-Series Foundation Models Ready for E-Nose Data? An Empirical Assessment of Their Embeddings

时间序列基础模型是否准备好处理电子鼻数据？对其嵌入的经验评估

Taeyeong Choi, Mohammed Kamruzzaman

机构 * Department of Information Technology（信息科技系） ； Department of Agricultural and Biological Engineering（农业与生物工程系） ； Kennesaw State University（凯斯沃州立大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文系统评估了Chronos-2和MOMENT等时间序列基础模型在电子鼻数据上的嵌入表示，发现微调是必要步骤，且融合专用模型表示可提升气体识别和浓度预测性能。

Comments Submitted to IEEE SENSORS 2026

AO-ARC: Almost-Surely Asymptotically Optimal Multi-Robot Motion Planning with ARC

AO-ARC: 基于ARC的几乎必然渐近最优多机器人运动规划

James D. Motes, Marco Morales, Nancy M. Amato

机构 * Parasol Lab, School of Computing and Data Science, University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校计算与数据科学学院Parasol实验室） 纠错

AI总结 提出AO-ARC方法，通过迭代调用ARC求解有界MRMP实例，实现初始解速度与最先进可行性求解器相当，且随机器人数量增加收敛更快更可靠，并证明其渐近最优性。

Elastic Time: Dynamic Frame Rate Bottlenecks for Neural Audio Coding

弹性时间：神经音频编码的动态帧率瓶颈

Dimitrios Bralios, Paris Smaragdis, Minje Kim

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 提出弹性时间方法，通过轻量级潜在预测器实现动态帧率瓶颈，将固定帧率自编码器转换为动态帧率，在推理时高效选择边界，提升效率-质量权衡。

Comments Interspeech 2026