Accelerating Conformal Prediction via Approximate Leave-One-Out
通过近似留一法加速共形预测
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出利用近似留一法（ALO）估计量加速共形预测，理论证明渐近覆盖率和效率，模拟显示在保持性能的同时显著降低计算时间。
高校专区
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
LeCropFollow: Latent Space Planning for Navigation in Unstructured Crop Fields
LeCropFollow：非结构化农田中导航的潜在空间规划
机构 * University of São Paulo（圣保罗大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出LeCropFollow框架，利用自监督语义热图和基于模型的强化学习规划器在潜在流形中优化轨迹，无需几何建模，实现从简化模拟到真实世界的零样本迁移，在玉米田间隙中语义故障减少2.4倍。
Comments 8 pages, 7 figures, 3 tables. Github Repo: https://github.com/Felipe-Tommaselli/lecropfollow
Journal ref IEEE Robotics and Automation Letters, 2026
No Place to Hide: Benchmarking Video Hallucination with Background-Controlled Pairs
无处可藏：基于背景控制对的视频幻觉基准测试
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Knowin AI（考恩人工智能） ； The Hong Kong Polytechnic University（香港理工大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Huazhong University of Science and Technology（华中科技大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出VidPair-Halluc基准，通过背景相似但前景语义不同的视频对，精确评估大型视频模型中的视频幻觉，包含1K对抗视频对和11K时空问答对。
Comments ECCV 2026
Safe Online Learning via Smooth Safety-Structured Policy Composition
通过平滑安全结构化策略组合实现在线安全学习
机构 * Technical University of Munich（慕尼黑工业大学） ； University of Oxford（牛津大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出AutoSafe架构，通过将结构化安全监控与干预直接集成到动作生成中，实现性能与安全行为之间的平滑风险依赖转换，在连续控制基准和实物倒立摆系统上验证了强安全性与学习平滑性。
AC3S: Adaptive Conditioning for 3D-Aware Synthetic Data Generation
AC3S: 面向3D感知合成数据生成的自适应条件控制
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Johns Hopkins University（约翰霍普金斯大学） ； College of Engineering and Computer Science, VinUniversity（VinUniversity工程与计算机科学学院）
AI总结 提出AC3S框架，通过自适应条件控制模块调节ControlNet强度，结合多智能体视觉语言模型生成3D感知提示，实现高质量、结构对齐的合成图像生成。
Comments Accepted by ECCV 2026. Project page: https://ac3s.cvmlgroup.web.illinois.edu/
Probe Choice Changes Canary-Memorization Verdicts: Three Post-Hoc Disagreement Case Studies in a Text-Dominant LoRA-Tuned Autoregressive Testbed
探针选择改变金丝雀记忆判定：在文本主导的LoRA微调自回归测试平台上的三个事后分歧案例研究
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Northeastern University（东北大学）
AI总结 研究在Qwen2.5-VL-7B金丝雀测试平台上，固定窗口均值NLL记忆探针与全跨度秘密NLL或贪婪精确召回之间的分歧，发现窗口截断、非秘密漂移和窗口内下降三种案例，建议报告全跨度秘密NLL、跨度局部分解、行为精确召回和诱饵探针。
Comments ICML 2026 FoGen Workshop camera-ready. 17 pages, 4 figures, 12 tables
TAG-DLM: Diffusion Language Models for Text-Attributed Graph Learning
TAG-DLM：面向文本属性图学习的扩散语言模型
机构 * UIUC（伊利诺伊大学厄巴纳-香槟分校） ； VISA（VISA研究院）
AI总结 提出TAG-DLM方法，通过掩码扩散语言模型统一文本推理与图消息传递，线性化邻域并利用拓扑注意力掩码实现图结构注入，无需微调即可适应节点分类、链接预测等任务，性能优于现有基线。
Diffusion-Based Material Regularization for Physics-Based Inverse Rendering
基于扩散的材料正则化用于物理逆渲染
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； NVIDIA（英伟达） ； BNRist and School of Software, Tsinghua University（清华大学软件学院及北京国家信息科学与技术研究中心）
AI总结 提出将扩散模型预测作为相似性核，通过正则化损失约束材料优化，联合重建几何、材质和光照，在多个数据集上显著优于现有方法。
Comments Accepted to ECCV 2026. Includes supplementary material. Project page: https://gerwang.github.io/diffusion-regularized-inverse-rendering/
Security--Fidelity Tradeoffs: The Hidden Cost of Prompt Injection Defense
安全--保真度权衡：提示注入防御的隐藏成本
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊）
AI总结 本文发现防御间接提示注入会损害需要保留未信任文本的任务（如翻译），引入SecFid基准衡量保真度，揭示安全与保真度之间存在权衡，且无固定防御可同时最优。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026). 34 pages, 4 figures
Understanding and Evaluating Claw-like Agent Security Through a Computer-Systems Lens
通过计算机系统视角理解与评估爪类智能体安全性
机构 * UIUC（伊利诺伊大学厄巴纳-香槟分校） ； NUS（新加坡国立大学） ； UC Berkeley（加州大学伯克利分校） ； UC Davis（加州大学戴维斯分校） ； Virginia Tech（弗吉尼亚理工大学） ； KACST（阿卜杜勒阿齐兹国王科技城） ； UC Santa Cruz（加州大学圣克鲁兹分校） ； NVIDIA（英伟达） ； Google DeepMind（谷歌DeepMind） ； UW Seattle（华盛顿大学西雅图分校） ； HUMAIN（胡迈因研究所）
AI总结 针对爪类AI智能体安全漏洞，提出计算机系统类比，构建SafeClawArena基准测试，评估406个对抗任务，发现最高攻击成功率70%，恶意插件100%成功。
Quantization Inflates Reasoning: Token Inflation as a Hidden Cost of Low-Bit Reasoning Models
量化膨胀推理：低比特推理模型的隐藏成本——令牌膨胀
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Microsoft（微软） ； Anyscale ； Snowflake
AI总结 研究发现低比特后训练量化虽保持推理准确性，但会显著增加推理令牌使用量，导致端到端服务性能下降，并提出了CoT令牌膨胀比来量化该效应。
TS-Haystack: A Multi-Task Retrieval Benchmark for Long-Context Time-Series Reasoning
TS-Haystack：一种用于长上下文时间序列推理的多任务检索基准
机构 * Agentic Systems Lab, ETH Zurich（1 非常规系统实验室，苏黎世联邦理工学院） ； Stanford University（2 斯坦福大学） ； Traffic Engineering Group, Institute for Transport Planning and Systems, ETH Zurich（3 交通工程组，交通规划与系统研究所，苏黎世联邦理工学院） ； University of Illinois Urbana-Champaign（4 印第安纳大学厄巴纳-香槟分校） ； Google（5 谷歌） ； Centre for Digital Health Interventions, ETH Zurich（6 数字健康干预中心，苏黎世联邦理工学院） ； Centre for Digital Health Interventions, University of St. Gallen（7 数字健康干预中心，圣加尔登大学）
AI总结 本文提出TS-Haystack基准，评估长上下文时间序列推理能力，发现现有TSLMs存在长上下文退化问题，代理检索框架在9/10任务中表现优异。
Comments Workshop version of this paper published at ICLR TSALM 2026. Benchmark generation code and datasets: https://github.com/AI-X-Labs/TS-Haystack
FalconApp: Rapid iPhone Deployment of End-to-End Perception via Automatically Labeled Synthetic Data
FalconApp：通过自动标注的合成数据实现端到端感知的快速iPhone部署
机构 * Department of Electrical and Computer Engineering, University of Illinois at 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总结 FalconApp通过自动标注的合成数据实现端到端感知的快速iPhone部署，利用手机拍摄的刚体对象生成感知模块，实现遮挡检测和6自由度姿态估计，实验显示其在模拟和现实评估中姿态精度优于PnP基线。
Can VLMs Reason Robustly? A Neuro-Symbolic Investigation
VLM能稳健推理吗？一项神经符号研究
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Edinburgh（爱丁堡大学）
AI总结 研究视觉语言模型在分布偏移下的推理稳健性，提出结合VLM概念识别与电路符号推理的神经符号方法VLC，在三个视觉演绎推理任务上实现更高的分布外准确率。
Comments TMLR 2026
Revisiting Audio-language Pretraining for Learning General-purpose Audio Representation
重新审视音频-语言预训练以学习通用音频表示
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Zhejiang University（浙江大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Tencent AI Lab Seattle（腾讯AI实验室西雅图）
AI总结 本文通过构建大规模数据集CaptionStew并系统对比对比学习和字幕生成目标，揭示了音频-语言预训练在数据效率和可扩展性上的权衡，为通用音频表示学习提供了实证指导。
Comments ACL 2026 Main. Code available at https://github.com/AudenAI/Auden
