University of Michigan（密歇根大学安娜堡分校）

Visually-grounded Humanoid Agents

基于视觉的人形代理

Hang Ye, Xiaoxuan Ma, Fan Lu, Wayne Wu, Kwan-Yee Lin, Yizhou Wang

机构 * Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Tongji University（同济大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出基于视觉的人形代理，通过两层架构实现自主行为，解决数字人主动行为在新环境中的问题，提升任务成功率和减少碰撞。

Comments Project page: https://alvinyh.github.io/VGHuman/

$\oslash$ Source Models Leak What They Shouldn't $\nrightarrow$: Unlearning Zero-Shot Transfer in Domain Adaptation Through Adversarial Optimization

$\oslash$ 源模型泄露不应泄露的信息：通过对抗优化在领域适应中消除零样本转移

Arnav Devalapally, Poornima Jain, Kartik Srinivas, Vineeth N. Balasubramanian

机构 * Indian Institute of Technology, Hyderabad（印度理工学院海得拉巴分校） ； University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文研究了领域适应中源模型泄露敏感信息的问题，提出SCADA-UL方法通过对抗优化和重新标定策略实现有效消除，实验表明其在基准数据集上表现优异。

Comments CVPR 2026

Towards Counterfactual Explanation and Assertion Inference for CPS Debugging

面向CPS调试的反事实解释与断言推断

Zaid Ghazal, Hadiza Yusuf, Khouloud Gaaloul

机构 * University of Michigan-Dearborn（密歇根大学迪尔伯恩分校） 纠错

AI总结 本文提出DeCaF框架，通过反事实引导生成最小必要输入变化，推断可解释的断言条件，提升CPS调试的准确性和可解释性。

Decompose, Look, and Reason: Reinforced Latent Reasoning for VLMs

分解、观察与推理：用于视觉语言模型的强化潜在推理

Mengdan Zhu, Senhao Cheng, Liang Zhao

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

AI总结 本文提出DLR框架，通过动态分解查询、提取连续视觉潜在表示和基于 grounded rationales 推理，提升视觉语言模型在复杂视觉推理中的表现，实验表明其优于现有基线方法。

Active Reward Machine Inference From Raw State Trajectories

从原始状态轨迹推断主动奖励机

Mohamad Louai Shehab, Antoine Aspeel, Necmiye Ozay

机构 * Robotics Department, University of Michigan, Ann Arbor, MI（密歇根大学安娜堡分校机器人系） ； Independent Researcher（独立研究员） ； Electrical Engineering and Computer Science Department, University of Michigan, Ann Arbor, MI（密歇根大学安娜堡分校电气工程与计算机科学系） 纠错

AI总结 本文提出从原始状态轨迹直接学习奖励机的方法，无需人工指定标签函数，在信息稀缺情况下通过主动学习提升数据与计算效率。

Flow Matching is Adaptive to Manifold Structures

流匹配适应于流形结构

Shivam Kumar, Yixin Wang, Lizhen Lin

机构 * Booth School of Business, University of Chicago（芝加哥大学布斯商学院） ； Department of Statistics, University of Michigan（密歇根大学统计系） ； Department of Mathematics, University of Maryland, College Park（马里兰大学帕克分校数学系） 纠错

AI总结 本文研究流匹配在流形支持下的收敛性，证明其在高维数据中适应数据几何并避免维度灾难。

Video Parallel Scaling: Aggregating Diverse Frame Subsets for VideoLLMs

视频并行扩展：聚合多样化的帧子集用于VideoLLMs

Hyungjin Chung, Hyelin Nam, Jiyeon Kim, Hyojun Go, Byeongjun Park, Junho Kim, Joonseok Lee, Seongsu Ha, Byung-Hoon Kim

机构 * EverEx ； University of Michigan（密歇根大学） ； KAIST（韩国科学技术院） ； ETH Zürich（苏黎世联邦理工学院） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Yonsei University（延世大学） 纠错

AI总结 本文提出Video Parallel Scaling方法，通过并行处理不同帧子集提升VideoLLMs的时序推理能力，实验表明其在不同模型架构和规模上均显著提升性能，且比其他并行方法更高效。

Comments CVPR Findings 2026; code: https://github.com/hyungjin-chung/VPS