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

Beyond Episodic Evaluation: Memory Architectural Bottlenecks in Sequential Embodied Question Answering

超越情节性评估：序列式具身问答中的内存架构瓶颈

Zikui Cai, Kaushal Janga, Tan Dat Dao, Seungjae Lee, Shivin Dass, Mingyo Seo, Kaiyu Yue, Mintong Kang, Nandhu Pillai, Monte Hoover, Aadi Palnitkar, Ruchit Rawal, Ruijie Zheng, Bo Li, Yuke Zhu, Roberto Martín-Martín, Tom Goldstein, Furong Huang

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究序列式具身问答中不同内存架构表现，发现仅保留现有记忆不足，短视情节数据训练的智能体有时间不匹配问题。强调结构化、基于空间记忆的必要性，实验表明其能打破准确性-效率权衡，对真实机器人连续智能操作至关重要。

Comments Accepted to IROS 2026

Probabilistic Residual Learning for Online Recommendations

用于在线推荐的概率残差学习

Wenyuan Wang, Yusong Zhao, Zihao Xu, Hengyi Wang, Qi Xu, Zhigang Hua, Yan Xie, Yi Wang, Zihao Zhao, Bo Long, Chengzhi Mao, Shuang Yang, Hengguan Huang, Hao Wang

机构 * Rutgers University Piscataway New Jersey United States（Meta） ； Meta Sunnyvale California United States ； University of Copenhagen Copenhagen Denmark ； Rutgers University \& UIUC Piscataway New Jersey United States ； Rutgers University ； Meta ； University of Copenhagen ； Rutgers University \& UIUC 纠错

AI总结 针对现代推荐系统存在的问题，提出概率残差学习（PRL）方法，通过对真实值与基础预测间残差建模，概率性分组用户、建模混杂因素并聚合残差预测，与多种深度学习推荐系统兼容，能提升性能并发现有意义用户聚类。

Comments Accepted at the 20th ACM Conference on Recommender Systems (RecSys 2026)

Preference Tuning as Spectral Update Reorganization

作为频谱更新重组的偏好调整

Peiyan Zhang, Haibo Jin, Liying Kang, Haohan Wang

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 研究通过频谱结构研究RLHF及偏好优化，将偏好诱导更新转化为可干预对象，发现更新呈现头-尾组织，头部主导端点偏移，揭示了偏好训练后是结构化更新重组，以及对齐增益和覆盖损失与更新组织方式的关系。