Dynamic Prediction of Alternating Recurrent Events via Neural Network
通过神经网络动态预测交替复发事件
机构 * Macalester College（马卡莱斯特学院） ； University of Michigan（密歇根大学）
AI总结 提出基于神经网络和逆概率加权伪观测的动态预测框架，用于预测交替复发事件，在模拟和医学住院医师情绪低落预测中表现良好。
高校专区
University of Michigan（密歇根大学安娜堡分校）
Revising RVL-CDIP: Quantifying Errors and Test-Train Overlap
修订RVL-CDIP：量化错误与测试-训练重叠
机构 * Vanderbilt University（范德堡大学） ； ML Collective ； University of Michigan（密歇根大学） ； IIT Madras（印度理工学院马德拉斯分校）
AI总结 针对RVL-CDIP数据集中的标签错误（12%）和测试-训练重叠（35%）问题，通过修正错误和去除重叠，评估对文档分类性能的影响，发现修正错误提升准确率，而去除重叠降低准确率，但修正错误显著提升OOD泛化能力。
Comments DocEng 2026
Wait, am I Being Fair? Characterizing Deductive Stereotyping and Mitigating It with Fair-GCG
等等，我公平吗？刻画演绎刻板印象并用 Fair-GCG 缓解它
机构 * University of Michigan（密歇根大学）
AI总结 本文识别出大语言模型中的演绎刻板印象失败模式，提供统计解释，并提出推理时注入框架 Fair-GCG 以发现有效短语，提升多个公平性基准的性能。
GraphMend: Code Transformations for Fixing Graph Breaks in PyTorch 2
GraphMend: 用于修复PyTorch 2中图打破的代码转换
机构 * University of Michigan（密歇根大学） ； Jaseci Labs（Jaseci实验室）
AI总结 GraphMend通过代码转换消除PyTorch 2中的图打破问题，提升编译效率和性能，减少延迟并提高吞吐量。
The HydroGym Reinforcement Learning Platform for Fluid Dynamics
HydroGym：流体动力学的强化学习平台
机构 * University of Washington（华盛顿大学） ； AI Institute in Dynamic Systems, University of Washington（华盛顿大学人工智能研究所） ； RWTH Aachen University（亚琛工业大学） ； Inha University（仁荷大学） ； University of Michigan（密歇根大学） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Technical University of Munich（慕尼黑工业大学） ； Arts et Métiers Institute of Technology（国立高等工程技术学校） ； CNAM（法国国立工艺学院） ； DynFluid, HESAM Université（HESAM大学流体动力学实验室） ； Munich Institute of Integrated Materials, Energy and Process Engineering, Technical University of Munich（慕尼黑工业大学综合材料、能源与工艺工程研究所） ； JARA Center for Simulation and Data Science, RWTH Aachen University（亚琛工业大学JARA模拟与数据中心） ； MediaTek Research（联发科技研究中心） ； German Center for Neurodegenerative Diseases（德国神经退行性疾病中心）
AI总结 提出HydroGym，一个求解器无关的强化学习平台，提供61+个已验证的流场环境，支持多种后端，RL智能体发现鲁棒控制原理，并实现零样本迁移，显著降低探索成本。
