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

Interaction-Grounded Learning for Contextual Markov Decision Processes with Personalized Feedback

基于交互的 contextual Markov 决策过程学习与个性化反馈

Mengxiao Zhang, Yuheng Zhang, Haipeng Luo, Paul Mineiro

机构 * University of Iowa（爱荷华大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Southern California（南加州大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出了一种计算高效的算法，用于在具有个性化反馈的上下文性 Markov 决策过程中实现次线性遗憾保证，通过扩展奖励估计器构造并设计逆间隙加权算法，有效提升了多轮交互中学习个性化目标的能力。

Semantics-Aware Generative Latent Data Augmentation for Learning in Low-Resource Domains

语义感知的生成潜在数据增强用于低资源领域的学习

Jaesung Bae, Minje Kim

机构 * Siebel School of Computing（计算科学系） ； Data Science, University of Illinois Urbana-Champaign, Illinois, USA（数据科学，伊利诺伊大学厄巴纳-香槟分校，伊利诺伊州，美国） 纠错

AI总结 GeLDA通过语义感知的生成潜在数据增强方法，在低资源领域提升语音情绪识别和图像分类任务的性能。

A Survey of Behavior Foundation Model: Next-Generation Whole-Body Control System of Humanoid Robots

人形机器人行为基础模型综述：下一代全身体控系统

Mingqi Yuan, Tao Yu, Wenqi Ge, Xiuyong Yao, Huijiang Wang, Jiayu Chen, Bo Li, Wei Zhang, Wenjun Zeng, Hua Chen, Xin Jin

机构 * Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算机系） ； LimX Dynamics ； Ningbo Institute of Digital Twin, Eastern Institute of Technology（宁波数字孪生研究院、东部技术研究所） ； Department of Data and Systems Engineering, The University of Hong Kong（香港大学数据与系统工程系） ； CREATE Lab, EPFL（EPFL CREATE 实验室） ； School of System Design and Intelligent Manufacturing, Southern University of Science and Technology（南方科技大学系统设计与智能制造学院） ； ZJU-UIUC Institute, Zhejiang University（浙江大学ZJU-UIUC研究院） ； INFIFORCE Intelligent Technology Co., Ltd.（INFIFORCE智能科技有限公司） 纠错

AI总结 本文综述了人形机器人全身体控中行为基础模型的发展，探讨了其在复杂任务中的应用及未来研究方向。

Comments 19 pages, 10 figures

Journal ref IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, 2025

Multi-Modal Data Fusion for Moisture Content Prediction in Apple Drying

多模态数据融合用于苹果干燥中的含水率预测

Shichen Li, Chenhui Shao

机构 * Department of Mechanical Science and Engineering, University of Illinois at Urbana-Champaign, Urbana, IL 61801, USA（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） ； Department of Mechanical Engineering, University of Michigan, Ann Arbor, MI 48109, USA（密歇根大学安娜堡分校机械工程系） 纠错

AI总结 本文提出多模态数据融合框架，通过融合表格数据和图像数据提高苹果干燥含水率预测的准确性，有效降低误差并增强鲁棒性。

Comments Accepted for publication in the Proceedings of the 53rd North American Manufacturing Research Conference (NAMRC 53), to appear in Manufacturing Letters

Journal ref Manufacturing Letters Volume 44, Supplement, August 2025, Pages 1316-1325

Rates of Convergence in the Central Limit Theorem for Markov Chains, with an Application to TD Learning

马尔可夫链中心极限定理收敛速度研究及其在TD学习中的应用

R. Srikant

机构 * ECE and CSL, UIUC（电子工程系和计算机科学实验室，伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文通过Stein方法和Poisson方程，研究了马尔可夫链中心极限定理的收敛速度，并将其应用于TD学习的非渐近中心极限定理证明。

Agent-Fence: Mapping Security Vulnerabilities Across Deep Research Agents

Agent-Fence: 在深度研究代理中映射安全漏洞

Sai Puppala, Ismail Hossain, Md Jahangir Alam, Yoonpyo Lee, Jay Yoo, Tanzim Ahad, Syed Bahauddin Alam, Sajedul Talukder

机构 * Computer Science Department, Southern Illinois University（索尔坦大学计算机科学系） ； Computer Science Department, University of Texas（德克萨斯大学计算机科学系） ； Hanyang University（翰阳大学） ； The Grainger College of Engineering, Nuclear, Plasma & Radiological Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校格雷格尔工程学院） 纠错

AI总结 Agent-Fence通过定义14种信任边界攻击类别，评估深度代理的安全性，发现高风险类别如Denial-of-Wallet和Authorization Confusion，揭示代理在持久交互中的安全漏洞。

Graph homophily booster: Reimagining the role of discrete features in heterophilic graph learning

图同质性增强器：重新审视离散特征在异质图学习中的作用

Ruizhong Qiu, Ting-Wei Li, Gaotang Li, Hanghang Tong

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 GRAPHITE通过设计图变换直接提升图同质性，有效解决异质图学习中的挑战。

Comments ICLR 2026

Can NeRFs See without Cameras?

NeRF能否在没有摄像头的情况下看到？

Chaitanya Amballa, Sattwik Basu, Yu-Lin Wei, Zhijian Yang, Mehmet Ergezer, Romit Roy Choudhury

机构 * University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊） 纠错

AI总结 本文提出通过重新设计NeRF来利用多路径信号推断环境，应用于从稀疏Wi-Fi测量中推断室内平面图。

CodeCircuit: Toward Inferring LLM-Generated Code Correctness via Attribution Graphs

CodeCircuit: 通过归因图推断LLM生成代码的正确性

Yicheng He, Zheng Zhao, Zhou Kaiyu, Bryan Dai, Jie Fu, Yonghui Yang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Edinburgh（爱丁堡大学） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） ； IQuest Research（IQuest研究） 纠错

AI总结 CodeCircuit通过归因图分析LLM内部结构，推断生成代码的正确性，验证内部动态信号的预测能力。