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

Requirement-Driven Design of Whole-Body Social Tactile Sensing via Virtual Human-Robot Interaction

通过虚拟人机交互进行全身社交触觉感知的需求驱动设计

Dakarai Crowder, Ruohan Zhang, Alexis E. Block, Wenzhen Yuan

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Case Western Reserve University（凯斯西储大学） 纠错

AI总结 该研究针对社交物理人机交互中触觉传感的硬件驱动局限，提出需求驱动框架，利用VR平台收集数据，识别社交触摸手势并构建数据集，分析得出定量基线，其方法可转移，能为特定形态机器人得出传感需求。

Comments 8 pages, 6 figures, accepted to IROS 2026

SVR-R1: Bootstrapping Multi-modal Reasoning with Self-verification in Reinforcement Learning

SVR-R1：在强化学习中通过自我验证引导多模态推理

Mingyuan Wu, Jingcheng Yang, Shengyi Qian, Xudong Wang, Jize Jiang, Qifan Wang, Aashu Singh, Khoi Pham, Fei Liu, Zhaolun Su, Zhuokai Zhao, Klara Nahrstedt, Jianyu Wang, Hanchao Yu

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 SVR-R1是一个多轮强化学习框架，将模型自身验证转化为学习信号。通过GRPO和异步多轮展开框架实现，无需外部监督。在视觉语言推理基准上评估，大幅提高准确率，弥合推理时自我优化与强化学习训练交叉点，还将开源以促研究。

Comments Under submission

Predictive Divergence Masks for LLM RL

用于大语言模型强化学习的预测性散度掩码

Xiangxin Zhou, Jiarui Yao, Penghui Qi, Bowen Ping, Jiaqi Tang, Haonan Wang, Tianyu Pang

机构 * Tencent Hunyuan（腾讯混元） ； UIUC（伊利诺伊大学厄巴纳 - 香槟分校） ； NUS（新加坡国立大学） 纠错

AI总结 研究大语言模型强化学习中PPO方向标准不足，提出预测性散度掩码，通过判断策略梯度步骤对散度的影响改进训练，针对离散softmax策略推导预测并开发轻量级估计器，提升不同模型规模和精度设置下的强化学习训练效果。

Underwater Dead Reckoning with Deployable Situation-Triggered Covariance Scheduling

基于可部署情境触发协方差调度的水下航位推算

Akshay Naik, Ramavarapu S. Sreenivas, Dustin Nottage, Ahmet Soylemezoglu

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； U.S. Army Engineer Research and Development Center, Construction Engineering Research Laboratory（美国陆军工程师研究与发展中心建筑工程研究实验室） 纠错

AI总结 研究水下航位推算问题，提出情境触发校准自适应鲁棒扩展卡尔曼滤波器，利用机载概率触发器识别运动情境，通过离线校准和验证集选择调度策略，改进了无视觉航位推算，降低误差且方位误差不变。

Comments 16 pages, 9 figures. Submitted to IEEE Journal of Oceanic Engineering

AgentAbstain: Do LLM Agents Know When Not to Act?

AgentAbstain：基于大语言模型的智能体知道何时不行动吗？

Xun Liu, Yi Evie Zhang, Vira Kasprova, Parisa Rabbani, Pardis Sadat Zahraei, Tianyu Zhang, Ali Ebrahimpour-Boroojeny, Varun Chandrasekaran

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 研究基于大语言模型的智能体何时应弃权的问题，提出AgentAbstain评估框架及AbstainGen全自动管道，通过配对任务基准测试多种前沿LLMs，发现弃权能力与任务解决能力无关，并识别出失败模式，代码和数据集开源。

Comments 56 pages, 13 figures

Do These Violent Delights Have Violent Ends? Measuring the Post-Merge Fate of Agentic Code

这些暴力的愉悦会有暴力的结局吗？衡量代理代码合并后的命运

Chunqiu Steven Xia, Courtney Miller

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； George Washington University（乔治华盛顿大学） 纠错

AI总结 研究代理代码合并后的命运，通过对182个仓库实证分析，发现其虽与人工维护率相似，但需更高纠正性维护率，还引入更多问题，且维护负担与仓库特征有关，强调评估设计代理工具要兼顾安全性与可维护性。

AeroMELD: A Linear Embedding of Aerosol Populations for Diagnostics and Latent Dynamics

AeroMELD：用于诊断和潜在动力学的气溶胶群体线性嵌入

Ehsan Saleh, Saba Ghaffari, Wenhan Tang, Jeffrey H. Curtis, Lekha Patel, Peter A. Bosler, Nicole Riemer, Matthew West

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊） ； Sandia National Laboratories（桑迪亚国家实验室） 纠错

AI总结 研究旨在准确表示大气气溶胶群体，提出AeroMELD框架构建低维潜在变量以保留其数学结构，通过尺度-形状分解等实现，能准确重建多种分布及行为，为在潜在空间学习气溶胶过程演化奠定基础。

Comments 34 pages, 12 figures

Projection-Domain Sensitivity Analysis of Vertebral DRRs Under Intrinsic Calibration Perturbation

在固有校准扰动下椎体数字重建射线照片的投影域敏感性分析

Lin Li, Chaochao Zhou, Benjamin Aubert, Junlin Guo, Junchao Zhu

机构 * Department of Mathematics, Tulane University（特伦特大学数学系） ； Department of Computer Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学系） ； EOS, EOS Imaging Inc.（EOS公司） ； Department of Electrical and Computer Engineering, Vanderbilt University（范德比大学电气与计算机工程系） ； Department of Computer Science, Vanderbilt University（范德比大学计算机科学系） 纠错

AI总结 研究固有校准扰动对椎体荧光透视投影及下游配准性能的影响，利用CT衍生模型等生成DRR，通过多种指标量化投影域变化，发现其受视图影响大，会降低配准精度，为评估校准鲁棒性提供框架以提高脊柱成像可靠性。

FARS: A Fully Automated Research System Deployed at Scale

FARS：一个大规模部署的全自动研究系统

Qiong Tang, Tianxiang Sun, Xiangkun Hu, Xiangyang Liu, Yiran Chen, Yunfan Shao, Bobo Li, Changze Lv, Cheng Xu, Chengsong Huang, Chunyang Li, Dizhan Xue, Hao Bai, Haodong Duan, Hengquan Guo, Hongyang He, Hongyi Chen, Hui Shen, Jiahao Yuan, Jiankai Sun, Jikang Cheng, Jinfeng Xu, Jingqi Tong, Jingye Chen, Jinxiu Liu, Jixuan Leng, Junchi Yu, Kaixun Jiang, Kun Xiang, Kunpeng Yao, Lang Feng, Liangqi Yuan, Longsen Gao, Meng Li, Qi Jia, Qiushi Sun, Shengyuan Ding, Shizhan Gong, Siru Zhong, Terry Jingchen Zhang, Tianle Gu, Tianyi Liang, Weijie Liu, Weikai Yang, Weizhi Fei, Xin Wang, Xinpeng Liu, Xuanwen Ding, Yihong Tang, Yuanli Wang, Yukun Jiang, Yuming Yang, Zhengbao He, Zhikai Chen, Zhikun Xu, Zhuang Li, Zihao Huang

机构 * Analemma ； National University of Singapore（新加坡国立大学） ； Fudan University（复旦大学） ； University College Dublin（都柏林大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； ByteDance（字节跳动） ； ShanghaiTech University（上海科技大学） ； University of Warwick（华威大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； Tencent（腾讯） ； The University of Hong Kong（香港大学） ； Shanghai Innovation Institute（上海创新研究院） ； Nex-AGI Team（Nex-AGI团队） 纠错

AI总结 提出FARS系统，通过分阶段智能体协作自动生成研究项目，在67个AI/ML主题上产出166篇论文，经282份评审验证其可产出有价值成果，同时暴露实验范围窄、方法局限和诚信问题。

Recursive Multi-Agent Systems

递归多智能体系统

Jiaru Zou, Rui Pan, Ruizhong Qiu, Pan Lu, Shizhe Diao, Jindong Jiang, Hanghang Tong, Tong Zhang, Markus J. Buehler, Jingrui He, James Zou

机构 * UIUC（伊利诺伊大学香槟分校） ； Stanford University（斯坦福大学） ； NVIDIA（英伟达） ； MIT（麻省理工学院） 纠错

AI总结 本文提出递归多智能体框架RecursiveMAS，通过递归计算提升多智能体协作效率，实验证明其在多个基准测试中准确率提升8.3%，推理速度提升1.2-2.4倍，token使用减少34.6%-75.6%。

Comments Project Website: https://recursivemas.github.io

Rethinking Gaussian Trajectory Predictors: Calibrated Uncertainty for Safe Planning

重新思考高斯轨迹预测器：为安全规划校准不确定性

Fatemeh Cheraghi Pouria, Mahsa Golchoubian, Katherine Driggs-Campbell

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） ； Department of Mathematical and Computational Sciences, University of Toronto（多伦多大学数学与计算科学系） 纠错

AI总结 本文提出了一种新的损失函数，通过核密度估计校准高斯轨迹预测器的不确定性，以提高安全规划性能。

TagSpeech: End-to-End Multi-Speaker ASR and Diarization with Fine-Grained Temporal Grounding

TagSpeech：基于细粒度时间定位的端到端多说话人自动语音识别与说话人分离

Mingyue Huo, Yiwen Shao, Yuheng Zhang

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） 纠错

AI总结 研究提出TagSpeech框架，利用时间锚点定位技术联合多说话人ASR与说话人分离。通过关键设计解决细粒度对齐挑战，端到端建模“谁在何时说了什么”。实验显示其在DER上优于基线，采用参数高效训练范式，低计算成本获强性能。

Comments Accepted to ACL2026 Main Oral; v2: added overlap analysis in Section 5.2

Algorithmic design and implementation considerations of deep MPC

深度模型预测控制的算法设计与实现考虑

Prabhat K. Mishra, Mateus V. Gasparino, Girish Chowdhary

机构 * Department of Artificial Intelligence at Indian Institute of Technology, Kharagpur, India（印度理工学院德里分校人工智能系） ； University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文研究深度MPC中控制权分配算法的设计与实现，通过数值实验探讨控制权分配不当对性能的影响。

On the Necessity of Output Distribution Reweighting for Effective Class Unlearning

关于有效类遗忘中输出分布重新加权的必要性

Ali Ebrahimpour-Boroojeny, Yian Wang, Hari Sundaram

机构 * UIUC（伊利诺伊大学） 纠错

AI总结 研究揭示类遗忘评估忽视类几何结构致信息泄露问题，提出CMIA检测未学习样本。发现现有方法易受攻击，进而提出新微调目标，通过估计类间相似度构建TREW分布，在多基准测试中表现良好，缩小与重新训练模型差距。

Distributionally Robust Reinforcement Learning with Interactive Data Collection: Fundamental Hardness and Near-Optimal Algorithms

具有交互式数据收集的分布鲁棒强化学习：基本难度与近最优算法

Miao Lu, Han Zhong, Tong Zhang, Jose Blanchet

机构 * Department of Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系） ； Center for Data Science, Peking University（北京大学数据科学中心） ； Department of Computer Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学系） 纠错

AI总结 针对强化学习中模拟与现实的差距，提出分布鲁棒强化学习，通过交互式数据收集应对挑战。因支持转移难题，引入消失最小值假设，给出近最优算法，扩展到新公式和博弈，应用于库存控制。