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

Decoder-Preserving Sparse Autoencoders: Which Readouts Survive Sparse Compression?

解码器保留稀疏自编码器：哪些读出能在稀疏压缩中幸存？

Aniket Deshpande

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 研究稀疏自编码器中哪些读出能在稀疏压缩中幸存的问题，核心方法是将最优岭预测算子间的矩阵值失真与重建损失结合训练解码器保留SAEs，主要贡献为得出重建质量不能决定读出幸存情况等结论。

FVRuleLearner: Operator-Level Reasoning Tree (Op-Tree)-Based Rules Learning for Formal Verification

FVRuleLearner：基于操作级推理树（OP-Tree）的规则学习用于形式验证

Lily Jiaxin Wan, Chia-Tung Ho, Yunsheng Bai, Cunxi Yu, Ghaith Bany Hamad, Deming Chen, Haoxing Ren

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； NVIDIA（英伟达） ； University of Maryland, College Park（马里兰大学帕克分校） 纠错

AI总结 本文提出FVRuleLearner，通过操作级推理树模型，提升形式验证中SVA操作符选择的准确性和效率，显著提高语法和功能正确性。

Comments Accepted to IEEE VTS'26

Dr. Zero: Self-Evolving Search Agents without Training Data

零博士：无需训练数据的自我进化搜索智能体

Zhenrui Yue, Kartikeya Upasani, Xianjun Yang, Suyu Ge, Shaoliang Nie, Yuning Mao, Zhe Liu, Dong Wang

机构 * Meta Superintelligence Labs（Meta超级智能实验室） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究在高质量数据难获取时智能体自我进化问题，提出零博士框架，通过自我进化反馈循环和HRPO方法，使搜索智能体无需训练数据自我进化，在问答基准测试中表现出色，证明可仅通过自我进化实现强大智能搜索和推理。

Comments COLM 2026

Denoising Monte Carlo Renders with Diffusion Models

用扩散模型去噪蒙特卡洛渲染图

Vaibhav Vavilala, Rahul Vasanth, David Forsyth

机构 * UIUC（伊利诺伊大学香槟分校） 纠错

AI总结 研究如何用扩散模型去噪蒙特卡洛渲染图，该方法可基于多种自然渲染信息，定量实验显示其在多采样率下与最优方法竞争，定性检查表明重建结果类似真实图像，有直阴影边界、弯曲镜面反射且无亮点。

Comments Code here: https://github.com/vibe007/denoising-monte-carlo-renders-with-diffusion-models 25 pages, 18 figures, 2 tables

Journal ref 2025 International Conference on 3D Vision (3DV), pp. 835-844, 2025