University of Michigan（密歇根大学安娜堡分校）

Backup-Based Safety Filters: A Comparative Review of Backup CBF, Model Predictive Shielding, and gatekeeper

基于备份的安全过滤器：备份CBF、模型预测屏蔽和gatekeeper的比较综述

Taekyung Kim, Aswin D. Menon, Akshunn Trivedi, Dimitra Panagou

机构 * University of Michigan, Ann Arbor（密歇根大学安娜堡分校） 纠错

AI总结 本文通过统一框架比较三种备份安全过滤器，揭示其共同结构与算法差异，指出MPS是gatekeeper的特例，并分析备份安全过滤器的保守性来源。

Comments Project page: https://www.taekyung.me/backup-safety-filters

Ambig-IaC: Multi-level Disambiguation for Interactive Cloud Infrastructure-as-Code Synthesis

Ambig-IaC：交互式云基础设施即代码合成的多级消歧

Zhenning Yang, Kaden Gruizenga, Tongyuan Miao, Patrick Tser Jern Kon, Hui Guan, Ang Chen

机构 * University of Michigan（密歇根大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

AI总结 本文提出Ambig-IaC框架，通过多级消歧方法提升IaC配置生成的准确性，针对IaC配置的不可逆性，设计了基于结构分歧的评估框架，在结构和属性评估上分别提升18.4%和25.4%。

Physics-informed data-driven machine health monitoring for two-photon lithography

基于物理信息的数据驱动机健康监测用于双光子光刻

Sixian Jia, Zhiqiao Dong, Chenhui Shao

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

AI总结 本文提出三种方法，结合物理信息数据驱动预测模型与统计方法，实现双光子光刻机健康状态的准确及时监测，通过实验验证其高准确度、鲁棒性和泛化能力。

Journal ref Journal of Manufacturing Processes 166 (2026) 319 - 329

AutoPCR: Automated Phenotype Concept Recognition by Prompting

AutoPCR: 通过提示实现自动表型概念识别

Yicheng Tao, Yuanhao Huang, Yiqun Wang, Xin Luo, Jie Liu

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文提出AutoPCR，一种基于提示的表型概念识别方法，无需领域特定训练即可自动泛化至新本体和未见数据，实验显示其在多个数据集上表现最佳。

Comments Accepted at ISMB 2026 (Proceedings)

FLEX: A Largescale Multimodal, Multiview Dataset for Learning Structured Representations for Fitness Action Quality Assessment

FLEX：一个大规模多模态、多视角数据集，用于学习结构化表示以评估健身动作质量

Hao Yin, Lijun Gu, Paritosh Parmar, Lin Xu, Tianxiao Guo, Xiujin Liu, Weiwei Fu, Yang Zhang, Tianyou Zheng

机构 * School of Biomedical Engineering (Suzhou), USTC（中国科学技术大学苏州生物医学工程学院） ； Suzhou Institute of Biomedical Engineering and Technology, CAS（中国科学院苏州生物医学工程技术研究所） ； Institute of High-Performance Computing, A*STAR, Singapore（新加坡科技研究局高性能计算研究所） ； School of Psychology, Beijing Sports University（北京体育大学心理学院） ； School of Competitive Sports, Beijing Sports University（北京体育大学竞技体育学院） ； Department of Robotics, University of Michigan（密歇根大学机器人系） 纠错

AI总结 FLEX数据集通过多模态融合和结构化知识图谱提升健身动作质量评估的准确性与解释性，支持跨模态预测和生物力学导向的表示学习。

Comments Dataset and code are available at https://github.com/HaoYin116/FLEX . Link to Project page https://haoyin116.github.io/FLEX_Dataset