University of Michigan（密歇根大学安娜堡分校）

MedHopQA: A Disease-Centered Multi-Hop Reasoning Benchmark and Evaluation Framework for LLM-Based Biomedical Question Answering

MedHopQA: 一种以疾病为中心的多跳推理基准和评估框架，用于基于大语言模型的生物医学问答

Rezarta Islamaj, Robert Leaman, Joey Chan, Nicholas Wan, Qiao Jin, Natalie Xie, John Wilbur, Shubo Tian, Lana Yeganova, Po-Ting Lai, Chih-Hsuan Wei, Yifan Yang, Yao Ge, Qingqing Zhu, Zhizheng Wang, Zhiyong Lu

机构 * National Library of Medicine, Division of Intramural Research（国家医学图书馆，院内研究部） ； University of Illinois at Urbana-Champaign, Department of Computer Science（伊利诺伊大学厄巴纳-香槟分校计算机科学系） ； University of Michigan Medical School（密歇根大学医学院） 纠错

AI总结 MedHopQA旨在通过多跳推理评估大语言模型在生物医学领域的表现，提供了一个以疾病为中心的基准和框架，强调组合推理、抗饱和性和抗污染性。

Large Language Models as Amortized Pareto-Front Generators for Constrained Bi-Objective Convex Optimization

大语言模型作为约束双目标凸优化的 amortized 帕累托前沿生成器

Peipei Xu, SiYuan Ma, Yaohua Liu, Yu Wu, Guanliang Liu, Yang Zhang, Yong Liu

机构 * University of Shanghai for Science and Technology（上海科技大学） ； Nanyang Technological University（南洋理工大学） ； Guangdong Institute of Intelligence Science and Technology（广东智能科学与技术研究院） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Michigan（密歇根大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

AI总结 本文提出DIPS框架，利用大语言模型生成约束双目标凸优化的帕累托前沿，通过紧凑离散化方案和三阶段课程优化，实现高效连续优化。

Comments 31 pages

TCP-SSM: Efficient Vision State Space Models with Token-Conditioned Poles

TCP-SSM: 基于令牌条件极点的高效视觉状态空间模型

Sara Shoouri, Morteza Tavakoli Taba, Hun-Seok Kim

机构 * University of Michigan（密歇根大学） 纠错

AI总结 TCP-SSM通过引入稳定的极点结构，显式且可解释地控制状态空间模型的递归动态，提升效率并保持准确性，在视觉任务中实现44%的计算复杂度降低。

Couple to Control: Joint Initial Noise Design in Diffusion Models

耦合控制：扩散模型中的联合初始噪声设计

Jing Jia, Liyue Shen, Guanyang Wang

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

AI总结 本文提出通过设计多样本展厅的依赖结构来控制初始噪声，改进生成质量并提升多样性，同时支持结构化初始化。

Comments 26 pages

Distributed Pose Graph Optimization via Continuous Riemannian Dynamics

通过连续黎曼动力学实现分布式姿态图优化

Jaeho Shin, Maani Ghaffari, Yulun Tian

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

AI总结 本文提出基于连续时间动力学系统的方法，用于分布式姿态图优化，通过阻尼粒子模型实现能量耗散，并在多机器人场景中实现高效并行优化。

Revisiting GAN with Bayes-Optimal Discrimination

重新审视GAN与贝叶斯最优判别

Mohammadreza Tavasoli Naeini, Ali Bereyhi, Morteza Noshad, Ben Liang, Alfred O. Hero

机构 * University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出通过贝叶斯最优判别误差率（BER）优化GAN训练，引入BOLT损失函数，改进生成器性能，提升样本质量和覆盖范围。

Offline Constrained Reinforcement Learning under Partial Data Coverage

离线约束强化学习在部分数据覆盖下的应用

Seokmin Ko, Ambuj Tewari, Kihyuk Hong

机构 * KAIST（韩国科学技术院） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出PDOCRL算法，通过分解线性规划公式实现约束强化学习，避免了需要数据生成分布的策略提取，提供近最优且可行的策略，具有$\widetilde{\mathcal O}(ε^{-2})$样本保证。