University of Michigan（密歇根大学安娜堡分校）

When GNNs Fail: Quantifying and Overcoming Temporal Correlation Volatility in Time Series

当GNN失效：量化与克服时间序列中的时间相关性波动性

Chen Shao, Yue Wang, Zhenyi Zhu, Zhanbo Huang, Tobias Käfer, Zonghan Wu, Danai Koutra

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； The Hong Kong University of Science and Technology（香港科技大学） ； East China Normal University（华东师范大学） ； University of Michigan（密歇根大学） 纠错

AI总结 本研究提出时间相关性波动性（TCV）指标，发现高TCV下GNN等模型泛化差，进而提出GLIDE层，在合成与真实基准上使平均性能最高提升45.6%。

Comments 6 figures, 3 tables, 16 pages

Journal ref European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases, 2026

LoCA: Forward-Only LLM Tuning after One-Shot Calibration with Local Credit Assignment

LoCA：基于局部信用分配的一次性校准后仅前向的大语言模型调优

Linhan Xia, Rui Liu, Zhaofeng Zhang, Yihao Wang, Binrui Shen, Shengxin Zhu

机构 * University of Oklahoma（俄克拉荷马大学） ； Imperial College London（伦敦帝国学院） ； University of Michigan（密歇根大学） ； Tencent（腾讯） ； University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； Beijing Normal University（北京师范大学） ； Beijing Normal-Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院） 纠错

AI总结 本文提出LoCA方法，通过一次性校准替换大语言模型调优的重复反向传播，在多个基准上优于LoRA，降低了GPU峰值内存、CPU稳态内存与前向传递时间。

Distributional Autoencoders Know the Score

分布式自编码器知晓得分

Andrej Leban

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

AI总结 本文提出分布式主元自编码器，通过理论保证实现分布正确重建与编码可解释性，证明模型能同时学习数据分布和内在维度。

Comments NeurIPS 2025 - camera-ready version

Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025), 2025

Skill-RAG: Failure-State-Aware Retrieval Augmentation via Hidden-State Probing and Skill Routing

Skill-RAG: 通过隐藏状态探测与技能路由实现故障状态感知的检索增强

Kai Wei, Raymond Li, Xi Zhu, Zhaoqian Xue, Jiaojiao Han, Jingcheng Niu, Fan Yang

机构 * University of Michigan（密歇根大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Rutgers University（罗格斯大学） ； University of Pennsylvania（宾夕法尼亚大学） ； New Jersey Institute of Technology（新泽西理工学院） ； TU Darmstadt（图腾斯大学） ； Wake Forest University（威克森林大学） 纠错

AI总结 提出Skill-RAG框架，通过轻量级隐藏状态探测器和基于提示的技能路由器，在检索失败时诊断原因并选择四种技能（查询重写、问题分解、证据聚焦、退出）纠正查询-证据错位，显著提升多轮检索后困难案例的准确性。

Optimization-based Online Conformal Prediction for Multi-step Forecasting

基于优化的在线共形预测用于多步预测

Ruipu Li, Daniel Menacho, Alexander Rodríguez

机构 * University of Michigan（密歇根大学） 纠错

AI总结 提出O2CP框架，通过双层优化结构建模多步误差依赖，在保证边际覆盖有效性的同时生成更窄的预测区间，实验表明在自动驾驶、气候预测等领域优于现有方法。