高校专区
面向资源受限农村地区多模态临床筛查的云边协同系统
机构 * University of Michigan（密歇根大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard Medical School（哈佛医学院）
AI总结 该研究针对资源受限农村地区的多模态临床筛查问题，提出云边协同架构，经实验验证其诊断性能优异且成本更低，可适配部署约束。
Comments 31 pages, 3 figures. In Proceedings of Machine Learning Research, Volume 340, 2026 (Machine Learning for Healthcare Conference)
EgoCITE：面向长时程自我中心记忆的上下文增强索引与时序感知检索
机构 * University of Michigan（密歇根大学）
AI总结 本研究针对长时程自我中心记忆系统的索引不可靠、忽略时序意图的问题，提出EgoCITE框架，经多数据集评估，其准确率优于基线且成本显著低于长上下文LLM智能体。
分布式在线子模优化在通信延迟下的研究：一种同时决策方法
机构 * University of Michigan（密歇根大学）
AI总结 本文提出分布式在线贪心算法DOG，解决通信延迟下的子模优化问题，通过结合对抗性带宽学习与延迟反馈，在任意网络拓扑中实现同时决策，分析协调性能与收敛时间的权衡。
Comments Accepted to ACC 2026
几何注意力：一种针对Transformer注意力的显式操作语义
机构 * University of Michigan（密歇根大学）
AI总结 几何注意力提出了一种显式操作语义，通过四个独立输入定义注意力层，支持多头、混合核和计划锚等显式领域选择，实现注意力机制的原理性比较与扩展。
Comments 34 pages. Major reconstruction and retitling of the withdrawn previous version. The incorrect non-completability theorem and all dependent claims have been removed. The present version replaces the earlier operator-first development with an analysis of neural-architecture individuation and architecture under composition. Submitted to JMLR
基于公共领域电影集的对话感知视频到音乐生成
机构 * University of California San Diego（加利福尼亚大学圣地亚哥分校） ； University of Michigan（密歇根大学）
AI总结 该研究针对视频到音乐生成的可复现性问题，构建了OSSL-v2数据集，提出用对话作为条件信号的方法，在电影上评估后性能优于现有基线。
无权重微调：通过对数几率空间迁移实现大语言模型的个性化
机构 * University of Michigan（密歇根大学） ； University of Chicago（芝加哥大学）
AI总结 针对个性化场景下LLM微调成本过高的问题，提出无需权重更新的WFT方法，在LaMP基准上性能优于多数基线，仅用不到7%计算量接近SFT效果。
DREAMS：基于密度泛函理论的智能体材料模拟研究引擎
机构 * Department of Mechanical Engineering, University of Michigan, Ann Arbor, Michigan, USA（机械工程系，密歇根大学，安阿伯，密歇根州，美国） ； Max-Planck-Institute for Sustainable Materials, Materials Informatics, Düsseldorf, Germany（可持续材料研究所，材料信息学，杜塞尔多夫，德国） ； Mechanical Engineering, University of Michigan, Ann Arbor, Michigan, USA（机械工程，密歇根大学，安阿伯，密歇根州，美国）
AI总结 本文提出基于DFT的分层多智能体框架DREAMS，通过多层安全防护提升LLM智能体材料模拟的可信度，在Sol27LC基准等任务中表现优异，可平衡可信度与成本，推动自主材料模拟发展。
Comments 47 pages, 44 pages of Supporting Information
CARE：用于可靠医学视觉问答的置信感知推理
机构 * Ant Group（蚂蚁集团） ； University of Michigan（密歇根大学） ； City University of Hong Kong（香港城市大学）
AI总结 该研究针对医学多模态大语言模型的置信度校准问题，提出CARE框架，通过双阶段流程优化准确率与校准度，在三个医学VQA基准上取得最优性能，为临床决策支持提供可信基础。
Comments Accepted by MICCAI 2026
多源人机协同数字孪生测试平台用于混合交通流中的连接与自动驾驶车辆
机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动性学院） ； Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系）
AI总结 本文提出了一种多源人机协同混合云控制测试平台（MSH-MCCT），用于在混合交通环境中测试连接与自动驾驶车辆（CAVs）与人类驾驶车辆（HDVs）之间的复杂交互，通过混合数字孪生概念结合混合现实与数字孪生，提升实验灵活性和可扩展性。
Journal ref 2026 in Journal of Intelligent and Connected Vehicles
超越截图：评估VLMs对UI动画的理解
机构 * University of Michigan（密歇根大学）
AI总结 本文提出AniMINT数据集，评估VLMs对动态UI动画的理解能力，发现其在基础运动检测上可靠，但高阶解释仍不一致，揭示了模型性能的关键瓶颈。
Comments Published in ACL 2026 Findings
分层构型空间中接触感知不确定性校准的基于粒子的保形预测
机构 * University of Michigan（密歇根大学）
AI总结 针对机器人接触障碍物时运动模型不准确、未来构型分布异常的问题，提出CaPTURe算法，实现了接触与非接触场景下的指定覆盖率要求，任务成功率较最佳基线提升30%。
Comments 31 pages, 10 figures, 5 tables. Accepted at COPA 2026 (Conformal and Probabilistic Prediction with Applications). Project page: https://um-arm-lab.github.io/capture/
LLMVisor：面向多租户大语言模型（LLM）服务的实时延迟归因模型
机构 * University of Michigan（密歇根大学） ； ByteDance（字节跳动）
AI总结 针对多租户LLM服务中联合批处理导致的延迟归因难题，提出基于屋顶线模型的LLMVisor实时延迟归因模型，在微秒级高效运行，相比基线方法大幅降低预填充和解码阶段的相对误差
VOICE：一种融合原位单细胞基因表达直接预测与基于检索预测的视觉-组学基础模型
机构 * University of Michigan（密歇根大学） ； Weill Cornell Medicine（威尔康奈尔医学院）
AI总结 该研究提出多模态基础模型 VOICE，通过对比学习对齐 H&E 形态与单细胞表达嵌入，融合直接回归与参考检索分支，泛化性良好且在七项指标上优于现有方法，可从 H&E 图像预测单细胞基因表达。
PE-Mamba：用于AI生成图像检测的双向选择性层聚合
机构 * College of Innovation & Technology, University of Michigan-Flint（密歇根大学弗林特分校创新与技术学院） ； School of Electronics and Information Engineering, Korea Aerospace University（韩国航空大学电子与信息工程学院）
AI总结 本研究针对AI生成图像检测的挑战，提出基于PE-Core视觉Transformer的PE-Mamba框架，通过双向选择性聚合器等三个组件实现跨层特征聚合，在两个数据集上优于18种检测器且仅训练少量参数。
拉格朗日扰动扩散引导：用于生成策略的潜在强化学习
机构 * University of Michigan（密歇根大学）
AI总结 提出拉格朗日扰动扩散引导（LP-DS），通过学习紧凑的噪声空间扰动来微调冻结的生成策略，利用拉格朗日信任区域目标优化，在保持潜在先验约束的同时提升下游价值，在多个基准上实现样本效率和回报提升。
Comments Accepted as a regular paper at ICML 2026
逐词进行：增量完成分解打破LLM安全
机构 * University of Michigan（密歇根大学） ； University of Toronto（多伦多大学）
AI总结 本文提出增量完成分解（ICD）策略，通过逐词生成恶意请求相关词来突破LLM安全机制，评估多种变体在多个基准测试中表现优异，并理论解释其有效性。
差分隐私加权经验风险最小化过程及其在结果加权学习中的应用
机构 * University of Notre Dame（诺特大学） ； St. Jude Children’s Research Hospital（圣犹大儿童研究医院） ； University of Michigan（密歇根大学）
AI总结 提出首个差分隐私加权经验风险最小化算法，推导经验与总体超额风险界，并应用于结果加权学习，实验证明在强隐私保护下保持鲁棒性能。
Journal ref IEEE Transactions on Information Forensics & Security, 2026
当GNN失效：量化与克服时间序列中的时间相关性波动性
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； The Hong Kong University of Science and Technology（香港科技大学） ； East China Normal University（华东师范大学） ； University of Michigan（密歇根大学）
AI总结 本研究提出时间相关性波动性（TCV）指标，发现高TCV下GNN等模型泛化差，进而提出GLIDE层，在合成与真实基准上使平均性能最高提升45.6%。
Comments 6 figures, 3 tables, 16 pages
Journal ref European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases, 2026
LoCA：基于局部信用分配的一次性校准后仅前向的大语言模型调优
机构 * University of Oklahoma（俄克拉荷马大学） ； Imperial College London（伦敦帝国学院） ； University of Michigan（密歇根大学） ； Tencent（腾讯） ； University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； Beijing Normal University（北京师范大学） ； Beijing Normal-Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院）
AI总结 本文提出LoCA方法，通过一次性校准替换大语言模型调优的重复反向传播，在多个基准上优于LoRA，降低了GPU峰值内存、CPU稳态内存与前向传递时间。
分布式自编码器知晓得分
机构 * Department of Statistics, University of Michigan（密歇根大学统计学系）
AI总结 本文提出分布式主元自编码器，通过理论保证实现分布正确重建与编码可解释性，证明模型能同时学习数据分布和内在维度。
Comments NeurIPS 2025 - camera-ready version
Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025), 2025
Skill-RAG: 通过隐藏状态探测与技能路由实现故障状态感知的检索增强
机构 * University of Michigan（密歇根大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Rutgers University（罗格斯大学） ； University of Pennsylvania（宾夕法尼亚大学） ； New Jersey Institute of Technology（新泽西理工学院） ； TU Darmstadt（图腾斯大学） ； Wake Forest University（威克森林大学）
AI总结 提出Skill-RAG框架，通过轻量级隐藏状态探测器和基于提示的技能路由器，在检索失败时诊断原因并选择四种技能（查询重写、问题分解、证据聚焦、退出）纠正查询-证据错位，显著提升多轮检索后困难案例的准确性。
基于优化的在线共形预测用于多步预测
机构 * University of Michigan（密歇根大学）
AI总结 提出O2CP框架，通过双层优化结构建模多步误差依赖，在保证边际覆盖有效性的同时生成更窄的预测区间，实验表明在自动驾驶、气候预测等领域优于现有方法。
KV-Skill：在模型的原生语言中锻造专业技能
机构 * University of Michigan（密歇根大学）
AI总结 该研究提出KV-Skill，通过外部因子化算子存储任务知识，在多基准测试中提升了模型在LiveMath等任务上的准确率，且可独立加载多个技能无明显遗忘。
Comments 17 pages, 4 figures, 18 tables. Zhaowei Han and Xiang Zhang contributed equally to this work. Code: https://github.com/shawnzhg/KV-Skill
NavTrust：体感导航的可信度基准测试
机构 * Trustworthy Autonomous Systems Laboratory at the University of California, Riverside（加州大学河滨分校可信自主系统实验室） ； University of Michigan（密歇根大学） ； Workday ； University of Southern California（南加州大学） ； Texas A&M University（德克萨斯A&M大学） ； Lehigh University（莱斯大学）
AI总结 NavTrust通过系统性地对输入模态进行腐蚀，评估体感导航性能的鲁棒性，揭示了现有方法在真实环境中的性能缺陷，并提出改进策略。
Comments IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026); Project Website: https://navtrust.github.io
当AI基准测试达到平台期：基准饱和的系统性研究
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本研究定义并分析了60个语言模型基准的饱和现象，发现近半数基准出现饱和，且专家策划而非公开测试数据影响抗饱和能力，为延长基准寿命提供了设计建议。
Comments Published at ICML 2026 (Forty-Third International Conference on Machine Learning)
基于广义分层抽样的随机仿真在结构性能导向风险优化中的应用
机构 * University of São Paulo（圣保罗大学） ； University of Michigan（密歇根大学） ； Federal University of Paraná（巴拉那联邦大学）
AI总结 本研究提出结合广义分层抽样（GSS）与随机多项式混沌展开（SPCE）的框架，用于结构性能导向风险优化，可准确估算结构响应分布尾部并减少非线性模型评估次数。
基于物理的机器学习用于袋状电池温度估计
机构 * Department of Industrial and Manufacturing Systems Engineering（工业与制造系统工程系） ； University of Michigan-Dearborn（密歇根大学迪尔伯恩分校） ； Dearborn, USA（美国迪尔伯恩）
AI总结 本文提出一种融合热传递方程的机器学习框架，用于高效准确估计电池稳态温度分布，实验显示其在收敛速度和精度上优于传统数据驱动方法。
Comments 4 pages, 2 figures
能量- Tweedie：分数与分数，能量与能量
机构 * Department of Statistics, University of Michigan（统计学系，密歇根大学）
AI总结 本文提出能量- Tweedie方法，通过推导能量分数与噪声边缘分数的关系，扩展了Tweedie公式，用于改进去噪和分数估计。
Comments 54 pages, 17 figures
机构 * University of Michigan（密歇根大学）
Comments First draft. First camera-ready version
Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025, 2025
LiveXiv —— 基于 arXiv 论文内容的多模态实时基准测试集
机构 * Faculty of Engineering Tel-Aviv University（特拉维夫大学工程学院） ； IBM Research（IBM研究院） ； Department of Statistics, University of Michigan（密歇根大学统计学系） ； JKU Linz, Austria（林茨大学，奥地利） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT-IBM（麻省理工学院-IBM）
AI总结 针对多模态模型训练中测试数据污染问题，提出基于 arXiv 论文的 LiveXiv 实时基准，自动生成 VQA 对，用部分模型评估降低成本，验证了其性能差异极小，数据集已在 HuggingFace 公开。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈