高校专区
Mcity数据引擎：通过开放词汇数据选择实现迭代模型改进
机构 * University of Michigan Transportation Research Institute（密歇根大学交通研究所） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Texas A&M University（德克萨斯A&M大学）
AI总结 本文提出Mcity数据引擎，通过开放词汇数据选择解决大规模未标记数据中长尾类检测难题，提供从数据采集到模型部署的完整数据开发流程。
Comments Accepted for publication at ITSC 2025
基于无监督学习的焦堆相机深度估计
机构 * Center for Ultrafast Optical Science, University of Michigan（超快光学科学中心，密歇根大学） ； University of Michigan（密歇根大学）
AI总结 提出一种基于无监督深度学习的方法，从焦堆相机图像估计深度，在NYU-v2数据集上相比单图像方法显著提高精度。
Journal ref in Conference on Lasers and Electro-Optics, Technical Digest Series (Optica Publishing Group, 2022), paper JW3A.5
沿Transformer堆栈的一致性训练
机构 * Purdue University（普渡大学） ； Independent（独立） ； Columbia University（哥伦比亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Dartmouth College（达特茅斯学院） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 本文通过引入MLP状态和注意力分布的一致性目标，将一致性训练扩展到多种安全威胁，并发现跨威胁泛化及共享机制，证明其作为灵活对齐框架的有效性。
Comments Submitted to EMNLP 2026
通过风格诱导提示解释风格表示
机构 * University of Michigan（密歇根大学）
AI总结 提出一种通过风格诱导提示解释风格表示的新框架，利用大型语言模型生成自然语言描述，并在风格描述和模仿任务中优于直接提示的基线方法。
Comments Accepted to ACL 2026 Findings
LeanMarathon：通过长视界Lean自动形式化实现可靠的AI合作数学家
机构 * Department of Statistics, University of Warwick, UK（英国沃里克大学统计系） ； Center for Advanced Intelligence Project, RIKEN, Japan（日本理化学研究所高级智能项目） ； Department of Statistics, University of Michigan, USA（美国密歇根大学统计系） ； Department of Mathematical Informatics, The University of Tokyo（东京大学数学信息学系；日本理化学研究所高级智能项目） ； also Center for Advanced Intelligence Project, RIKEN, Japan（加州大学伯克利分校电气工程与计算机科学系；统计系） ； Department of Electrical Engineering and Computer Sciences, also Department of Statistics, University of California, Berkeley, USA（上海交通大学数学科学学院，自然科学院和MOE-LSC） ； School of Mathematical Sciences, Institute of Natural Sciences and MOE-LSC, Shanghai Jiao Tong University, China
AI总结 提出多智能体框架LeanMarathon，通过蓝图抽象和两阶段编排器实现长视界研究数学的可靠自动形式化，在四个Erdős问题上成功形式化七个定理。
Comments 26 pages, 9 figures. Comments are welcome
VideoKR：迈向知识和推理密集型视频理解
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学） ； University of Michigan（密歇根大学）
AI总结 提出VideoKR，首个大规模训练语料库，通过人工参与的技能导向生成管道构建315K视频推理示例，增强知识和推理密集型视频理解，并在专家标注基准上验证其有效性。
Comments ICML 2026 Spotlight
OSCAR: 面向机器人的全具身骨架条件世界动作模型
机构 * Peking University（北京大学） ； University of Michigan（密歇根大学） ； NVIDIA（英伟达）
AI总结 提出OSCAR，一种基于动作条件的视频世界模型，通过大规模数据管道和2D骨架渲染统一表示，实现跨机器人具身的泛化，并用于策略评估。
Comments Project page: https://wuzy2115.github.io/oscar-project-page/
CLASH：从多个视角评估语言模型在高风险困境中的判断
机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Department of Philosophy（哲学系） ； University of Michigan Ann Arbor（安娜堡大学）
AI总结 本文提出CLASH数据集，用于研究基于价值观的决策过程，发现语言模型在处理矛盾决策、心理不适和价值观变化时存在显著不足。
Comments Published as a conference paper at ICLR 2026
生成器介导的老虎机：面向生成式人工智能的自适应干预的汤普森采样
机构 * Department of Statistics, University of Michigan, Ann Arbor, MI (USA)（密歇根大学统计学系，安阿伯，MI (美国)）
AI总结 本文提出了一种生成器介导的老虎机算法（GAMBITTS），用于解决生成式人工智能（GenAI）驱动的自适应干预问题。该算法通过建模治疗和奖励生成过程，利用观察到的治疗信息加速策略学习，并在模拟研究中优于传统算法。
Comments 39 pages, 12 figures
Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025)
AutoLab：前沿模型能否解决长周期自动研究与工程任务？
机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） ； University of Tokyo（东京大学）
AI总结 本文提出AutoLab基准，通过36个专家策划的长周期闭环优化任务评估前沿模型，发现持续迭代和利用经验反馈比初始尝试质量更重要。
Comments Code: https://github.com/autolabhq/autolab ; Website: https://autolab.moe/
随机稀疏注意力用于内存受限推理
机构 * University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出SANTA方法，通过从后softmax分布中采样稀疏索引来减少值缓存访问，实现无乘法的高效解码，在Llama-3.1-8B-Instruct上获得1.5倍注意力核加速和1.25倍端到端加速。
Comments Code available at https://github.com/OPUSLab/SANTA
Journal ref ICML 2026
UniCanvas: 一种基于扩散的图文联合生成统一模型
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； University of Michigan（密歇根大学） ； MIT（麻省理工学院）
AI总结 提出UniCanvas，通过扩散模型在像素画布上以文本嵌入图像的方式实现图文联合生成，解决现有模型在视觉与文本生成上的不足。
基于潜空间运动跟踪的单次测量前瞻性动态3D MRI重建
机构 * University of Michigan（密歇根大学）
AI总结 提出PDMR框架，通过离线学习运动场的低维潜流形并采用三平面表示实现高效编码，从单次测量中实现高保真、时间一致的前瞻性动态3D MRI重建。
通过最小二乘和力学建模估算假肢接受腔中的法向和剪切界面压力
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Michigan（密歇根大学）
AI总结 针对假肢接受腔界面压力测量中剪切力缺失和传感器串扰问题，提出一种基于稀疏传感和最小二乘的准静态弹簧-质量接触模型，通过全局力/力矩和局部压力数据验证模型性能。
基于共形谱风险控制的免分布风险感知规划与控制
机构 * Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系）
AI总结 提出一种免分布的风险感知模型预测控制框架，通过扩展共形风险控制到谱风险度量，生成预测集以在不确定性下保证风险低于用户指定阈值，并在车辆避障仿真中验证了安全性和效率提升。
Comments Submitted to IEEE Robotics and Automation Letters
PaCX-MAE: 生理增强的胸部X光掩码自编码器
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Tokyo（东京大学） ； University of Michigan（密歇根大学）
AI总结 提出PaCX-MAE跨模态蒸馏框架，通过双对比预测目标将生理先验注入胸部X光编码器，在保持单模态推理的同时提升生理相关任务性能。
Comments Accepted at the ICML 2026 3rd Workshop on Multi-modal Foundation Models and Large Language Models for Life Sciences (FM4LS)
大型语言模型中缩放定律的潜变量框架
机构 * Department of Statistics, University of Michigan（密歇根大学统计系） ； IBM Research and CSAIL, MIT（IBM研究与麻省理工学院计算机科学与人工智能实验室） ； Institute of Foundation Models, MBZUAI（MBZUAI基础模型研究所）
AI总结 提出基于潜变量建模的统计框架，通过引入潜变量捕获不同模型家族和基准的异构性，以更准确地建模大型语言模型的缩放定律。
在认知不确定性和偶然不确定性下学习自适应控制障碍函数
机构 * Department of Robotics, University of Michigan（机器人学系，密歇根大学） ； Charles Stark Draper Laboratory（查尔斯·斯泰克·德拉珀实验室） ； Department of Aerospace Engineering, University of Michigan（航空航天工程系，密歇根大学）
AI总结 提出在线自适应CBF框架（OA-CBF），通过概率集成神经网络和图注意力编码器动态调整CBF参数，在保证安全性的同时减少保守性。
Comments Extended journal version of the IEEE CDC 2025 paper (available as arXiv:2504.03038v5). Project page: https://www.taekyung.me/oa-cbf
从直播到录制：消费者对直播生命周期中价格的需求与响应
机构 * Georgetown University（乔治·华盛顿大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； University of Michigan（密歇根大学） ； Stephen M. Ross School of Business, University of Michigan（密歇根大学罗斯商学院）
AI总结 利用大型直播平台数据，研究消费者在直播前后对价格敏感性的差异，发现直播前需求价格弹性更高，主要由消费者自选择和质量不确定性驱动。
Comments An earlier version of this paper was distributed under the title "The Role of 'Live' in Livestreaming Markets: Evidence Using Orthogonal Random Forest."
连接和自动化车辆测试场景库生成方法研究，第一部分：方法论
机构 * University of Michigan（密歇根大学）
AI总结 本文提出了一种系统框架，用于生成连接和自动化车辆（CAVs）的测试场景库（TSLG），考虑不同的操作设计域（ODDs）、CAV模型和性能指标，通过引入新的场景关键性度量标准和多起始优化方法，提高测试效率。
Comments 11 pages,3 figures
Journal ref IEEE Transactions on Intelligent Transportation Systems, 2020
广义规范张量分解
机构 * Sandia National Laboratories（桑迪亚国家实验室） ； University of Michigan（密歇根大学）
AI总结 本文提出了一种广义规范张量分解（GCP），能够使用除均方误差外的其他损失函数，如逻辑损失或KL散度，从而适用于二分类或计数数据，并展示了其在社交网络互动、小鼠神经活动和印度月降雨量等真实数据集上的灵活性。
Journal ref SIAM Review, Vol. 62, No. 1, pp. 133-163, 2020
技术报告：基于可达性的安全激进四旋翼飞行轨迹设计
机构 * Mechanical Engineering, University of Michigan, Ann Arbor, MI（机械工程，密歇根大学，安娜堡，MI）
AI总结 本文提出了一种基于可达性的四旋翼飞行轨迹设计方法，通过在线规划中创新性地使用Zonotopes来确保在存在轨迹依赖性跟踪误差的情况下飞行安全，实验显示在500个随机复杂环境中实现了最高5m/s的激进飞行且无碰撞。
Comments 12 Pages, 3 Figures, 1 Table
减少方差的强化学习中的控制正则化
机构 * California Institute of Technology, Pasadena, CA（加州理工学院） ； University of Michigan, Ann Arbor, MI（密歇根大学） ； Rice University, Houston, TX（Rice大学）
AI总结 本文提出了一种功能正则化方法，用于减少连续控制中强化学习的方差，通过正则化深度策略的行为与先验策略相似，从而在偏倚-方差权衡中实现更稳定的动态稳定性和更高效的训练。
Comments Appearing in ICML 2019
多车辆在无信号交叉口交互的博弈建模
机构 * Robotics Institute, University of Michigan（密歇根大学机器人研究所）
AI总结 本文提出了一种基于博弈论的框架，用于建模自动驾驶和人工驾驶车辆在无信号交叉口的交互行为，通过参数化交叉口布局和几何结构，展示了模型在交通场景中的合理性和计算效率。
Comments 18 pages, 13 figures, 1 table
通过障碍函数实现端到端安全强化学习用于安全关键的连续控制任务
机构 * California Institute of Technology（加州理工学院） ； University of Michigan（密歇根大学）
AI总结 本文提出了一种结合模型无关强化学习控制器、基于控制障碍函数的控制器以及在线学习未知系统动力学的控制器架构，以确保学习过程中的安全性，通过Gaussian Processes建模系统动力学并展示在倒立摆和无线车对车自主跟车任务中更高的样本效率和安全性。
Comments Published in AAAI 2019
利用C-FROST实现快速轨迹优化及在Cassie系列动态步行双足机器人上的示例
机构 * College of Engineering and the Robotics Institute, University of Michigan（密歇根大学工程学院和机器人研究所）
AI总结 本文提出了一种无需去除或合并自由度的方法，通过C-FROST和多线程技术快速确定人类oids的解决方案，并在20自由度的Cassie系列双足机器人浮基模型上进行数值计算和物理实验验证
从示范中学习约束
机构 * Dept. of Electrical Engineering and Computer Science, University of Michigan, Ann Arbor, MI, 48109, USA（电气工程与计算机科学系，密歇根大学，安娜堡，MI，48109，美国）
AI总结 该研究提出了一种从示范中学习未知约束的方法，通过任务示范、成本函数和系统动力学与控制约束，利用hit-and-run采样获取低成本但不安全的轨迹，并通过整数规划获得一致的不安全集表示，同时理论分析了可从安全示范中学习的约束子集。
Comments Presented at the Workshop on the Algorithmic Foundations of Robotics (WAFR), 2018, Mérida, Mexico
一种新的数据驱动稀疏学习方法用于研究化学反应网络
机构 * Department of Electrical Engineering and Computer Science, University of Michigan, Ann Arbor, MI 48109--2125, USA（电气工程与计算机科学系，密歇根大学，安娜堡，MI 48109--2125，美国） ； Department of Mechanical Engineering, University of Michigan, Ann Arbor, MI 48109--2125, USA（机械工程系，密歇根大学，安娜堡，MI 48109--2125，美国） ； Departments of Chemical Engineering, Biomedical Engineering, Macromolecular Science and Engineering, Biophysics Program, University of Michigan, Ann Arbor, MI 48109--2125, USA（化学工程、生物医学工程、大分子科学与工程、生物物理项目系，密歇根大学，安娜堡，MI 48109--2125，美国）
AI总结 本文提出了一种数据驱动的稀疏学习方法，用于识别化学反应网络中关键反应，该方法通过物种浓度和反应速率来确定影响反应，具有低计算成本，无需额外数据或模拟，应用于氢气和丙烷的燃烧化学分析，并展示了简化机制在点火延迟上的良好性能。
非渐近识别单轨迹下的线性时不变系统
机构 * Department of Electrical and Computer Engineering, University of California, Riverside, CA（加州大学河滨分校电子工程与计算机科学系） ； Electrical Engineering and Computer Science Department, University of Michigan, Ann Arbor, MI（密歇根大学安娜堡分校电气工程与计算机科学系）
AI总结 该研究通过单轨迹输入输出数据，利用霍尔-卡尔曼算法在有限时间内学习线性时不变系统的马尔可夫参数，并结合稳定性结果和样本复杂度分析，确定学习系统平衡实现所需的数据量。
Comments Version 2 has two improvements: First, paper now uses spectral radius rather than largest singular value hence applies to a larger class of systems. Secondly, new sample complexity bounds are provided for approximating the system's Hankel operator via estimated Markov parameters
多机器人协调与计数时序逻辑
机构 * Department of Electrical Engineering and Computer Science（电气工程与计算机科学系） ； University of Michigan（密歇根大学） ； Department of Mechanical and Civil Engineering（机械与土木工程系） ； California Institute of Technology（加州理工学院）
AI总结 本文提出了一种基于计数时序逻辑的多机器人协调方法，通过优化算法生成轨迹以保证同步执行时满足给定的逻辑公式，并展示了在机器人动力学相同的情况下，使用计数线性时序逻辑（cLTL）能更高效地解决规划问题，同时讨论了异步执行下保持逻辑规范性的方法及鲁棒轨迹生成。
Comments Under submission for a journal
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈