Safe Adaptive Cruise Control with Road Grade Preview and V2V Communication
安全自适应巡航控制系统与道路坡度预览及车对车通信
机构 * University of Michigan（密歇根大学）
AI总结 本文提出了一种安全自适应巡航控制系统，利用道路坡度和前车运动预览，通过模型预测控制框架优化舒适性、安全性和能耗，采用新颖的方法计算鲁棒不变终端集以确保车辆间安全距离，仿真结果验证了该控制算法的有效性。
高校专区
University of Michigan（密歇根大学安娜堡分校）
Phase Retrieval via Randomized Kaczmarz: Theoretical Guarantees
通过随机Kaczmarz方法进行相位恢复：理论保证
机构 * Department of Mathematics, University of Michigan（密歇根大学数学系） ； Department of Mathematics, University of California, Irvine（加州大学尔湾分校数学系）
AI总结 本文提出随机Kaczmarz方法在相位恢复中的理论保障，证明仅需与维度成正比的高斯测量即可保证收敛，引入了测量集的充分条件，并利用VC维和度量熵证明高斯采样向量满足该条件。
Comments Revised after comments from referees
Enhancement of Low-cost GNSS Localization in Connected Vehicle Networks Using Rao-Blackwellized Particle Filters
利用 Rao-Blackwellized 粒子滤波器增强连接车辆网络中低成本 GNSS 定位
机构 * University of Michigan（密歇根大学） ； Transportation Research Institute（交通研究 institute） ； Department of Naval Architecture（naval architecture 部门）
AI总结 本文提出利用 Rao-Blackwellized 粒子滤波器融合连接车辆组的 GNSS 信息并匹配数字地图，以提高定位精度，实验显示算法将误差降低50%，方差减少两个数量级。
Comments 7 pages, 7 figures, IEEE ITSC
Graphical Models for Optimal Power Flow
图模型用于最优功率流
机构 * Mathematical Sciences, California Institute of Technology Michael Chertkov, Marc Vuffray Sidhant Misra T-Divison \& Center for Nonlinear Studies, Los Alamos National Laboratory Pascal Van Hentenryck Industrial ； Operations Engineering, University of Michigan, Ann Arbor
AI总结 本文将树状网络的最优功率流问题转化为树状图模型的推断问题，结合动态规划与区间离散化，提出了一种高效求解方法，适用于任意配电网络和混合整数优化。
Comments To appear in Proceedings of the 22nd International Conference on Principles and Practice of Constraint Programming (CP 2016(
On GROUSE and Incremental SVD
关于GROUSE和增量SVD
机构 * University of Michigan（密歇根大学） ； University of Wisconsin, Madison（威斯康星大学麦迪逊分校）
AI总结 本文改进增量SVD以处理缺失数据，并证明其与特定参数下的GROUSE等价，探讨了增量算法在子空间估计中的应用。
HARVE: Hacking-Aware Reward-Head Vector Editing for Robust Reward Models
HARVE：面向鲁棒奖励模型的感知黑客奖励头向量编辑
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Virginia（弗吉尼亚大学） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； University of Michigan（密歇根大学） ； New Jersey Institute of Technology（新泽西理工学院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 针对奖励模型易受奖励黑客攻击的问题，提出无需训练的奖励头编辑方法HARVE，通过移除与黑客相关子空间对齐的奖励头向量分量，提升鲁棒性并保持通用能力。
From Non-Convex to Strongly Convex: Curvature-Adaptive FTPL for Online Optimization
从非凸到强凸：曲率自适应的FTPL在线优化
机构 * Stanford University（斯坦福大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 提出一种曲率自适应的FTPL算法，通过时变扰动尺度实现非凸Lipschitz损失下的最优遗憾界，并在线性累积曲率下达到对数遗憾。
Learning to Bet for Horizon-Aware Anytime-Valid Testing
学习在严格截止日期下进行前瞻性任意有效测试的投注
机构 * Department of Electrical and Computer Engineering, University of Michigan（密歇根大学电气与计算机工程系）
AI总结 本文通过将前瞻性投注建模为有限时域最优控制问题，利用深度强化学习学习通用策略，在严格截止日期下实现有界均值的任意有效测试和置信序列。
Comments To appear in ICML 2026; 29 pages, 22 figures
Plan, Verify and Fill: A Structured Parallel Decoding Approach for Diffusion Language Models
规划、验证与填充：扩散语言模型的结构化并行解码方法
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； University of Michigan（密歇根大学）
AI总结 提出Plan-Verify-Fill (PVF)方法，通过定量验证进行分层骨架规划，并采用验证协议实现结构化停止，在保持准确性的同时将函数评估次数减少高达65%。
Towards Fair Graph Prompting: A Dual-Prompt Mechanism for Mitigating Attribute and Structural Bias
面向公平图提示：一种缓解属性与结构偏差的双提示机制
机构 * University of Michigan（密歇根大学） ； University of Virginia（弗吉尼亚大学）
AI总结 提出自适应双提示框架（ADPrompt），通过自适应特征修正和自适应消息校准两个模块，在适应预训练GNN的同时缓解节点属性与图结构中的偏差，实现公平的节点分类。
Modeling Depth Ambiguity: A Mixture-Density Representation for Flying-Point-Free Depth Estimation
建模深度歧义：一种用于无飞点深度估计的混合密度表示
机构 * University of Michigan（密歇根大学） ； NVIDIA（英伟达）
AI总结 提出混合密度表示MDA，通过预测每个像素的多个深度假设及其概率，解决深度估计中边界处的飞点伪影问题，显著改善边界重建并消除飞点。
AFUN: Towards an Affordance Foundation Model for Functionality Understanding
AFUN：迈向用于功能理解的可供性基础模型
机构 * University of Michigan（密歇根大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； NVIDIA（英伟达）
AI总结 提出AFUN模型，从单张RGB-D图像和语言任务描述中预测任务条件功能掩码和3D接触后运动曲线，通过大规模标准化数据流水线实现开放世界泛化，在多项基准测试中显著优于现有方法。
Improving Combined Detection and Classification of TEM Defects via Mask-Conditioned Latent Diffusion Augmentation
通过掩码条件潜在扩散增强改善TEM缺陷的联合检测与分类
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of Michigan-Ann Arbor（密歇根大学安娜堡分校）
AI总结 提出一种基于掩码条件潜在扩散模型（LDM）的生成式数据增强方法，用于合成可控、自动标注的多类缺陷掩码的TEM图像，以提升小样本下Mask R-CNN模型的缺陷检测与分类性能。
On the Limits of Token Reduction for Efficient Unified Vision Language Training
论高效统一视觉语言训练中令牌缩减的极限
机构 * University of Michigan（密歇根大学） ； Sony AI（索尼人工智能）
AI总结 本文通过分析层注意力分配，发现视觉理解与视觉生成在令牌冗余上存在不对称性，设计任务特定加速器，但统一训练中任务特定令牌丢弃导致协同损失，表明高效统一建模需保留共享跨任务结构。
Theoretical Analysis of Engression and Reverse Markov Engression
Engression与反向马尔可夫Engression的理论分析
机构 * Department of Statistics, University of Michigan（密歇根大学统计系）
AI总结 本文针对Engression及其反向马尔可夫扩展，在深度神经网络参数化下建立了非渐近收敛界，并通过能量距离链式法则分析了误差传播，得到了接近最优的过量风险界。
Explainable deep reinforcement learning reveals energy-efficient control strategies for turbulent drag reduction
可解释深度强化学习揭示湍流减阻的节能控制策略
机构 * Department of Aerospace Engineering University of Michigan（航空航天工程系密歇根大学）
AI总结 结合多智能体深度强化学习与可解释深度学习，提出基于SHAP归因的奖励策略，实现高效湍流减阻，净节能达34.01%且输入功率仅0.43%。
Efficient Synthetic Network Generation via Latent Embedding Reconstruction
通过潜在嵌入重建的高效合成网络生成
机构 * Department of Statistics, University of Michigan, Ann Arbor, Michigan, USA（统计学系，密歇根大学，安娜堡，密歇根州，美国）
AI总结 提出SyNGLER框架，基于潜在空间网络模型，通过重建潜在嵌入生成合成网络，兼顾效率与结构保真度。
Memory-Efficient LLM Training with Dynamic Sparsity: From Stability to Practical Scaling
基于动态稀疏性的内存高效LLM训练：从稳定性到实际扩展
机构 * University of Waterloo（滑铁卢大学） ； University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Michigan（密歇根大学）
AI总结 提出SMET方法，通过优化器预热和密度感知学习率缩放解决动态稀疏训练中的优化不稳定问题，实现LLM的稳定、可扩展且内存高效的稀疏预训练。
Comments Accepted at ICML2026
APE: Agentic Prompt Enhancer for Image Generation and Editing
APE: 用于图像生成与编辑的智能提示增强器
机构 * NVIDIA ； University of Michigan（密歇根大学）
AI总结 提出APE框架，通过后训练小型语言模型作为提示增强代理，以单代理或多代理方式改进文本到图像生成与编辑中的提示质量，无需修改下游视觉模型。
Comments Project Page: https://research.nvidia.com/labs/sil/projects/ape/
BAGEN: Are LLM Agents Budget-Aware?
BAGEN：LLM 智能体是否具有预算意识？
机构 * Northwestern University（西北大学） ； O2 Lab（O2实验室） ； Independent（独立） ； University of Michigan（密歇根大学） ； Cornell（康奈尔大学） ； All Hands AI ； Stanford（斯坦福大学） ； UT Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出预算感知智能体（BAGEN）概念，将预算作为主动控制信号而非被动成本指标，通过渐进区间估计方法预测剩余预算上下界，并在四个环境和五个前沿模型上发现强模型不一定具有强预算意识、模型过度乐观等失败模式，早期停止可节省 28-64% 令牌，但精确区间校准仍具挑战。
Balancing Accuracy and Efficiency: Adaptive Dynamics Orchestration for Model Predictive Control
平衡精度与效率：模型预测控制的自适应动力学编排
机构 * Department of Electrical and Computer Engineering, University of Michigan, Ann Arbor, MI, USA（1. 电气与计算机工程系，密歇根大学，安娜堡，密歇根州，美国）
AI总结 提出自适应动力学编排（ADO）框架，通过在线反事实滚动评估模型残差，动态选择最适合当前导航上下文的动力学模型，在计算效率与预测精度之间取得平衡。
Comments 8 pages, 7 figures
Linear Motility Maps in Nonlinear Viscous Fluids
非线性粘性流体中的线性运动映射
机构 * Department of Robotics, University of Michigan（机器人学系，密歇根大学） ； Departments of Electrical Engineering and Computer Science, and Ecology and Evolutionary Biology（电气工程与计算机科学系、生态与进化生物学系）
AI总结 研究在低雷诺数流体中，线性运动映射扩展到幂律流体，并发现Carreau-Yasuda流体可违反该线性性质实现净运动，方向可随速度改变。
GRASP: Plan-Guided Graph Retrieval with Adaptive Fusion and Reranking on Semi-Structured Knowledge Bases
GRASP：半结构化知识库上具有自适应融合和重排序的计划引导图检索
机构 * 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 Computational Medicine and Bioinformatics, University of Michigan（密歇根大学计算医学与生物信息学系）
AI总结 提出GRASP框架，通过计划引导图检索、条件融合和重排序三阶段，在半结构化知识库上实现最先进的检索性能。
Vision-Language Models Mistake Head Orientation for Gaze Direction: Nonverbal Conversation Cues
视觉-语言模型将头部方向误认为注视方向：非语言对话线索
机构 * Brown University（布朗大学） ； Columbia University（哥伦比亚大学） ； Emory University（埃默里大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学） ； UC San Diego（圣地亚哥大学）
AI总结 本研究通过控制头部方向的实验发现，视觉-语言模型（VLMs）在推断注视目标时主要依赖头部方向而非眼睛外观，导致与人类存在显著性能差距，并指出数据偏差是主要原因。
Comments Accepted by ACL 2026. Project page at https://zoryzhang.github.io/gaze/
Process Reward Agents for Steering Knowledge-Intensive Reasoning
过程奖励智能体：引导知识密集型推理
机构 * University of Michigan（密歇根大学）
AI总结 提出过程奖励智能体（PRA），通过在线、分步奖励指导冻结策略模型进行搜索式解码，在医疗推理基准上取得新最优结果，并泛化至不同规模模型。
Comments Accepted to ICML 2026
From Moments to Models: Graphon-Mixture Learning for Mixup and Contrastive Learning
从矩到模型：用于混合和对比学习的图模型混合学习
机构 * University of Michigan（密歇根大学）
AI总结 提出一个统一框架，将图数据建模为图模型（graphon）混合，利用图矩（motif密度）聚类并估计混合成分，进而提出图模型感知的混合（GMAM）和对比学习（MGCL）方法，在监督和无监督任务上取得最优或竞争性能。
Ethical Fairness in Ubiquitous Health Sensing without Known Attributes
无已知属性下的普适健康感知伦理公平性
机构 * Ira A. Fulton Schools of Engineering, Arizona State University（亚利桑那州立大学弗里曼工程学院） ； Arizona State University（亚利桑那州立大学） ； Cornell University（康奈尔大学） ； University of Michigan（密歇根大学）
AI总结 针对普适健康感知中缺乏人口统计或异构属性时的公平性问题，提出基于Fisher信息引导的潜在子群学习与无害正则化框架Flare，通过优化几何实现伦理公平。
Code2Math: Can Your Code Agent Effectively Evolve Math Problems Through Exploration?
Code2Math：你的代码智能体能否通过探索有效演化数学问题？
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； Nanjing Tech University（南京工业大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Michigan（密歇根大学） ； Independent Researcher（独立研究者）
AI总结 本文提出一个多智能体框架，利用代码智能体通过探索将现有数学问题自主演化为更复杂、更困难的变体，并验证其可解性和难度提升。
Comments 38 pages
Unlearning Isn't Invisible: Detecting Unlearning Traces in LLMs from Model Outputs
遗忘并非不可见：从模型输出中检测LLMs的遗忘痕迹
机构 * Michigan State University（密歇根州立大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； IBM Research（IBM研究院）
AI总结 本文发现大型语言模型在经历机器遗忘后会在行为和内部表征中留下可检测的“指纹”，并通过分类器利用预测logits或文本输出以超过90%的准确率识别遗忘模型。
Comments Accepted to ICLR 2026
Position: Beyond Sensitive Attributes, ML Fairness Should Quantify Structural Injustice via Social Determinants
立场：超越敏感属性，机器学习公平性应通过社会决定因素量化结构性不公正
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； University of Michigan（密歇根大学） ； University of Toronto（多伦多大学）
AI总结 本文主张算法公平性研究应超越敏感属性，通过社会决定因素量化结构性不公正，并通过理论模型和实证研究证明仅关注敏感属性的缓解策略可能引入新的结构性不公正。
Comments Accepted to ICML 2026 Position Paper Track
