University of Michigan（密歇根大学安娜堡分校）

A Multi-Dimensional Audit of Politically Aligned Large Language Models

对政治倾向大型语言模型的多维审计

Lisa Korver, Mohamed Mostagir, Sherief Reda

机构 * Brown University（布朗大学） ； University of Michigan（密歇根大学） ； Ross School of Business（罗斯商学院） 纠错

AI总结 本文提出基于哈贝马斯沟通行动理论的多维框架，评估政治倾向语言模型在有效性、公平性、真实性及说服力四方面的表现，揭示大模型在政治角色扮演中更有效但更偏颇的权衡问题。

TRINITY: An Evolved LLM Coordinator

TRINITY：一个进化的人工智能语言模型协调器

Jinglue Xu, Qi Sun, Peter Schwendeman, Stefan Nielsen, Edoardo Cetin, Yujin Tang

机构 * Sakana AI ； University of Michigan（密歇根大学） ； Institute of Science Tokyo（东京科学研究所） 纠错

AI总结 TRINITY通过轻量级协调器高效分配角色，提升多轮查询处理能力，在多个任务中超越单一模型和现有方法，实现卓越性能。

Comments To appear at the 14th International Conference on Learning Representation (ICLR 2026)

Grammar-Constrained Refinement of Safety Operational Rules Using Language in the Loop: What Could Go Wrong

基于语言闭环的安全操作规则语法约束细化：可能发生的问题

Khouloud Gaaloul, Zaid Ghazal, Madhu Latha Pulimi, Sam Emmanuel Kathiravan

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

AI总结 本文提出结合反事实推理与语法约束循环的框架，用于安全操作规则的细化，通过自主驾驶控制系统案例展示其在解决不一致规则中的有效性，并强调语法约束与语义验证的重要性。

Comments 6 pages, 1 figure, 2 tables. Accepted at SEAMS 2026

Journal ref Proc. 21st International Conference on Software Engineering for Adaptive and Self-Managing Systems (SEAMS 2026), ACM, 2026, 6 pages

When Corrective Hints Hurt: Prompt Design in Reasoner-Guided Repair of LLM Overcaution on Entailed Negations under OWL~2~DL

当纠正提示有害：在OWL~2~DL合规查询中LLM过度谨慎的修复提示设计

Yijiashun Qi, Xiang Xu, Yuxuan Li

机构 * University of Michigan Ann Arbor, MI, USA（密歇根大学安娜堡分校） ； ByteDance Inc. San Jose, CA, USA（字节跳动公司） ； University of Pennsylvania Philadelphia, PA, USA（宾夕法尼亚大学） 纠错

AI总结 研究发现提示设计对LLM在OWL~2~DL合规查询中的修复效果有显著影响，通过对比不同交互模式发现，基于推理器的修复方法在无提示时表现最佳，而带有提示的修复方法效果更差。

Comments accepted by icaide 2026

SoccerRef-Agents: Multi-Agent System for Automated Soccer Refereeing

SoccerRef-Agents: 多智能体系统用于自动足球裁判

Zi Meng, Wanli Song, Yi Hu, Jiayuan Rao, Gang Chen

机构 * University of Michigan（密歇根大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出SoccerRef-Agents多智能体系统，通过构建多模态基准和知识库，提升足球裁判决策的准确性和可解释性。

Comments 26 pages, 8 figures. Submitted to ISACE 2026. Github Repo: https://github.com/yjlog/SoccerRef-Agents

Well-Conditioned Oblivious Perturbations in Linear Space

线性空间中条件良好的盲扰动

Shabarish Chenakkod, Michał Dereziński, Xiaoyu Dong, Mark Rudelson

机构 * University of Michigan, Ann Arbor, MI, USA（密歇根大学，安阿伯分校） ； National University of Singapore, Singapore（新加坡国立大学） 纠错

AI总结 本文提出一种低开销的盲扰动方法，通过稀疏扰动和模式矩阵降低矩阵条件数，提升共轭梯度算法效率。

Shape of Memory: a Geometric Analysis of Machine Unlearning in Second-Order Optimizers

记忆的形状：对第二阶优化器中机器去学习的几何分析

Kennon Stewart

机构 * Second Street Labs ； Department of Statistics, University of Michigan（统计系，密歇根大学） 纠错

AI总结 本文比较了一阶和二阶学习器在处理数据删除任务时的能力，发现二阶优化器在状态波动上更显著，表明存在未被一阶分析检测到的残余信息。

Comments Full experiment data available at secondstreetlabs.io

GCP: Guarded Collaborative Perception with Spatial-Temporal Aware Malicious Agent Detection

GCP: 带空间-时间感知恶意代理检测的防护协作感知

Yihang Tao, Senkang Hu, Yue Hu, Haonan An, Hangcheng Cao, Yuguang Fang

机构 * Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； Department of Robotics, University of Michigan（密歇根大学机器人系） 纠错

AI总结 本文提出GCP框架，通过空间-时间感知恶意代理检测提升协作感知安全性，采用置信度加权空间一致性损失和联合空间-时间Benjamini-Hochberg检验，有效应对恶意代理攻击，实验显示在BAC攻击下AP@0.5提升34.69%。

Comments Accepted by IEEE TDSC

Consistency of Lloyd's Algorithm Under Perturbations

在扰动下Lloyd算法的一致性

Dhruv Patel, Hui Shen, Shankar Bhamidi, Yufeng Liu, Vladas Pipiras

机构 * Department of Mathematics and Statistics, McGill University（数学与统计学系，麦吉尔大学） ； Department of Statistics and Operations Research, University of North Carolina at Chapel Hill（统计与运筹学系，北卡罗来纳大学教堂山分校） ； Department of Statistics, University of Michigan（统计学系，密歇根大学） 纠错

AI总结 研究在扰动样本下Lloyd算法的聚类正确性，证明在适当初始化和扰动较小时，误聚类率呈指数衰减，并探讨其对谱方法等聚类流程的影响。