University of Michigan（密歇根大学安娜堡分校）

Confidence-Based Decoding is Provably Efficient for Diffusion Language Models

基于置信度的解码在扩散语言模型中具有可证明的效率

Changxiao Cai, Gen Li

机构 * Department of Industrial and Operations Engineering, University of Michigan（工业与运营工程系，密歇根大学） ； Department of Statistics and Data Science, The Chinese University of Hong Kong（统计与数据科学系，香港中文大学） 纠错

AI总结 本文提出了一种基于熵和的解码策略，证明其在KL散度下具有ε精度，并在迭代次数上达到O(H(X0)/ε)的效率，适用于低熵数据分布。

Partial Attention in Deep Reinforcement Learning for Safe Multi-Agent Control

深度强化学习中多智能体控制的安全部分注意力

Turki Bin Mohaya, Peter Seiler

机构 * Department of Electrical Engineering and Computer Science at the University of Michigan（密歇根大学电气工程与计算机科学系） 纠错

AI总结 本文提出在多智能体安全控制中应用注意力机制，设计神经网络控制高速公路汇入场景的自动驾驶车辆，通过部分注意力提升安全性和效率。

Comments This work has been accepted for publication in the proceedings of the 2026 American Control Conference (ACC), New Orleans, Louisiana, USA

Modality Matching Matters: Calibrating Language Distances for Cross-Lingual Transfer in URIEL+

模态匹配至关重要：在URIEL+中校准语言距离以实现跨语言迁移

York Hay Ng, Aditya Khan, Xiang Lu, Matteo Salloum, Michael Zhou, Phuong H. Hoang, A. Seza Doğruöz, En-Shiun Annie Lee

机构 * University of Toronto, Canada（多伦多大学） ； University of Michigan, USA（密歇根大学） ； Harvard University, USA（哈佛大学） ； Carnegie Mellon University, USA（卡内基梅隆大学） ； LT3, IDLab, Universiteit Gent, Belgium（IDLab，根特大学） ； Ontario Tech University, Canada（安大略技术大学） 纠错

AI总结 本文提出一种类型匹配的语言距离框架，通过结构感知的表示方法提升跨语言迁移性能，特别是在任务相关距离类型下表现更优。

Comments Accepted to EACL 2026 SRW

Journal ref In Proceedings of EACL 2026 (Volume 4: Student Research Workshop), pages 110 to 130. ACL

A Training-free Method for LLM Text Attribution

无需训练的LLM文本归因方法

Tara Radvand, Mojtaba Abdolmaleki, Mohamed Mostagir, Ambuj Tewari

机构 * Ross School of Business, University of Michigan, United States（密歇根大学罗斯商学院） ； Department of Statistics, University of Michigan, United States（密歇根大学统计学系） 纠错

AI总结 本文提出无需训练的LLM文本归因方法，通过零样本统计测试区分不同LLM生成文本，并证明测试误差随文本长度指数下降，同时验证理论结果和对抗性后编辑的鲁棒性。

PrecLLM: A Privacy-Preserving Framework for Efficient Clinical Annotation Extraction from Unstructured EHRs using Small-Scale LLMs

PrecLLM: 一种用于从非结构化电子健康记录中高效提取临床注释的隐私保护框架，使用小型语言模型

Yixiang Qu, Yifan Dai, Shilin Yu, Pradham Tanikella, Malvika Pillai, Walter Chen, Jialiu Xie, Yishan Ren, Duan Wang, Yikai Wang, Sid Sheth, Guanting Chen, Yufeng Liu, Travis Schrank, Trevor Hackman, Didong Li, Di Wu

机构 * Department of Biostatistics, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校生物统计学系） ； Department of Genetics, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校遗传学系） ； Curriculum for Bioinformatics and Computational Biology, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校生物信息学与计算生物学课程） ； Carolina Health Informatics Program, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校健康信息学计划） ； Department of Statistics and Operations Research, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校统计学与运筹学系） ； Department of Otolaryngology/Head and Neck Surgery, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校耳鼻喉科及头颈外科系） ； Department of Statistics, University of Michigan（密歇根大学统计学系） ； Department of Biomedical Sciences, Adams School of Dentistry, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校阿德姆牙科学院生物医学科学系） ； Computational Medicine Program, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校计算医学计划） ； Lineberger Comprehensive Cancer Center, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校林伯格综合癌症中心） 纠错

AI总结 本文提出PrecLLM框架，利用小型语言模型高效处理非结构化电子健康记录，通过正则表达式和RAG技术提升隐私保护下的临床注释提取性能。

High-Speed, All-Terrain Autonomy: Ensuring Safety at the Limits of Mobility

高速全地形自主性：在移动极限下的安全性保证

James R. Baxter, Bogdan I. Epureanu, Paramsothy Jayakumar, Tulga Ersal

机构 * Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系） ； U.S. Army Ground Vehicle Systems Center（美国陆军地面车辆系统中心） 纠错

AI总结 本文提出一种新型局部轨迹规划器，通过能量约束实现高速越野车辆在复杂地形中的安全行驶，通过仿真和实验证明其在极端场景下的有效性。

Comments 19 pages, 16 figures, submitted to IEEE Transactions on Robotics

TRGS-SLAM: IMU-Aided Gaussian Splatting SLAM for Blurry, Rolling Shutter, and Noisy Thermal Images

TRGS-SLAM：基于IMU的高斯点云SLAM用于模糊、滚动快门和噪声热图像

Spencer Carmichael, Katherine A. Skinner

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文提出TRGS-SLAM，一种基于3DGS的热惯性SLAM系统，能处理热图像中的模糊、滚动快门和噪声问题，通过改进的3DGS渲染方法和创新技术实现高精度跟踪。

Comments Project page: https://umautobots.github.io/trgs_slam

Stochastically Dominant Peer Prediction

随机占优同伴预测

Yichi Zhang, Shengwei Xu, David Pennock, Grant Schoenebeck

机构 * DIMACS, Rutgers University（罗格斯大学DIMACS研究中心） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） 纠错

AI总结 本文提出随机占优真实性机制，以增强同伴预测机制的诚实性，通过二元彩票评分和新机制在保持敏感度的同时提高效率。

Comments 29 pages, 3 figures

SPOT: Point Cloud Based Stereo Visual Place Recognition for Similar and Opposing Viewpoints

SPOT：基于点云的立体视觉位置识别用于相似和对立视角

Spencer Carmichael, Rahul Agrawal, Ram Vasudevan, Katherine A. Skinner

机构 * Department of Robotics, University of Michigan（机器人学系，密歇根大学） ； Department of Robotics and the Department of Mechanical Engineering, University of Michigan（机器人学系和机械工程系，密歇根大学） 纠错

AI总结 本文提出SPOT技术，利用立体视觉里程计估计的结构进行对立视角视觉位置识别，通过双距离矩阵序列匹配方法提升识别精度，实验表明在不同光照条件下，SPOT在对立视角识别中达到91.7%的召回率，且存储和运行效率优于现有方法。

Comments Expanded version with added appendix. Published in ICRA 2024. Project page: https://umautobots.github.io/spot