University of Michigan（密歇根大学安娜堡分校）

Subspace Control: Turning Constrained Model Steering into Controllable Spectral Optimization

子空间控制：将受约束的模型操控转化为可控的谱优化

Yancheng Huang, Changsheng Wang, Chongyu Fan, Yicheng Lang, Bingqi Shang, Yang Zhang, Mingyi Hong, Qing Qu, Alvaro Velasquez, Sijia Liu

机构 * OPTML, Michigan State University（OPTML，密歇根州立大学） ； MIT-IBM Watson AI Lab, IBM Research（MIT-IBM Watson AI Lab，IBM研究院） ； University of Minnesota（明尼苏达大学） ； University of Michigan（密歇根大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校） 纠错

AI总结 本文提出子空间控制框架，通过分析谱交叉任务干扰并利用一阶解正交化合并子空间，引入SIFT方法，实现可控更新以缓解目标与约束冲突，在四个应用中均取得显著性能提升。

Combining Tree-Search, Generative Models, and Nash Bargaining Concepts in Game-Theoretic Reinforcement Learning

将树搜索、生成模型和纳什谈判概念结合在博弈论强化学习中

Zun Li, Marc Lanctot, Kevin R. McKee, Luke Marris, Ian Gemp, Daniel Hennes, Paul Muller, Kate Larson, Yoram Bachrach, Michael P. Wellman

机构 * Google DeepMind（谷歌DeepMind） ； University of Waterloo（滑铁卢大学） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出基于深度博弈论强化学习的多智能体训练框架，通过生成最佳响应算法GenBR和纳什谈判理论构建对手混合策略，提升在不完全信息域中的对手建模能力。

Comments Accepted by IJCAI'25 main track

Journal ref Proc. 34th Int. Joint Conf. Artif. Intell. (IJCAI 2025), pp. 161-169

When Do Hallucinations Arise? A Graph Perspective on the Evolution of Path Reuse and Path Compression

当幻觉何时出现？从图视角看路径复用和路径压缩的演变

Xinnan Dai, Kai Yang, Cheng Luo, Shenglai Zeng, Kai Guo, Jiliang Tang

机构 * Michigan State University（密歇根州立大学） ； University of Michigan（密歇根大学） ； Independent Researcher（独立研究员） 纠错

AI总结 本文从图视角分析大语言模型中幻觉产生的机制，揭示路径复用与路径压缩对推理幻觉的影响，提出统一解释框架。

Operator Learning for Schrödinger Equation: Unitarity, Error Bounds, and Time Generalization

算子学习用于薛定谔方程：幺正性、误差界与时间泛化

Yash Patel, Unique Subedi, Ambuj Tewari

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文提出一种线性估计器，用于学习时间依赖薛定谔方程的演算算子，保留弱幺正性并建立误差界与时间泛化界，实验显示其精度优于现有方法。

Comments 37 pages

SPRIG: Improving Large Language Model Performance by System Prompt Optimization

SPRIG：通过系统提示优化提升大语言模型性能

Lechen Zhang, Tolga Ergen, Lajanugen Logeswaran, Moontae Lee, David Jurgens

机构 * University of Illinois 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 Illinois Chicago（伊利诺伊大学芝加哥分校） ； LG AI Research（LG AI 研究院） 纠错

AI总结 本文提出SPRIG，一种基于编辑的遗传算法，通过优化通用提示提升大语言模型性能，发现系统提示与任务提示结合可进一步提升效果。

Comments Accepted at ICLR 2026