University of Michigan（密歇根大学安娜堡分校）

Foundation Models for Discovery and Exploration in Chemical Space

化学空间发现与探索中的基础模型

Alexius Wadell, Anoushka Bhutani, Victor Azumah, Austin R. Ellis-Mohr, Andrew J. Stier, Kareem Hegazy, Alexander Brace, Hancheng Zhao, Celia Kelly, Anuj K. Nayak, Yuhan Chen, Dimitrios Simatos, Hongyi Lin, Murali Emani, Venkatram Vishwanath, Kevin Gering, Melisa Alkan, Tom Gibbs, Jack Wells, Wesley W. Qian, Richard C. Gerkin, Benjamin Amorelli, Alexander B. Wiltschko, Lav R. Varshney, Bharath Ramsundar, Karthik Duraisamy, Michael W. Mahoney, Arvind Ramanathan, Venkatasubramanian Viswanathan

机构 * Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系） ； Department of Chemical Engineering, University of Michigan（密歇根大学化学工程系） ； Department of Electrical and Computer Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电子与计算机工程系） ； The Santa Fe Institute（圣菲研究所） ； International Computer Science Institute（国际计算机科学研究所） ； Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计学系） ； Department of Computer Science, University of Chicago（芝加哥大学计算机科学系） ； Argonne National Laboratory（阿贡国家实验室） ； Idaho National Laboratory（爱达荷国家实验室） ； NVIDIA Corporation（英伟达公司） ； Osmo Labs, PBC ； AI Innovation Institute, Stony Brook University（石溪大学AI创新研究所） ； Brookhaven National Laboratory（布鲁赫斯研究所） ； Deep Forest Sciences, Palo Alto, CA（帕洛阿尔托的Deep Forest Sciences） ； Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系） ； Lawrence Berkeley National Laboratory（伯克利劳伦斯国家实验室） 纠错

AI总结 本文提出MIST模型，通过大规模无标签数据训练，实现对化学空间中多种分子性质的预测，展示了其在多目标电解质溶剂筛选和立体化学推理中的应用，以及在超参数感知贝叶斯神经缩放定律下的高效训练能力。

Comments Main manuscript: 30 pages (including references), 7 tables and 5 figures. Supplementary information: 158 pages (including references), 15 tables and 128 figures

MiniVLA-Nav v1: A Multi-Scene Simulation Dataset for Language-Conditioned Robot Navigation

MiniVLA-Nav v1：一种多场景模拟数据集用于语言条件的机器人导航

Ali Al-Bustami, Jaerock Kwon

机构 * Department of Electrical and Computer Engineering, University of Michigan-Dearborn（密歇根大学迪尔伯恩分校电气与计算机工程系） 纠错

AI总结 本文提出MiniVLA-Nav v1数据集，用于语言引导的物体接近导航任务，包含四个逼真环境，提供同步图像、深度图和分割掩码，支持多种评估分割。

Comments 9 pages, 12 figures, 7 tables. Dataset paper

OTSS: Output-Targeted Soft Segmentation for Contextual Decision-Weight Learning

OTSS：面向输出的软分割用于上下文决策权重学习

Renjun Hu, Hyun-Soo Ahn

机构 * University of Michigan, Ross School of Business（密歇根大学商学院） 纠错

AI总结 本文提出OTSS模型，通过学习可解释的决策因素权重向量，改进上下文决策权重学习，实验显示其在多个基准测试中均取得最低均后悔值，且效率显著高于EM方法。

Comments 23 pages, 2 figures

Network Digital Untwinning: Towards Backward Optimization of Digital Twins

网络数字解双：面向数字孪生的逆向优化

Zifan Zhang, Dianwei Chen, Anjun Gao, Manhua Wang, Mingzhe Chen, Minghong Fang, Xianfeng Yang, Yuchen Liu

机构 * North Carolina State University（北卡罗来纳州立大学） ； University of Maryland（马里兰大学） ； University of Louisville（路易斯维尔大学） ； University of Michigan（密歇根大学） ； University of Miami（迈阿密大学） 纠错

AI总结 本文提出网络数字解双框架，通过单请求和并行请求机制实现数字孪生的精准删除，同时保证模型完整性，并通过实验验证其有效性。

Comments Accepted by ICDCS 2026

Doubly robust identification of treatment effects from multiple environments

从多个环境中稳健地识别治疗效应

Piersilvio De Bartolomeis, Julia Kostin, Javier Abad, Yixin Wang, Fanny Yang

机构 * Department of Statistics, University of Michigan（密歇根大学统计系） 纠错

AI总结 本文提出RAMEN算法，通过利用多数据源的异质性，无需了解潜在因果图即可获得无偏治疗效应估计，通过双重稳健识别方法提升因果推断的准确性。

Comments Accepted for presentation at the International Conference on Learning Representations (ICLR) 2025