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

Test-Time Adaptation for EEG Foundation Models: A Systematic Study under Real-World Distribution Shifts

EEG基础模型的测试时间适应：在现实世界分布偏移下的系统研究

Gabriel Jason Lee, Jathurshan Pradeepkumar, Jimeng Sun

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 本文系统研究了EEG基础模型在现实分布偏移下的测试时间适应方法，发现标准方法效果不稳定且易退化，而无优化方法更稳定可靠。

Comments Accepted to MLHC 2026

When Can You Poison Rewards? A Tight Characterization of Reward Poisoning in Linear MDPs

在什么情况下可以污染奖励？线性MDP中奖励污染攻击的紧致刻画

Jose Efraim Aguilar Escamilla, Haoyang Hong, Jiawei Li, Haoyu Zhao, Xuezhou Zhang, Sanghyun Hong, Huazheng Wang

机构 * School of Electrical Engineering and Computer Science, Oregon State University, Corvallis, Oregon, USA（电子工程与计算机科学学院，俄勒冈州立大学，俄勒冈州科瓦利斯） ； Department of Electrical and Computer Engineering, University of Illinois Urbana-Champaign, Urbana, Illinois, USA（电气与计算机工程系，伊利诺伊大学厄巴纳-香槟分校，伊利诺伊州厄巴纳） ； Princeton University, Princeton, New Jersey, USA（普林斯顿大学，新泽西州普林斯顿） ； Faculty of Computing and Data Sciences, Boston University, Boston, Massachusetts, USA（计算与数据科学学院，波士顿大学，马萨诸塞州波士顿） 纠错

AI总结 本文研究了强化学习中奖励污染攻击，通过约束预算操控奖励迫使目标智能体采用符合攻击者目标的策略。研究首次给出了线性MDP中攻击可行性的精确必要和充分条件，区分了易受攻击和固有鲁棒的RL实例。理论框架扩展至深度RL环境，证明其在理论和实践上的重要性。

OpenTinker: Separating Concerns in Agentic Reinforcement Learning

OpenTinker：在智能体强化学习中分离关注点

Siqi Zhu, Jiaxuan You

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 介绍OpenTinker，一种用于训练大型语言模型智能体的开放基础设施。通过共享执行资源和多LoRA策略，围绕策略生命周期运行，支持SFT和RL，实现多用户等共享基础模型并隔离更新等。

PuzzleMoE: Efficient Compression of Large Mixture-of-Experts Models via Sparse Expert Merging and Bit-packed inference

PuzzleMoE：通过稀疏专家合并和位打包推理对大型专家混合模型进行高效压缩

Yushu Zhao, Zheng Wang, Minjia Zhang

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

AI总结 研究针对专家混合模型内存开销大难题，提出PuzzleMoE方法。通过识别权重冗余与专业化进行稀疏专家合并，用双掩码捕获参数，引入位打包编码避免存储开销，实现高效推理，大幅压缩模型且保持精度。

TAMA: A Human-AI Collaborative Thematic Analysis Framework Using Multi-Agent LLMs for Clinical Interviews

TAMA：一种使用多智能体大语言模型进行临床访谈的人机协作主题分析框架

Huimin Xu, Seungjun Yi, Terence Lim, Jiawei Xu, Andrew Well, Carlos Mery, Aidong Zhang, Yuji Zhang, Heng Ji, Keshav Pingali, Yan Leng, Ying Ding

机构 * School of Information, University of Texas at Austin（信息学院，德克萨斯大学奥斯汀分校） ； Department of Biomedical Engineering, University of Texas at Austin（生物医学工程系，德克萨斯大学奥斯汀分校） ； College of Natural Sciences, University of Texas at Austin（自然科学院，德克萨斯大学奥斯汀分校） ； Graphen, Inc.（Graphen公司） ； Department of Cardiac Surgery, Division of Pediatric Cardiac Surgery, Vanderbilt University School of Medicine（心脏外科系，范德比尔特大学医学中心） ； Pediatric Heart Institute, Monroe Carell Jr. Children’s Hospital at Vanderbilt（儿童心脏研究所，范德比尔特儿童医院） ； Department of Computer Science, University of Virginia（计算机科学系，弗吉尼亚大学） ； Department of Computer Science, University of Illinois at Urbana-Champaign（计算机科学系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Computer Science, University of Texas at Austin（计算机科学系，德克萨斯大学奥斯汀分校） ； McCombs School of Business, University of Texas at Austin（麦克阿瑟商学院，德克萨斯大学奥斯汀分校） ； Dell Medical School, University of Texas at Austin（德克萨斯大学奥斯汀分校德莱尔医学院） 纠错

AI总结 提出人机协作主题分析框架TAMA，利用多智能体系统结构化对话及心脏专家专业知识，用于临床访谈分析，在罕见病访谈转录本分析中性能优于单智能体方法。

Comments Manuscript accepted to ACM Transactions on Computing for Healthcare