University of Michigan（密歇根大学安娜堡分校）

Justifying bio-inspired robotics research: A taxonomy of strategies

论证生物启发式机器人研究：一种策略的分类

Margaret J. Zhang, Justin Ting, Talia Y. Moore

机构 * Mechanical Engineering, University of Michigan, USA（机械工程，密歇根大学，美国） ； Electrical and Computer Engineering, University of Michigan, USA（电气与计算机工程，密歇根大学，美国） ； Robotics, Mechanical Engineering, Ecology and Evolutionary Biology, Museum of Zoology, University of Michigan, USA（机器人学、机械工程、生态学与进化生物学、动物博物馆，密歇根大学，美国） 纠错

AI总结 本文提出了一种生物启发式设计动机的分类，以帮助机器人研究者合理化其特定的生物启发方法，并帮助资助管理人员评估不同生物启发方法的价值。

Contrastive Reasoning Alignment: Reinforcement Learning from Hidden Representations

对比推理对齐：从隐藏表示中学习强化学习

Haozheng Luo, Yimin Wang, Jiahao Yu, Binghui Wang, Yan Chen

机构 * Northwestern University（西北大学） ； University of Michigan（密歇根大学） ； Illinois Institute of Technology（伊利诺伊理工学院） 纠错

AI总结 本文提出了一种基于对比学习和强化学习的框架CRAFT，通过优化隐藏状态空间中的目标来提升对抗攻击的鲁棒性，核心贡献是通过隐藏空间的几何结构实现推理层面的安全对齐。

Comments International Conference on Machine Learning (ICML) 2026

Vision Harnessing Agent for Open Ad-hoc Segmentation

用于开放即兴分割的视觉引导代理

Zilin Wang, Stella X. Yu

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文提出了一种名为VASA的视觉引导即兴分割代理，该代理通过结合视觉语言模型、分割基础模型和视觉引导工作流，实现了无需训练的即兴分割任务，其在PARS和RefCOCO等基准测试中均表现出色。

Comments 23 pages, 11 figures

Dual-Channel Tensor Neural Networks: Finite-Sample Theory and Conformal Structure Selection

双通道张量神经网络：有限样本理论与符合结构选择

Elynn Chen, Jiayu Li, Zheshi Zheng, Jian Pei

机构 * New York University（纽约大学） ； University of Michigan（密歇根大学） ； Duke University（杜克大学） 纠错

AI总结 本文提出双通道张量神经网络（DC-TNN），通过分解张量输入为低秩核心和稀疏细化部分，并通过耦合的神经通道处理两者。该框架结构无关，可容纳CP、Tucker和张量列车核心。在估计方面，建立了DC-TNN估计器的非渐近风险界，并展示了有效维度由核心秩和细化稀疏性共同决定。在推断方面，开发了结构感知符合ROC程序，产生具有有限样本、分布自由覆盖的ROC和AUC置信带。基于此，提出了符合结构选择器，是首个具有有限样本有效性的分布自由候选张量分解选择方法。模拟和蛋白质数据集分析显示了竞争性的预测精度、可靠的不确定性量化和一致的张量结构恢复。

Algorithms for Adaptive Experiments that Trade-off Statistical Analysis with Reward: Combining Uniform Random Assignment and Reward Maximization

适应性实验的算法：在统计分析与奖励之间进行权衡：结合均匀随机分配与奖励最大化

Tong Li, Jacob Nogas, Haochen Song, Anna Rafferty, Eric M. Schwartz, Audrey Durand, Harsh Kumar, Nina Deliu, Sofia S. Villar, Dehan Kong, Joseph J. Williams

机构 * University of Toronto（多伦多大学） ； Carleton College（卡洛尔学院） ； University of Michigan（密歇根大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出了一种统计敏感算法TS-PostDiff，通过结合均匀随机分配和奖励最大化，在统计分析与用户奖励之间进行权衡，以提高实验效率和准确性。

How Faithful Is Trajectory-Based Data Attribution? Error Sources, Remedies, and Practical Guidelines

轨迹数据归因的可信度如何？误差来源、缓解方法和实用指南

Junwei Deng, Pingbang Hu, Suliang Jin, Hao Lu, Jiachen T. Wang, Shichang Zhang, Jiaqi W. Ma

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文系统分析了轨迹数据归因方法的误差来源，并提出缓解方法和实用指南，通过将总误差分为配置级、算法级和系统级，改进了归因的准确性，并为数据选择提供了可行的实践指导。

DOTRAG: Retrieval-Time Reasoning Along Paths

DOTRAG: 路径上的检索时推理

Larnell Moore, Naihao Deng, Rada Mihalcea, Farnaz Jahanbakhsh

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文提出DOTRAG，一种无需训练的图检索增强生成框架，通过将检索过程转化为路径上的推理，提高了多跳任务的性能。