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

Scalable Second-order Riemannian Optimization for $K$-means Clustering

可扩展的二次黎曼优化用于K均值聚类

Peng Xu, Chun-Ying Hou, Xiaohui Chen, Richard Y. Zhang

机构 * Department of Statistics, University of Illinois Urbana-Champaign（统计系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Electrical and Computer Engineering, University of Illinois Urbana-Champaign（电气与计算机工程系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Mathematics, University of Southern California（数学系，南加州大学） 纠错

AI总结 本文提出了一种基于二次黎曼优化的K均值聚类方法，通过分解流形结构实现线性时间复杂度，显著提升收敛速度并保持统计准确性。

Journal ref The Fourteenth International Conference on Learning Representations (ICLR), 2026

Implicit U-KAN2.0: Dynamic, Efficient and Interpretable Medical Image Segmentation

隐式U-KAN2.0：动态、高效且可解释的医学图像分割

Chun-Wun Cheng, Yining Zhao, Yanqi Cheng, Javier A. Montoya-Zegarra, Carola-Bibiane Schönlieb, Angelica I Aviles-Rivero

机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge, UK（应用数学与理论物理系，剑桥大学） ； Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign, USA（计算与数据科学学院，伊利诺伊大学厄巴纳-香槟分校） ； Zurich University of Applied Sciences, Switzerland（苏黎世应用科学大学） ； Lucerne Cantonal Hospital, Switzerland（卢塞恩州立医院） ； Lucerne University of Applied Sciences and Arts, Switzerland（卢塞恩应用科学与艺术大学） ； Yau Mathematical Sciences Center, Tsinghua University, China（尤太数学科学中心，清华大学） 纠错

AI总结 隐式U-KAN2.0通过结合MultiKAN和二次NODEs，提升了医学图像分割的可解释性和效率，同时降低了计算成本。

Comments Accepted in MICCAI 2025

Preference Leakage: A Contamination Problem in LLM-as-a-judge

偏好泄露：作为判断者的LLM中的污染问题

Dawei Li, Renliang Sun, Yue Huang, Ming Zhong, Bohan Jiang, Jiawei Han, Xiangliang Zhang, Wei Wang, Huan Liu

机构 * Arizona State University（亚利桑那州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Notre Dame（诺丁汉大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出偏好泄露问题，揭示LLM作为判断者时因数据生成器与评估者相关性导致的偏见，并通过实验验证其普遍存在性和检测难度。

Comments Accepted by ICLR 2026

Building a Mind Palace: Structuring Environment-Grounded Semantic Graphs for Effective Long Video Analysis with LLMs

构建一个思维宫殿：为有效长视频分析构建基于环境的语义图谱

Zeyi Huang, Yuyang Ji, Xiaofang Wang, Nikhil Mehta, Tong Xiao, Donghyun Lee, Sigmund Vanvalkenburgh, Shengxin Zha, Bolin Lai, Yiqiu Ren, Licheng Yu, Ning Zhang, Yong Jae Lee, Miao Liu

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Meta ； UIUC（伊利诺伊大学香槟分校） 纠错

AI总结 VideoMindPalace通过构建环境基础的语义图谱，提升长视频分析中空间-时间连贯性和类人推理能力。

PlugMem: A Task-Agnostic Plugin Memory Module for LLM Agents

PlugMem: 一种通用插件记忆模块用于LLM代理

Ke Yang, Zixi Chen, Xuan He, Jize Jiang, Michel Galley, Chenglong Wang, Jianfeng Gao, Jiawei Han, ChengXiang Zhai

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

AI总结 PlugMem是一种通用记忆模块，通过知识中心的记忆图结构提升LLM代理在复杂任务中的记忆检索与推理能力。

R1-Code-Interpreter: LLMs Reason with Code via Supervised and Multi-stage Reinforcement Learning

R1-Code-Interpreter: LLMs通过监督学习和多阶段强化学习进行代码推理

Yongchao Chen, Yueying Liu, Junwei Zhou, Yilun Hao, Jingquan Wang, Yang Zhang, Na Li, Chuchu Fan

机构 * MIT / Harvard（麻省理工学院/哈佛大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） ； MIT（麻省理工学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Harvard（哈佛大学） 纠错

AI总结 R1-Code-Interpreter通过监督学习和多阶段强化学习提升LLM的代码推理能力，实现对多样化任务的高效处理，显著提升模型性能。

Comments 29 pages

ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation

ULTRA：统一的多模态控制用于自主人形全身体姿Manipulation

Xialin He, Sirui Xu, Xinyao Li, Runpei Dong, Liuyu Bian, Yu-Xiong Wang, Liang-Yan Gui

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 ULTRA通过统一多模态控制框架，实现了基于感知和高层任务规范的自主人形全身体姿Manipulation，优于传统跟踪方法。

Comments Project Page: https://ultra-humanoid.github.io/

Uni-Animator: Towards Unified Visual Colorization

Uni-Animator：迈向统一的视觉着色

Xinyuan Chen, Yao Xu, Shaowen Wang, Pengjie Song, Bowen Deng

机构 * Mississippi State University（密苏里州立大学） ； UIUC（伊利诺伊大学香槟分校） ； Hunan University（湖南大学） ； HKUST（香港科技大学） 纠错

AI总结 Uni-Animator通过视觉参考增强、物理细节强化和动态RoPE编码，实现了统一的图像和视频草图着色，兼顾高细节保真度和时间一致性。

Comments 12 pages, 8 figures

A Single Architecture for Representing Invariance Under Any Space Group

一种适用于任意空间群的单一架构

Cindy Y. Zhang, Elif Ertekin, Peter Orbanz, Ryan P. Adams

机构 * Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Department of Mechanical Science and Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） ； Gatsby Computational Neuroscience Unit, University College London（伦敦大学学院计算神经科学单元） 纠错

AI总结 本文提出了一种能够自动适应任何空间群的机器学习架构，通过构建对称适应的傅里叶基来实现对称不变性，从而提高材料属性预测和零样本学习的性能。

Comments 24 pages, 7 figures. ICLR 2026

Meta-Learning Hyperparameters for Parameter Efficient Fine-Tuning

元学习超参数用于参数高效微调

Zichen Tian, Yaoyao Liu, Qianru Sun

机构 * Singapore Management University（新加坡管理大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 MetaPEFT通过元学习动态调整超参数，提升遥感图像微调的性能和尾部类别准确性。

Comments Accepted by CVPR 2025 (Highlight). Code is available at: https://github.com/doem97/metalora

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2025, pp. 23037-23047

Generative AI & Fictionality: How Novels Power Large Language Models

生成AI与虚构性：小说如何赋能大语言模型

Edwin Roland, Richard Jean So

机构 * School of Information Science University of Illinois Urbana-Champaign（信息科学学院伊利诺伊大学厄巴纳-香槟分校） ； Department of English Duke University（英语系杜克大学） 纠错

AI总结 研究探讨小说如何影响生成AI，发现LLMs利用小说属性并产生新社交回应，强调计算训练数据的重要性。

A Deployable Bio-inspired Compliant Leg Design for Enhanced Leaping in Quadruped Robots

一种用于四足机器人增强跳跃能力的可部署生物启发合规腿部设计

Yiyang Chen, Yuxin Liu, Jinzheng Zhou, Fanxin Wang, Qinglei Bu, Jie Sun, Yikun Cheng

机构 * Department of Mechatronics and Robotics, Xi’an Jiaotong-Liverpool University（机电一体化与机器人系，西安交通大学-利物浦大学） ； Department of Mechanical Science and Engineering, University of Illinois at Urbana-Champaign（机械科学与工程系，伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出了一种生物启发的可部署合规腿部设计，通过模仿蛙跳腿的能量存储机制，显著提升了四足机器人垂直跳跃能力，实验显示跳跃高度提升了17.1%。

On The Fragility of Benchmark Contamination Detection in Reasoning Models

在推理模型中基准污染检测的脆弱性

Han Wang, Haoyu Li, Brian Ko, Huan Zhang

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

AI总结 研究发现LRMs在基准污染检测中存在脆弱性，通过简单方法可轻易污染模型以提升排行榜表现，威胁评估公平性。

Comments Accepted by ICLR 2026

Breaking Barriers: Do Reinforcement Post Training Gains Transfer To Unseen Domains?

打破壁垒：强化学习后训练的增益是否能转移到未见领域？

Chuxuan Hu, Yuxuan Zhu, Antony Kellermann, Caleb Biddulph, Suppakit Waiwitlikhit, Jason Benn, Daniel Kang

机构 * Siebel School of Computing and Data Science, University of Illinois at Urbana-Champaign（计算机与数据科学学院，伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究探讨了强化学习后训练在不同领域中的泛化能力，发现其增益在不同推理模式的领域中不一致。

Comments ICLR 2026; 9 pages, 4 figures, 2 tables

ProteinZero: Self-Improving Protein Generation via Online Reinforcement Learning

ProteinZero：通过在线强化学习实现自我改进的蛋白质生成

Ziwen Wang, Jiajun Fan, Ruihan Guo, Thao Nguyen, Heng Ji, Ge Liu

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 ProteinZero通过在线强化学习实现蛋白质生成模型的自我改进，提升设计成功率与多样性。

NFT: Bridging Supervised Learning and Reinforcement Learning in Math Reasoning

NFT：在数学推理中连接监督学习与强化学习

Huayu Chen, Kaiwen Zheng, Qinsheng Zhang, Ganqu Cui, Lifan Yuan, Yin Cui, Haotian Ye, Tsung-Yi Lin, Ming-Yu Liu, Jun Zhu, Haoxiang Wang

机构 * Tsinghua（清华大学） ； NVIDIA ； UIUC（伊利诺伊大学香槟分校） ； Stanford（斯坦福大学） 纠错

AI总结 NFT通过监督学习方法实现LLM自主改进，无需外部教师，在数学推理任务中超越传统RL算法。

mCLM: A Modular Chemical Language Model that Generates Functional and Makeable Molecules

mCLM：一种模块化化学语言模型，能够生成功能性强且可制造的分子

Carl Edwards, Chi Han, Gawon Lee, Thao Nguyen, Sara Szymkuć, Chetan Kumar Prasad, Bowen Jin, Jiawei Han, Ying Diao, Ge Liu, Hao Peng, Bartosz A. Grzybowski, Martin D. Burke, Heng Ji

机构 * Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院） ； Department of Chemistry, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校化学系） ； Allchemy Inc.（Allchemy公司） ； Department of Chemical and Biomolecular Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校化学与生物分子工程系） ； Ulsan National Institute of Science and Technology（乌山国立科学技术研究院） ； Institute of Organic Chemistry, Polish Academy of Sciences（波兰科学院有机化学研究所） 纠错

AI总结 mCLM是一种模块化化学语言模型，通过功能构建模块生成具有功能性和可制造性的分子，提升合成可行性和药物研发效率。

Comments Accepted to ICLR 2026 (Oral). Code: https://github.com/blender-nlp/mCLM Data and Model: https://huggingface.co/collections/language-plus-molecules/mclm

MC-Search: Evaluating and Enhancing Multimodal Agentic Search with Structured Long Reasoning Chains

MC-Search：基于结构化长推理链评估和增强多模态代理搜索

Xuying Ning, Dongqi Fu, Tianxin Wei, Mengting Ai, Jiaru Zou, Ting-Wei Li, Hanghang Tong, Yada Zhu, Hendrik Hamann, Jingrui He

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta ； IBM Research（IBM研究院） ； Stony Brook University（石溪大学） 纠错

AI总结 MC-Search是首个针对代理MM-RAG的基准，通过结构化长推理链评估和增强多模态代理搜索，揭示了系统性问题并改进了模型的规划和检索能力。

Comments ICLR 2026

Challenges in Enabling Private Data Valuation

实现隐私数据估值的挑战

Yiwei Fu, Tianhao Wang, Varun Chandrasekaran

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Virginia（弗吉尼亚大学） 纠错

AI总结 本文研究了在差分隐私下实现数据估值的可行性，分析了现有方法的局限性，并提出了更隐私友好的估值设计原则。

FASA: Frequency-aware Sparse Attention

FASA: 基于频率的稀疏注意力

Yifei Wang, Yueqi Wang, Zhenrui Yue, Huimin Zeng, Yong Wang, Ismini Lourentzou, Zhengzhong Tu, Xiangxiang Chu, Julian McAuley

机构 * AMAP, Alibaba Group（阿里巴巴集团AMAP） ； UCSD（加州大学圣迭戈分校） ； UIUC（伊利诺伊大学香槟分校） ； Texas A&M University（德克萨斯农工大学） 纠错

AI总结 FASA通过动态预测令牌重要性，实现基于频率块的稀疏注意力机制，在长上下文任务中表现出色，达到接近全缓存性能且显著提升效率。

Comments Accepted by ICLR 2026

Out of the Memory Barrier: A Highly Memory Efficient Training System for LLMs with Million-Token Contexts

突破内存瓶颈：支持百万级上下文的高效训练系统

Wenhao Li, Daohai Yu, Gen Luo, Yuxin Zhang, Fei Chao, Rongrong Ji, Yifan Wu, Jiaxin Liu, Ziyang Gong, Zimu Liao

机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing Ministry of Education of China（教育部多媒体可信感知与高效计算重点实验室） ； Xiamen University（厦门大学） ； Peking University（北京大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学香槟分校） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

AI总结 OOMB通过高效内存管理实现百万级上下文LLM训练，显著降低内存开销，提升训练效率。

Developing Fundamental Diagrams for Urban Air Mobility Traffic Based on Physical Experiments

基于物理实验开发城市空中交通的基本图示

Hang Zhou, Yuhui Zhai, Shiyu Shen, Yanfeng Ouyang, Xiaowei Shi, Xiaopeng Li

机构 * Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系） ； Department of Civil and Environmental Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校土木与环境工程系） ； Department of Civil and Environmental Engineering, University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校土木与环境工程系） 纠错

AI总结 本研究通过物理实验和仿真结合，开发了城市空中交通的基本图示，验证了传统交通模型在UAM中的适用性，并提供了现实运行条件下的实用见解。

GAR: Generative Adversarial Reinforcement Learning for Formal Theorem Proving

GAR：用于形式定理证明的生成对抗强化学习

Ruida Wang, Jiarui Yao, Rui Pan, Shizhe Diao, Tong Zhang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； NVIDIA（英伟达） 纠错

AI总结 GAR通过生成对抗强化学习框架提升形式定理证明的效率和性能

On the $ε$-Free Inference Complexity of Absorbing Discrete Diffusion

关于吸收离散扩散的ε-免费推断复杂度

Xunpeng Huang, Yingyu Lin, Nishant Jain, Kaibo Wang, Difan Zou, Yian Ma, Tong Zhang

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出AATU方法，通过吸收离散扩散的结构优势，实现了ε-TV收敛的O(d ln d)复杂度，消除了传统均匀化推理的分数限制假设，并在时间不变参数化中展示了更高效的推理策略。

Comments 48 pages

PLANETALIGN: A Comprehensive Python Library for Benchmarking Network Alignment

PLANETALIGN：一个用于网络对齐基准测试的综合Python库

Qi Yu, Zhichen Zeng, Yuchen Yan, Zhining Liu, Baoyu Jing, Ruizhong Qiu, Ariful Azad, Hanghang Tong

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Texas A&M University（德克萨斯大学农工学院） 纠错

AI总结 PLANETALIGN是一个用于网络对齐基准测试的综合Python库，提供丰富的数据集、方法和评估流程，旨在促进更有效、可扩展和鲁棒的NA方法开发。

Comments Published as a conference paper at ICLR 2026

QuickGrasp: Responsive Video-Language Querying Service via Accelerated Tokenization and Edge-Augmented Inference

QuickGrasp: 通过加速分词和边缘增强推理实现响应式视频-语言查询服务

Miao Zhang, Ruixiao Zhang, Jianxin Shi, Hengzhi Wang, Hao Fang, Jiangchuan Liu

机构 * School of Computing Science, Simon Fraser University（计算科学学院，西蒙弗雷泽大学） ； Computer Science Department, University of Illinois Urbana-Champaign（计算机科学系，伊利诺伊大学厄巴纳-香槟分校） ； College of Cryptology and Cyber Science, Nankai University（密码学与网络科学学院，南开大学） ； College of Computer Science and Software Engineering, Shenzhen University（计算机科学与软件工程学院，深圳大学） 纠错

AI总结 QuickGrasp通过加速分词和边缘增强推理，实现响应式视频-语言查询服务，兼顾准确性和响应速度。

Any Model, Any Place, Any Time: Get Remote Sensing Foundation Model Embeddings On Demand

任何模型、任何地点、任何时间：获取遥感基础模型嵌入的按需服务

Dingqi Ye, Daniel Kiv, Wei Hu, Jimeng Shi, Shaowen Wang

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 rs-embed库通过统一接口实现任意模型、地点和时间的遥感嵌入按需获取，提升模型使用效率与公平比较能力。

ODEBrain: Continuous-Time EEG Graph for Modeling Dynamic Brain Networks

ODEBrain: 基于连续时间EEG图的动态脑网络建模

Haohui Jia, Zheng Chen, Lingwei Zhu, Rikuto Kotoge, Jathurshan Pradeepkumar, Yasuko Matsubara, Jimeng Sun, Yasushi Sakurai, Takashi Matsubara

机构 * Information Science and Techinology, Hokkaido University, Japan（信息科学与技术，北海道大学，日本） ； SANKEN, The University of Osaka, Japan（SANKEN，大阪大学，日本） ； Great Bay University, China（大湾大学，中国） ； Department of Computer Science, University of Illinois Urbana-Champaign, USA（计算机科学系，伊利诺伊大学厄巴纳-香槟分校，美国） 纠错

AI总结 ODEBrain通过整合时空频特征和神经ODE，提升EEG动态预测的鲁棒性和泛化能力。

How do Visual Attributes Influence Web Agents? A Comprehensive Evaluation of User Interface Design Factors

视觉属性如何影响网络代理？对用户界面设计因素的全面评估

Kuai Yu, Naicheng Yu, Han Wang, Rui Yang, Huan Zhang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Columbia University（哥伦比亚大学） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文提出VAF框架，通过系统评估视觉属性对网络代理决策的影响，发现背景颜色对比、项目大小等属性对代理行为有显著影响。

Audio-Conditioned Diffusion LLMs for ASR and Deliberation Processing

基于扩散的大型语言模型用于语音识别与 deliberation 处理

Mengqi Wang, Zhan Liu, Zengrui Jin, Guangzhi Sun, Chao Zhang, Philip C. Woodland

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

AI总结 本文提出基于扩散的LLaDA模型用于ASR，通过改进解码策略降低WER，展示其在语音识别中的有效性。

Comments Accepted to ICASSP 2026