Generative AI Advertising as a Problem of Trustworthy Commercial Intervention
生成式AI广告作为可信商业干预问题
机构 * University of Michigan（密歇根大学）
AI总结 本文探讨生成式AI广告如何通过影响生成过程而非内容放置来改变广告方式，提出基于影响层级的分类体系，并指出当前系统在更深层次商业影响上的可信度问题。
高校专区
University of Michigan（密歇根大学安娜堡分校）
Perfect Parallelization in Mini-Batch SGD with Classical Momentum Acceleration
在经典动量加速下实现小批量SGD的完美并行化
机构 * University of Michigan（密歇根大学）
AI总结 本文提出了一种通用的小批量优化理论，展示了经典动量对梯度小批量大小的加速比例关系，从而实现小批量计算的完美并行化。
REACT: Environment-Adaptive Architecture for Continuous Formation Navigation of Wheeled Mobile Robots
REACT：面向轮式移动机器人连续编队导航的环境自适应架构
机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动性学院） ； Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系） ； Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系）
AI总结 本文提出REACT架构，通过集中式编队生成和分布式编队维护相结合的方法，解决轮式移动机器人在复杂环境中编队导航的适应性问题，实现了无轨迹冲突的连续编队导航。
DocReward: A Document Reward Model for Structuring and Stylizing
DocReward: 一种用于文档结构化和风格化的文档奖励模型
机构 * CUHK（香港大学） ； UCAS（中国科学技术大学） ； XJTU（西安交通大学） ； UMich（密歇根大学） ； Microsoft（微软）
AI总结 本文提出DocReward，一种用于评估文档结构和风格的奖励模型，通过构建包含117,000对文档的DocPair数据集，采用Bradley-Terry损失训练，有效提升了文档生成的结构和风格专业性。
AtlasVA: Self-Evolving Visual Skill Memory for Teacher-Free VLM Agents
AtlasVA: 无教师视觉技能记忆用于无需教师的VLM代理
机构 * Ant Group（蚂蚁集团） ； University of Science and Technology of China（中国科学技术大学） ； Westlake University（西湖大学） ； University of Michigan - Ann Arbor（密歇根大学-安娜堡分校） ； Sun Yat-sen University（中山大学）
AI总结 本研究提出AtlasVA，一种无需教师的视觉技能记忆框架，通过空间热图、视觉示例和符号文本技能三层结构，统一感知、记忆和优化，实现在无需外部LLM监督下的强化学习性能提升。
Attention Sinks and Outliers in Attention Residuals
注意力沉底与注意力残差中的异常值
机构 * Department of Computer Science, Northwestern University（西北大学计算机科学系） ； Department of Computer Science and Engineering, University of Michigan（密歇根大学计算机科学与工程系） ； Department of Statistics and Data Science, University of California Los Angeles（加州大学洛杉矶分校统计与数据科学系） ； Department of Electrical and Computer Engineering, University of California San Diego（加州圣地亚哥大学电气与计算机工程系） ； Department of Computer Science, Rutgers University-New Brunswick（新泽西州立大学鲁特学院计算机科学系） ； Department of Computer Science and Engineering, Texas A&M University（德克萨斯农工大学计算机科学与工程系） ； Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系）
AI总结 本文提出OASIS技术，通过层间空信号来解决注意力残差架构中注意力沉底、激活异常值以及推理稳定性下降的问题，通过双归一化设计和实验验证提升了模型的结构鲁棒性和量化鲁棒性。
LLMForge: Multi-Backend Hardware-Aware Neural Architecture Search with Infinite-Head Attention for Edge Language Models
LLMForge: 多后端硬件感知的神经架构搜索与无限头注意力用于边缘语言模型
机构 * Brown University（布朗大学） ； University of Michigan（密歇根大学） ； Google Research（谷歌研究）
AI总结 本文提出LLMForge，一种多后端硬件感知的神经架构搜索框架，通过无限头注意力扩展了每层注意力配置空间，并结合Forge-Former和Forge-DSE实现了高效的边缘语言模型架构搜索，最终在不同硬件子系统上获得了不同形状的架构，展示了在不同性能指标上的优化效果。
Form and Function: Machine Unlearning as a Problem of Misaligned States
形式与功能：将机器去学习视为不一致状态的问题
机构 * Second Street Labs, Detroit, MI, USA（第二街实验室，密歇根州底特律） ； Department of Statistics, University of Michigan, Ann Arbor, MI, USA（密歇根大学统计系，密歇根州安阿伯）
AI总结 本文提出将在线L-BFGS的机器去学习问题建模为反事实状态对齐问题，通过引入状态感知度量和反事实 oracle 模型，证明去学习不仅仅是参数修正问题，还需要与可实现的反事实优化器状态对齐。
A Conditional U-Net Pipeline with Pre- and Post-Processing for Aerial RGB-to-Thermal Image Translation
具有预处理和后处理的条件U-Net管道用于航空RGB到热图像转换
机构 * Department of Data Science, University of Michigan, Ann Arbor, MI, USA（数据科学系，密歇根大学，安阿伯，MI，美国） ； Department of Information Science, University of Michigan, Ann Arbor, MI, USA（信息科学系，密歇根大学，安阿伯，MI，美国） ； Department of Computer Science, University of Michigan, Ann Arbor, MI, USA（计算机科学系，密歇根大学，安阿伯，MI，美国） ； Arcknow, New York, USA（Arcknow，纽约，美国） ； School of Environmental Sustainability, University of Michigan, Ann Arbor, MI, USA（可持续环境学院，密歇根大学，安阿伯，MI，美国） ； SmithGroup, Ann Arbor, MI, USA（SmithGroup，安阿伯，MI，美国） ； Michigan Institute for Data and AI in Society (MIDAS), University of Michigan, Ann Arbor, MI, USA（密歇根数据与人工智能社会研究院（MIDAS），密歇根大学，安阿伯，MI，美国） ； United States International University (USIU), Nairobi, Kenya（美国国际大学（USIU），内罗毕，肯尼亚） ； Department of Learning Health Sciences, University of Michigan Medical School, Ann Arbor, MI, USA（学习健康科学系，密歇根大学医学院，安阿伯，MI，美国） ； Department of Pharmacology, University of Michigan Medical School, Ann Arbor, MI, USA（药理学系，密歇根大学医学院，安阿伯，MI，美国） ； Center for Global Health Equity, University of Michigan, Ann Arbor, MI, USA（全球健康公平中心，密歇根大学，安阿伯，MI，美国）
AI总结 本文提出了一种基于条件U-Net的简单架构，结合天气数据和针对性预处理与后处理技术，以提高航空RGB到热图像转换的性能，实验结果显示其在PSNR、SSIM和LPIPS指标上优于现有方法。
Comments 8 pages, 7 figures, NeurIPS 2026
RIE-Greedy: Regularization-Induced Exploration for Contextual Bandits
RIE-Greedy: 基于正则化的探索策略用于上下文老虎机
机构 * University of Toronto（多伦多大学） ； University of Michigan（密歇根大学）
AI总结 本文提出了一种基于正则化的探索策略（RIE-Greedy），利用模型拟合过程中的随机性作为内在探索源，理论证明其在两臂老虎机情况下等价于Thompson Sampling，并在大规模商业环境中优于epsilon-greedy等基准方法。
CLAP: Contrastive Latent-space Prompt Optimization for End-to-end Autonomous Driving
CLAP：用于端到端自动驾驶的对比潜在空间提示优化
机构 * University of Michigan（密歇根大学） ； University of Arizona（亚利桑那大学）
AI总结 本文提出CLAP方法，通过对比潜在空间提示优化解决自动驾驶中罕见但安全关键的长尾场景问题，利用V2X通信获取数据并优化提示，从而提升规划性能。
Comments 9 pages + appendix
Encoding Robust Topological Signatures for Hyperdimensional Computing
为超维计算编码鲁棒的拓扑特征
机构 * University of Michigan Transportation Research Institute（密歇根大学交通研究院） ； University of Michigan（密歇根大学）
AI总结 本文提出了一种基于拓扑特征的超维计算方法，通过提取离散拓扑原始特征并结合RTS不变的形状签名，提高了超维计算在旋转、噪声和遮挡等扰动下的鲁棒性，实验表明其在多个数据集上优于传统方法。
The Score Kalman Filter
分数卡尔曼滤波器
机构 * Department of Mathematics University of Michigan（数学系密歇根大学） ； Department of Mechanical and Aerospace Engineering George Washington University（机械与航空航天工程系乔治华盛顿大学） ； Department of Naval Architecture & Marine Engineering and Department of Robotics University of Michigan（海军建筑与海洋工程系和机器人系密歇根大学）
AI总结 本文提出分数卡尔曼滤波器，通过结合分数匹配与斯蒂恩恒等式，避免了分区函数的计算，实现了非线性系统的高效滤波，适用于高维问题。
Comments 56 pages, 27 figures
DECODE: Domain-aware Continual Domain Expansion for Motion Prediction
DECODE：面向领域的持续领域扩展用于运动预测
机构 * Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系）
AI总结 DECODE提出一种持续学习框架，通过预训练模型逐步扩展领域专用模型，结合超网络和流机制实现高效模型选择与不确定性估计，有效降低遗忘率并提升预测精度。
Comments This work has been published in IEEE TPAMI Early Access
Policy Library CBF: Finite-Horizon Safety at Runtime via Parallel Rollouts
策略库CBF：通过并行滚动预测实现有限时间范围内的运行时安全
机构 * Department of Robotics（机器人学系） ； Department of Aerospace Engineering（航空航天工程系） ； University of Michigan（密歇根大学） ； Toyota Motor North America, Research & Development（丰田美国北美洲研发部门）
AI总结 本文提出PL-CBF，通过并行有限时间滚动预测评估备用策略库，选择最安全模式并最小修改名义策略以确保安全，实验显示在保持毫秒级运行时间的同时提升了安全覆盖率。
Comments Project page: https://www.taekyung.me/plcbf
Keeping an Eye on AI: A Framework for Effective Human Oversight of AI Systems
关注人工智能：一种有效的人工智能系统人类监督的框架
机构 * University College London（伦敦大学） ； University of Freiburg（弗赖堡大学） ； University of Queensland（昆士兰大学） ； Saarland University（萨尔兰大学） ； TU Dresden（德累斯顿技术大学） ； Delft University of Technology（代尔夫特理工大学） ； University of Minnesota（明尼苏达大学） ； University College Dublin（都柏林大学） ； University of Oxford（牛津大学） ； University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） ； Technische Universität Berlin（柏林技术大学） ； University of Lübeck（吕贝克大学） ； University of Melbourne（墨尔本大学） ； University of Chicago（芝加哥大学） ； Maastricht University（马斯特里赫特大学）
AI总结 本文提出一个跨学科框架，用于有效的人工智能系统人类监督，定义了监督架构和流程，并探讨了该领域需要考虑的开放性研究挑战。
Comments The conceptual analysis for this work was undertaken by the authors at Dagstuhl seminar 25272 'Challenges of Human Oversight: Achieving Human Control of AI-Based Systems' (https://www.dagstuhl.de/25272), held at Schloss Dagstuhl (June 29th-July 4th, 2025)
From Pixels to Places: A Systematic Benchmark for Evaluating Image Geolocalization Ability in Large Language Models
从像素到地点：一个系统性基准，用于评估大语言模型中的图像地理定位能力
机构 * University of South Florida Tampa USA ； University of Alabama Tuscaloosa USA ； University of Michigan Ann Arbor USA ； Texas Tech University Lubbock USA ； Texas A \& M University College Station USA ； University of Pittsburgh Pittsburgh USA ； University of South Florida ； University of Alabama ； University of Michigan ； Texas Tech University ； Texas A \& M University ； University of Pittsburgh
AI总结 本文提出IMAGEO-Bench基准，系统评估大语言模型在图像地理定位中的准确性、距离误差、地理偏见和推理过程，揭示闭源模型在高资源区域表现优于欠代表区域。
