University of Michigan（密歇根大学安娜堡分校）

Readers Prefer Outputs of AI Trained on Copyrighted Books over Expert Human Writers

读者更倾向于AI在受版权保护的书籍上训练输出的文本而非专家人类作家

Tuhin Chakrabarty, Jane C. Ginsburg, Paramveer Dhillon

机构 * Department of Computer Science, Stony Brook University（石溪大学计算机科学系） ； Columbia Law School（哥伦比亚法学院） ； School of Information Science, University of Michigan（密歇根大学信息科学学院） ； MIT Initiative on the Digital Economy（麻省理工学院数字经济倡议） 纠错

AI总结 研究比较了AI与专家作家在模仿50位获奖作者风格的文本表现，发现微调AI在风格和质量上更受读者青睐，且效果稳健。

Comments Preprint Under Review

SignNav: Leveraging Signage for Semantic Visual Navigation in Large-Scale Indoor Environments

SignNav：利用标识信息在大规模室内环境中实现语义视觉导航

Jian Sun, Yuming Huang, He Li, Shuqi Xiao, Shenyan Guo, Maani Ghaffari, Qingbiao Li, Chengzhong Xu, Hui Kong

机构 * Faculty of Science and Technology, University of Macau（澳门大学科技学院） ； Department of Robotics, University of Michigan（密歇根大学机器人系） 纠错

AI总结 本文提出SignNav任务，通过解读标识信息进行语义导航，构建LSI-Dataset并提出START模型，实现端到端决策，达到80%的成功率和0.74 NDTW。

Relaxed Efficient Acquisition of Context and Temporal Features

放松的高效上下文与时间特征获取

Yunni Qu, Dzung Dinh, Grant King, Whitney Ringwald, Bing Cai Kok, Kathleen Gates, Aidan Wright, Junier Oliva

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Michigan（密歇根大学） ； University of Minnesota Twin Cities（明尼苏达大学双城分校） 纠错

AI总结 REACT框架通过联合优化上下文描述和时间适应性特征获取，提高预测性能并降低获取成本，解决生物医学中测量资源受限的问题。

Learning complete and explainable visual representations from itemized text supervision

从条目化文本监督中学习完整且可解释的视觉表示

Yiwei Lyu, Chenhui Zhao, Soumyanil Banerjee, Shixuan Liu, Akshay Rao, Akhil Kondepudi, Honglak Lee, Todd C. Hollon

机构 * University of Michigan（密歇根大学） ； 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ItemizedCLIP框架，通过条目化文本监督学习完整且可解释的视觉表示，在四个自然条目化领域和一个合成数据集上实现了零样本性能和细粒度可解释性的显著提升。

Inference for Deep Neural Network Estimators in Generalized Nonparametric Models

深度神经网络估计器在广义非参数模型中的推断

Xuran Meng, Yi Li

机构 * Department of Biostatistics, University of Michigan（密歇根大学生物统计学系） 纠错

AI总结 本文提出在广义非参数回归模型中使用深度神经网络估计器，并开发了严谨的推断框架，通过Ensemble Subsampling Method方法构建置信区间，展示了在非参数逻辑、泊松和二项回归模型中的有效性，并应用于eICU数据集进行ICU再入院风险预测。

Comments 91 pages, 14 figures, 20 tables