University of Michigan（密歇根大学安娜堡分校）

Consistency as a Testable Property: Statistical Methods to Evaluate AI Agent Reliability

一致性作为可检验的属性：评估AI代理可靠性的统计方法

Harsh Raj, Niranjan Orkat, Suvrorup Mukherjee, Aritra Guha, Cheryl Flynn, Subhabrata Majumdar

机构 * Northeastern University（东北大学） ； University of Pécs（佩奇大学） ； University of Michigan（密歇根大学） ； AT&T Chief Data Office（AT&T首席数据办公室） ； Indian Institute of Management Bangalore（班加罗尔印度管理学院） 纠错

AI总结 本文提出了一种评估AI代理可靠性的统计方法，通过输出级可靠性和轨迹级稳定性指标，揭示代理核心能力与执行鲁棒性之间的差异，验证了轨迹一致性指标在诊断敏感性上的优势。

Comments 33 pages, 5 figures, 2 tables

Beyond Accuracy: Evaluating Posterior Fidelity of Diffusion Inverse Solvers

超越准确度：评估扩散逆求解器的后验保真度

Xiaoyu Qiu, Taewon Yang, Zhanhao Liu, Guanyang Wang, Liyue Shen

机构 * Department of Statistics, University of Michigan（密歇根大学统计学系） ； Department of EECS, University of Michigan（密歇根大学电子工程与计算机科学系） ； Department of Statistics, Rutgers University（罗格斯大学统计学系） 纠错

AI总结 本文研究了扩散逆求解器的后验保真度，提出了一种无需真实后验的评估指标，通过模拟和实际问题验证了其有效性，揭示了高重建精度不必然意味着更好的后验一致性。

Accelerating Power Method with Fast Sketching for Stronger Low-Rank Approximation

加速幂方法以实现更强的低秩近似

Shabarish Chenakkod, Michał Dereziński

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文提出通过快速草图技术加速幂方法，提升低秩近似性能，方法在奇异值分解、低秩分解和Nyström近似中表现优异。

Towards Generative Predictive Display for Vision-Based Teleoperation: A Zero-Shot Benchmark of Off-the-Shelf Video Models

面向基于视觉的遥控的生成预测显示：一种零样本基准测试的现成视频模型

Aws Khalil, 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 本文提出一种零样本基准测试，评估现成生成视频模型在短时间预测显示中的性能，发现现有模型无法在低误差、非发散误差行为和实时推断间取得平衡。

Selective LoRA for Visual Tokens and Attention Heads

选择性LoRA用于视觉标记和注意力头

Tiange Luo, Lajanugen Logeswaran, Jaekyeom Kim, Justin Johnson, Honglak Lee

机构 * University of Michigan（密歇根大学） ； LG AI Research（LG人工智能研究） 纠错

AI总结 本文提出Image-LoRA，通过选择性更新视觉标记和注意力头，减少参数和计算量，同时保持纯文本前向传递不变，在视觉定位任务中表现优异。

Morphology-Aware Graph Reinforcement Learning for Tensegrity Robot Locomotion

具有形态意识的图强化学习用于张力结构机器人运动

Chi Zhang, Mingrui Li, Wenzhe Tong, Xiaonan Huang

机构 * Robotics Department, University of Michigan（密歇根大学机器人系） 纠错

AI总结 本文提出一种结合图神经网络的强化学习框架，用于提升张力结构机器人运动控制的效率与鲁棒性，通过物理拓扑图建模实现更稳定的训练效果。

Comments 8 pages, 10 figures. Project page: https://tensegrity-graph-rl.github.io/

CoDistill-GRPO: A Co-Distillation Recipe for Efficient Group Relative Policy Optimization

CoDistill-GRPO：一种高效的群体相对策略优化共蒸馏方法

Soo Min Kwon, Ziteng Sun, Ananda Theertha Suresh, Himanshu Jain, Sanjiv Kumar

机构 * University of Michigan, Ann Arbor（密歇根大学，安阿伯分校） ； Google Research（谷歌研究院） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出CoDistill-GRPO，通过同时训练大模型和小模型，利用精心设计的GRPO目标提升小模型性能，减少计算开销，在数学基准上显著优于标准GRPO。

Meta-reinforcement learning with minimum attention

最小注意力的元强化学习

Shashank Gupta, Pilhwa Lee

机构 * Department of EECS（电气与计算机工程系） ； Department of Mathematics（数学系） ； University of Michigan（密歇根大学） ； Morgan State University（摩根州立大学） 纠错

AI总结 本文研究了将最小注意力应用于强化学习作为奖励的一部分，探索其与元学习和稳定性的联系，通过模型基于元学习和梯度基元策略学习，在高维非线性动态中实现高效适应与能量效率提升。

Comments 30 pages, 22 figures

LaWM: Least Action World Models for Long-Horizon Physical Consistency from Visual Observations

LaWM：基于视觉观测的最短作用世界模型用于长时间物理一致性

Qixin Xiao, Maani Ghaffari

机构 * University of Michigan（密歇根大学） 纠错

AI总结 LaWM通过在视觉潜在空间中实现最小作用原理，提升长horizon视觉预测的物理一致性，改进了物理不变性、背景一致性、运动平滑度和外观几何预测指标。