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

Test-Time Adaptation for EEG Foundation Models: A Systematic Study under Real-World Distribution Shifts

EEG基础模型的测试时间适应：在现实世界分布偏移下的系统研究

Gabriel Jason Lee, Jathurshan Pradeepkumar, Jimeng Sun

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 本文系统研究了EEG基础模型在现实分布偏移下的测试时间适应方法，发现标准方法效果不稳定且易退化，而无优化方法更稳定可靠。

Comments Accepted to MLHC 2026

How Order-Sensitive Are LLMs? OrderProbe for Deterministic Structural Reconstruction

大语言模型对顺序敏感性如何？OrderProbe用于确定性结构重建

Zhaolu Kang, Yingjie He, Kehan Jiang, Leqi Zheng, Jiachen Qian, Qianyuan Zhang, Chunlei Meng, Yujie Feng, Yuan Wang, Stephen Dou, Aming Wu, Pengxiang Zhao, Jiaxin Liu, Guansu Wang, Zeyu Zhang, Lei Wang, Qishi Zhan, Xiaomin He, Meisheng Zhang, Jianyuan Ni, Richeng Xuan

机构 * Peking University（北京大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； City University of Hong Kong（香港城市大学） ； Fudan University（复旦大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学香槟分校） ； Marquette University（马凯特大学） ； Juniata College（朱尼阿特学院） 纠错

AI总结 研究通过OrderProbe基准评估大语言模型对输入顺序的敏感性，发现即使在前沿模型上，结构重建仍面临挑战，且语义能力与结构鲁棒性存在脱节。

Comments EMNLP 2026 Findings

Layer-Aware Video Composition via Split-then-Merge

通过分割后再融合的分层视频合成

Ozgur Kara, Yujia Chen, Ming-Hsuan Yang, James M. Rehg, Wen-Sheng Chu, Du Tran

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

AI总结 StM通过分割未标注视频并融合动态前景与背景层，提升生成视频合成的控制能力和数据效率。

Comments Project Webpage: this https URL (https://split-then-merge.github.io)

A Robust Task-Level Control Architecture for Learned Dynamical Systems

用于学习动力系统的鲁棒任务级控制架构

Eshika Pathak, Ahmed Aboudonia, Sandeep Banik, Naira Hovakimyan

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 针对基于动力系统的示教学习存在的任务执行不匹配问题，提出L1增强动力系统架构，结合标称稳定控制器、L1自适应控制器与窗口DTW目标选择器，在LASA和IROS手写数据集上验证了其跟踪性能。

Comments Accepted to the 8th Annual Learning for Dynamics & Control Conference (L4DC 2026)

LEMMA-RCA: A Large Multi-modal Multi-domain Dataset for Root Cause Analysis

LEMMA-RCA：用于根因分析的多模态多领域大型数据集

Lecheng Zheng, Zhengzhang Chen, Dongjie Wang, Chengyuan Deng, Reon Matsuoka, Haifeng Chen

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； NEC Laboratories America（NEC美国实验室） ； University of Kansas（堪萨斯大学） ； Rutgers University（罗格斯大学） ； NEC Laboratories Japan（NEC日本实验室） 纠错

AI总结 针对根因分析领域缺乏大规模开源数据集的问题，本文提出多模态多领域大型数据集LEMMA-RCA，在其上评估六种基线方法，验证其可促进RCA技术的公平评估与发展。

Comments Accepted by CIKM 2026