University of Michigan（密歇根大学安娜堡分校）

Quality and Security Signals in AI-Generated Python Refactoring Pull Requests

AI生成Python重构拉取请求中的质量和安全信号

Mohamed Almukhtar, Anwar Ghammam, Hua Ming

机构 * University of Michigan-Flint（密歇根大学弗林特分校） ； University of Michigan-Dearborn（密歇根大学戴尔本分校） 纠错

AI总结 本研究通过分析AIDev数据集中的Python重构拉取请求，探讨了AI生成代码对代码质量和安全性的影响，发现AI提交在22.5%的案例中提升了质量属性，但同时也引入了新的代码问题，提出了24种重构操作的分类和安全门控的重要性。

Free-Grained Hierarchical Visual Recognition

自由粒度层次视觉识别

Seulki Park, Zilin Wang, Stella X. Yu

机构 * University of Michigan（密歇根大学） ； UC Berkeley（伯克利大学） 纠错

AI总结 本文研究了在现实世界中标签不完整且粒度混合的情况下，如何进行层次视觉识别。通过引入自由粒度训练方法，结合文本监督和半监督学习，改进了传统层次方法在不完整监督下的性能，并提出了自由粒度推理机制以适应不同预测深度的需求。

Comments Accepted to CVPR 2026. 31 pages

Reinforcement Learning for Risk Adaptation via Differentiable CVaR Barrier Functions

通过可微分CVaR障碍函数实现风险适应的强化学习

Xinyi Wang, Taekyung Kim, Bardh Hoxha, Georgios Fainekos, Dimitra Panagou

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） 纠错

AI总结 本文提出了一种端到端的风险适应框架，用于在障碍物运动不确定性的环境下进行人群导航，结合强化学习与基于条件价值-at-风险（CVaR）障碍函数的可微分二次规划安全层，共同学习名义控制输入、风险水平和安全边际，并强制执行显式的概率安全约束。

Comments Project page: https://anonymousrobotics9666.github.io/rlcvarbf/

Causal Machine Learning Is Not a Panacea: A Roadmap for Observational Causal Inference in Health

因果机器学习并非万能：健康领域观察性因果推断的路线图

Donna Tjandra, Trenton Chang, Sonali Parbhoo, Rajesh Ranganath, Andre Kurepa Waschka, William Mitchell, Maggie Makar, Shalmali Joshi, Finale Doshi-Velez, Leo Anthony Celi, Jenna Wiens

机构 * Division of Computer Science and Engineering, University of Michigan（密歇根大学计算机科学与工程系） ； Department of Electrical and Electronic Engineering, Imperial College London（伦敦帝国理工学院电子与电气工程系） ； Courant Institute of Mathematical Sciences, New York University（纽约大学Courant数学科学研究所） ； Center for Data Science, New York University（纽约大学数据科学中心） ； Department of Mathematics & Statistics, Elon University（埃洛伊大学数学与统计学系） ； Department of Ophthalmology, Cambridge University Hospitals（剑桥大学医院眼科部） ； Department of Biomedical Informatics, Columbia University（哥伦比亚大学生物医学信息学系） ； School of Engineering and Applied Science, Harvard University（哈佛大学工程与应用科学学院） ； Laboratory for Computational Physiology, Institute for Medical Engineering and Science, Massachusetts Institute of Technology（麻省理工学院医学工程与科学研究所计算生理学实验室） ； Department of Medicine, Beth Israel Deaconess Medical Center（贝斯以色列德aconess医疗中心医学部） ； Department of Biostatistics, Harvard T.H. Chan School of Public Health（哈佛T.H. Chan公共卫生学院生物统计学系） 纠错

AI总结 本文探讨了因果机器学习在观察性数据中的应用，强调了验证有效性假设和合理使用因果机器学习的重要性，提出了加强因果分析严谨性和可解释性的模板。

Compute Aligned Training: Optimizing for Test Time Inference

计算对齐训练：优化测试时间推断

Adam Ousherovitch, Ambuj Tewari

机构 * Department of Statistics（统计学系） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出计算对齐训练方法，通过将训练目标与测试时间策略对齐，提升大语言模型在测试时的推断性能。