University of Michigan（密歇根大学安娜堡分校）

GPIC: A Giant Permissive Image Corpus for Visual Generation

GPIC：用于视觉生成的大型许可图像数据集

Keshigeyan Chandrasegaran, Kyle Sargent, Suchir Agarwal, Michael Jang, Michael Poli, Juan Carlos Niebles, Justin Johnson, Jiajun Wu, Li Fei-Fei

机构 * Stanford University（斯坦福大学） ； Radical Numerics ； University of Michigan（密歇根大学） ； Salesforce Research（Salesforce研究） 纠错

AI总结 提出GPIC，一个约28万亿像素的大型许可图像数据集，包含1亿训练样本，通过最先进的视觉语言模型标注，用于视觉生成建模研究。

Comments 25 pages; Dataset: https://huggingface.co/datasets/stanford-vision-lab/giant-permissive-image-corpus; Project website: https://gpic.stanford.edu

Diffusion Models Are Statistically Optimal for Learning Low-Dimensional Multi-Modal Distributions

扩散模型在学习低维多模态分布时具有统计最优性

Jingda Wu, Changxiao Cai

机构 * Department of Industrial and Operations Engineering, University of Michigan, Ann Arbor, USA（工业与运营工程系，密歇根大学，安娜堡，美国） 纠错

AI总结 本文证明扩散模型在学习支撑在低维子空间并集上的分布时，样本复杂度仅依赖于内在维度，达到近最优的1-Wasserstein误差率，无需光滑性或有界密度假设。

Comments accepted to ICML 2026

Learning to Extrapolate to New Tasks: A Relational Approach to Task Extrapolation

学习外推到新任务：一种关系型任务外推方法

Adam Ousherovitch, Yixin Wang

机构 * Department of Statistics, University of Michigan, Ann Arbor（统计学系，密歇根大学，安阿伯） 纠错

AI总结 提出关系型任务外推器（RTE），通过将目标任务分解为锚定任务和变换关系并学习关系算子，实现向未见任务的系统性外推，在函数预测和序列预测中显著优于现有方法。

Comments ICML 2026

Taming Data Challenges in ML-based Security Tasks Using Generative AI

驯服基于ML的安全任务中的数据挑战：使用生成式AI

Shravya Kanchi, Neal Mangaokar, Aravind Cheruvu, Sifat Muhammad Abdullah, Shirin Nilizadeh, Atul Prakash, Bimal Viswanath

机构 * University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； University of Texas at Arlington（德克萨斯理工大学） 纠错

AI总结 提出使用生成式AI（GenAI）生成的合成数据增强训练集，以改善机器学习安全分类器的泛化性能，在7个任务上实现最高32.6%的提升。

Comments Accepted at the 2026 ACM Asia Conference on Computer and Communications Security (AsiaCCS 2026)

Journal ref In Proc. ACM AsiaCCS 2026, Bangalore, India, June 1-5, 2026. ACM, 2026

Offloading Score: Measuring AI Reliance Through Counterfactual Workflows

卸载分数：通过反事实工作流衡量AI依赖度

Vishakh Padmakumar, Lujain Ibrahim, Zora Zhiruo Wang, Jennifer Wang, Q. Vera Liao, Diyi Yang

机构 * Stanford University（斯坦福大学） ； University of Oxford（牛津大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出卸载分数（offloading score），一种通过构建反事实工作流量化用户向AI工具卸载认知努力比例的依赖度度量，并通过内在验证和用户实验证明其能检测时间压力下的依赖度变化。

Comments Preprint

Trajectory Constraints for Imaging Inverse Problems

成像逆问题的轨迹约束

Chaoyan Huang, Haijie Yuan, Saiprasad Ravishankar

机构 * Department of Computational Mathematics, Science, & Engineering, Michigan State University（密歇根州立大学计算数学、科学与工程系） ； Department of Electrical Engineering and Computer Science, University of Michigan（密歇根大学电气工程与计算机科学系） ； Department of Biomedical Engineering, Michigan State University（密歇根州立大学生物医学工程系） 纠错

AI总结 提出TRACE框架，通过相邻状态耦合约束重建轨迹，稳定扩散和迭代方法在成像逆问题中的重建过程，并提升重建质量。

Comments 20 pages, 10 figures

Molecular Lead Optimization via Agentic Tool Planning

通过智能体工具规划进行分子先导优化

Lingxiao Li, Haobo Zhang, Ruohao Fan, Bin Chen, Jiayu Zhou

机构 * University of Michigan（密歇根大学） ； University of California, Davis（加州大学戴维斯分校） ； Michigan State University（密歇根州立大学） 纠错

AI总结 提出TRACE，一种轨迹感知的LLM推理智能体，将先导优化建模为序列决策问题，通过工具选择实现结构约束下的前瞻性分子优化，在ADMET任务中优于基线。

Comments 12 pages

Keep the Proof State Live: Snapshotting for Efficient Tactic Search in Lean 4

保持证明状态活跃：Lean 4 中高效策略搜索的快照技术

Austin Shen, Yunong Shi

机构 * University of Michigan（密歇根大学） ； Amazon Web Services（亚马逊网络服务） 纠错

AI总结 针对 Lean 4 中并行策略搜索因反复重建证明状态导致开销巨大的问题，提出证明状态快照技术，通过一次捕获并复用证明状态，实现 5.6-50 倍加速。

Comments 11 pages, 1 figure. v2: Added co-author affiliation (Amazon Web Services) and contact emails for both authors

A Principled Self-Referenced Early Stopping Approach for Deep Image Prior

一种基于自引用的原则性早期停止方法用于深度图像先验

Chaoyan Huang, Cheng-Han Huang, Ismail R. Alkhouri, Rongrong Wang

机构 * Department of Computational Mathematics, Science, & Engineering, Michigan State University（密歇根州立大学计算数学、科学与工程系） ； Department of Electrical Engineering and Computer Science, University of Michigan（密歇根大学电气工程与计算机科学系） ； X Computational Physics Division, Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室计算物理部） ； Michigan Institute for Computational Discovery & Engineering, University of Michigan（密歇根大学计算发现与工程研究所） ； Mathematical Sciences, Michigan State University（密歇根州立大学数学科学系） 纠错

AI总结 针对深度图像先验（DIP）过拟合问题，提出一种基于构造伪自引用图像的过拟合检测框架，实现无需噪声水平估计的早期停止方法。

Comments 35 pages, 10 figures, 14 tables