University of Michigan（密歇根大学安娜堡分校）

Mutable Low-Rank Sketches for Retrain-Free Recommendation

用于无再训练推荐的可变低秩草图

Hector J. Garcia, Nick Clayton

机构 * University of Michigan（密歇根大学） ； Criteo 纠错

AI总结 研究两阶段推荐中嵌入陈旧性问题，提出可变草图方法，将用户偏好存于KP树，一次拟合低秩投影，即时重算嵌入。证明可收紧预测误差范围，实验显示该方法在KuaiRec上效果好、更新快，新用户获推荐快，还比较了不同采样策略。

Comments 6 pages, 3 figures, 8 tables

Mixed-Agent Museum Tour Guide Design Improves Gendered Learning Outcomes and Visitor Preferences

混合智能体博物馆导游设计提升性别化学习成果及游客偏好

Annette M. Masterson, Wonse Jo, Helena C. Sieh, Lionel P. Robert,, Dawn Tilbury

机构 * University of Michigan（密歇根大学） ； Incheon National University（仁川国立大学） 纠错

AI总结 研究博物馆中机器人导游，提出结合实体与虚拟智能体的混合导游系统，经30人受试者内研究验证，发现其提升女性学习表现，各条件下参与度和体验质量一致，且无论性别参与者都更偏好混合智能体团队。

Comments Accepted on IROS 2026, 8 pages

Dysco: Dynamic Subspace Boosting to Mitigate LoRA Interference in Federated Learning

Dysco：动态子空间增强以减轻联邦学习中的LoRA干扰

Haobo Zhang, Jiankun Wang, Suraj Rajendran, Weishen Pan, Lam Tsoi, Yong Chen, Fei Wang, Jiayu Zhou

机构 * University of Michigan（密歇根大学） ； Cornell University（康奈尔大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 研究针对联邦学习中异构客户端使LoRA聚合不稳定的问题，提出动态子空间增强方法Dysco，通过联邦动态分配特定客户端LoRA子空间，经实验验证其能减少干扰、降低训练损失、提升算法性能且开销小。

Comments 33 pages, 10 figures, 11 tables

REST: Receding Horizon Explorative Steiner Tree for Zero-Shot Object-Goal Navigation

REST：基于零样本目标导航的视界探索Steiner树

Shuqi Xiao, Maani Ghaffari, Chengzhong Xu, Hui Kong

机构 * State Key Laboratory of Internet of Things for Smart City, University of Macau（智能城市物联网国家重点实验室，澳门大学） ； University of Michigan（密歇根大学） 纠错

AI总结 REST通过构建开放词汇3D地图、生成以代理为中心的路径树以及利用LLM推理选择最佳路径，在多个基准测试中实现了高成功率和高效路径效率。

Comments Accepted to IROS'26

Idea2Plan: Exploring AI-Powered Research Planning

Idea2Plan：探索人工智能驱动的研究规划

Jin Huang, Silviu Cucerzan, Sujay Kumar Jauhar, Ryen W. White

机构 * University of Michigan（密歇根大学） ； Microsoft Research（微软研究院） 纠错

AI总结 探讨大语言模型从概念研究想法到结构化研究计划的过渡能力，通过引入Idea2Plan任务、基准及JudgeEval评估，实验发现GPT-5表现最佳但仍有提升空间，为LLMs研究规划能力研究提供新见解和基础。