University of Michigan（密歇根大学安娜堡分校）

Staggered Integral Online Conformal Prediction for Safe Dynamics Adaptation with Multi-Step Coverage Guarantees

分步积分在线置信预测用于具有多步覆盖保证的安全动态适应

Daniel M. Cherenson, Dimitra Panagou

机构 * Robotics Department, University of Michigan, Ann Arbor, MI, USA（密歇根大学安娜堡分校机器人系） 纠错

AI总结 本文提出SI-OCP算法，通过积分评分函数量化扰动和学习误差，提供长期覆盖保证，用于安全关键控制器中提升系统安全性。

Comments Submitted to CDC 2026

DualDiffusion: A Speculative Decoding Strategy for Masked Diffusion Models

DualDiffusion: 一种用于掩码扩散模型的推测解码策略

Satyam Goyal, Kushal Patel, Tanush Mittal, Arjun Laxman

机构 * University of Michigan（密歇根大学） 纠错

AI总结 DualDiffusion结合高效近似模型与准确验证模型，通过多步轻量级生成后单步验证，实现生成步骤与准确性之间的更优帕累托前沿。

Improving Sparse Memory Finetuning

改进稀疏记忆微调

Satyam Goyal, Anirudh Kanchi, Garv Shah, Prakhar Gupta

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

AI总结 本文提出稀疏记忆微调方法，通过局部更新显式内存层参数，解决持续学习中的灾难性遗忘问题，并在消费级硬件上验证了其有效性。

From Use to Oversight: How Mental Models Influence User Behavior and Output in AI Writing Assistants

从使用到监督：心理模型如何影响用户在AI写作助手中的行为和输出

Shalaleh Rismani, Su Lin Blodgett, Q. Vera Liao, Alexandra Olteanu, AJung Moon

机构 * McGill University（麦吉尔大学） ； Microsoft Research（微软研究院） ； University of Michigan（密歇根大学） 纠错

AI总结 研究探讨了心理模型对用户在AI写作助手中的控制行为和写作结果的影响，发现系统理解虽提高但可能导致更多语法错误。

"When to Hand Off, When to Work Together": Expanding Human-Agent Co-Creative Collaboration through Concurrent Interaction

何时交接，何时协作：通过并发交互扩展人机协同创作

Kihoon Son, Hyewon Lee, DaEun Choi, Yoonsu Kim, Tae Soo Kim, Yoonjoo Lee, John Joon Young Chung, HyunJoon Jung, Juho Kim

机构 * School of Computing, KAIST（韩国科学技术院计算学院） ； Computer Science and Engineering, University of Michigan（密歇根大学计算机科学与工程系） 纠错

AI总结 研究探讨人机协同创作中并发交互的模式与能力需求，提出决策模型和标注数据集，揭示并发交互提升委托效果的核心作用。

Comments Check the demo videos on the website: https://cleo.kixlab.org/

QuantVLA: Scale-Calibrated Post-Training Quantization for Vision-Language-Action Models

QuantVLA: 用于视觉-语言-动作模型的可扩展后训练量化

Jingxuan Zhang, Yunta Hsieh, Zhongwei Wan, Haokun Lin, Xin Wang, Ziqi Wang, Yingtie Lei, Mi Zhang

机构 * The Ohio State University（俄亥俄州立大学） ； University of Michigan（密歇根大学） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 QuantVLA是一种无需训练的后训练量化框架，首次应用于视觉-语言-动作系统，并成功量化了扩散变换器（DiT）动作头，通过三种可扩展组件实现了高效的低比特量化，显著提升任务成功率并降低内存消耗。

Comments CVPR2026

Retrieval Augmented Time Series Forecasting

检索增强的时间序列预测

Kutay Tire, Ege Onur Taga, Muhammed Emrullah Ildiz, Samet Oymak

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） 纠错

AI总结 本文提出检索增强预测框架RAF，用于提升时间序列预测的准确性，尤其在大规模模型中效果更显著。

Goal-Oriented Bayesian Optimal Experimental Design for Nonlinear Models using Markov Chain Monte Carlo

面向非线性模型的基于贝叶斯的最优实验设计：利用马尔可夫链蒙特卡罗方法

Shijie Zhong, Wanggang Shen, Tommie Catanach, Xun Huan

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； Sandia National Laboratories（桑迪亚国家实验室） 纠错

AI总结 本文提出一种面向预测目标的贝叶斯最优实验设计方法，用于非线性模型，通过马尔可夫链蒙特卡罗方法估计预测目标的期望信息增益，提升实验设计的效率和准确性。

Comments 28 pages, 19 figures

Journal ref SIAM/ASA Journal on Uncertainty Quantification 14 (2026) 19-47

Variational Sequential Optimal Experimental Design using Reinforcement Learning

基于强化学习的变分序列最优实验设计

Wanggang Shen, Jiayuan Dong, Xun Huan

机构 * Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系） 纠错

AI总结 本文提出变分序列最优实验设计方法，结合变分后验近似和强化学习，实现基于信息论准则的最优实验设计，展示其在工程和科学中的高效性。

Journal ref Computer Methods in Applied Mechanics and Engineering 444 (2025) 118068