高校专区
通用健康查询的共情适用性建模
机构 * University of Michigan（密歇根大学） ； Lahore University of Management Sciences（拉合尔管理科学大学）
AI总结 提出共情适用性框架（EAF），基于临床、语境和语言线索对患者查询的情感反应和解释适用性进行分类，以支持异步医疗中的共情沟通。
Comments Accepted at Findings of ACL 2026
SpaceTools: 通过双交互强化学习实现工具增强的空间推理
机构 * NVIDIA ； University of Michigan（密歇根大学）
AI总结 提出双交互强化学习（DIRL）框架，通过两阶段训练让视觉语言模型学会协调多种工具（如深度估计、分割、姿态估计）进行精确空间推理，在多个基准上达到最优性能。
Comments CVPR 2026
关于语言模型可重复评估的前线经验教训
机构 * MBZUAI ； IIIT Hyderabad ； EleutherAI ； HiTZ Center - Ixa, UPV/EHU ； Ivy Natal ； University of Michigan ； HubSpot ； LibrAI ； Kensho ； Contextual AI ； Brown University ； New York University ； Amazon ； Yale University ； HKUST ； Sorbonne University ； CMU
AI总结 本文基于开发Language Model Evaluation Harness框架的三年经验，总结了语言模型评估中面临的方法论挑战、缺乏可重复性和透明度等问题，并提供了改进评估严谨性和信心的建议。
具有闭环耗散性保证的神经网络控制器综合
机构 * Department of Electrical Engineering and Computer Sciences, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系） ； Department of Electrical Engineering and Computer Science, University of Michigan, Ann Arbor（密歇根大学安娜堡分校电子工程与计算机科学系）
AI总结 提出一种在保证闭环系统耗散性（如稳定性和L2增益界）的硬约束下最大化奖励的神经网络控制器综合方法，利用积分二次约束描述不确定性和激活函数，通过线性矩阵不等式和投影训练实现。
Comments Accepted to the journal Automatica, 17 pages, 9 figures
设备端机器人规划：消除推理冗余以实现高效决策
机构 * School of Integrated Technology, College of Computing, Yonsei University（延世大学整合技术学院，计算学院） ； Department of Hyperscale AI SoC Research Section, ETRI（ETRI超大规模AI SoC研究部） ； EECS - Electrical and Computer Engineering, University of Michigan（密歇根大学电气与计算机工程学院）
AI总结 提出REIS框架，通过场景门控、KV引导的affordance路由和审慎推理减少推理冗余，在保持语义适应性的同时加速机器人控制。
Comments 19 pages
探索视觉-语言模型中的碰撞接地以实现安全的人机协作
机构 * University of Michigan, Ann Arbor（密歇根大学，安娜堡）
AI总结 针对安全人机协作，提出碰撞接地概念及物理基准TouchSafeBench，评估视觉-语言模型在分类当前安全状态和预警即将碰撞任务中的表现，发现现有模型不可靠，视觉流畅性不等于物理责任性。
Comments 31 pages, 9 figures
超越一致性：为策展人分类对面板筛选的生物医学实体候选进行评分
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； The Hong Kong University of Science and Technology, Guangzhou（香港科学与技术大学（广州）） ； ShanghaiTech University（上海科技大学） ； University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 提出BioConCal评分器，利用无金标准的一致性、提及、表面可用性和文档特征，对多LLM面板筛选的候选实体进行评分，显著提高候选筛选的精确率和召回率。
IRIS: 时间结构化流形投影
机构 * Department of Biomedical Informatics and Data Science, Yale School of Medicine（耶鲁医学院生物医学信息学与数据科学部） ； School of Information, University of Michigan（密歇根大学信息学院）
AI总结 提出IRIS算法，通过结合时间顺序和流形拓扑结构，解决t-SNE和UMAP无法体现时间动态的问题，适用于scRNA-seq、比较宏基因组学等动态生物医学数据可视化。
$R^3$: 通过相对回归进行3D重建
机构 * University of Michigan（密歇根大学） ； Westlake University（西雅图大学） ； NVIDIA Research（英伟达研究）
AI总结 提出一种基于相对回归的3D重建方法$R^3$，使用轻量级MLP预测置信度加权的相对约束，以支持全上下文离线重建和因果有界内存流式重建。
跨城镇驾驶：面向CARLA零样本未见城镇固定路线驾驶的语义展开与城镇对抗正则化
机构 * Department of Electrical and Computer Engineering, University of Michigan–Dearborn（密歇根大学迪尔伯恩分校电子与计算机工程系）
AI总结 提出一种结合未来语义预测与城镇对抗正则化的训练方法，在仅使用Town05和Town06训练的情况下，提升CARLA驾驶代理在未见城镇Town03和Town04上的零样本迁移性能。
解开LoRA干扰：用于鲁棒模型合并的正交子空间
机构 * University of Michigan Ann Arbor（密歇根大学安娜堡分校）
AI总结 针对LoRA微调模型合并时性能下降的问题，提出通过微调前约束LoRA子空间正交性来减少任务间干扰的方法OSRM，可无缝集成现有合并算法，提升合并性能并保持单任务准确率。
Comments 14 pages, 5 figures, 16 tables, accepted by ACL 2025
运动规划算法中车辆特性的考虑
机构 * University of Michigan Dearborn（密歇根大学迪尔伯恩分校）
AI总结 针对现有轨迹规划器未考虑质心高度影响导致不同车辆（尤其是高质心车辆）轨迹非最优的问题，提出一种采用简化双轨模型、基于稳态方程估计侧向和侧倾载荷转移以及简化轮胎模型的规划器，以降低求解器负担，并在高/低加速度条件和不同车辆高度下与粒子模型和运动学模型规划器进行对比。
Comments This paper has been accepted for conference proceedings in MECC 2024, Chicago under a Creative Commons License CC-BY-NC-ND
Journal ref IFAC-PapersOnLine, Vol 58, Num 28, 2024, pgs 444-449
GPIC：用于视觉生成的大型许可图像数据集
机构 * Stanford University（斯坦福大学） ； Radical Numerics ； University of Michigan（密歇根大学） ； Salesforce Research（Salesforce研究）
AI总结 提出GPIC，一个约28万亿像素的大型许可图像数据集，包含1亿训练样本，通过最先进的视觉语言模型标注，用于视觉生成建模研究。
Comments 25 pages; Dataset: https://huggingface.co/datasets/stanford-vision-lab/giant-permissive-image-corpus; Project website: https://gpic.stanford.edu
扩散模型在学习低维多模态分布时具有统计最优性
机构 * Department of Industrial and Operations Engineering, University of Michigan, Ann Arbor, USA（工业与运营工程系，密歇根大学，安娜堡，美国）
AI总结 本文证明扩散模型在学习支撑在低维子空间并集上的分布时，样本复杂度仅依赖于内在维度，达到近最优的1-Wasserstein误差率，无需光滑性或有界密度假设。
Comments accepted to ICML 2026
学习外推到新任务：一种关系型任务外推方法
机构 * Department of Statistics, University of Michigan, Ann Arbor（统计学系，密歇根大学，安阿伯）
AI总结 提出关系型任务外推器（RTE），通过将目标任务分解为锚定任务和变换关系并学习关系算子，实现向未见任务的系统性外推，在函数预测和序列预测中显著优于现有方法。
Comments ICML 2026
驯服基于ML的安全任务中的数据挑战：使用生成式AI
机构 * University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； University of Texas at Arlington（德克萨斯理工大学）
AI总结 提出使用生成式AI（GenAI）生成的合成数据增强训练集，以改善机器学习安全分类器的泛化性能，在7个任务上实现最高32.6%的提升。
Comments Accepted at the 2026 ACM Asia Conference on Computer and Communications Security (AsiaCCS 2026)
Journal ref In Proc. ACM AsiaCCS 2026, Bangalore, India, June 1-5, 2026. ACM, 2026
卸载分数：通过反事实工作流衡量AI依赖度
机构 * Stanford University（斯坦福大学） ； University of Oxford（牛津大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学）
AI总结 本文提出卸载分数（offloading score），一种通过构建反事实工作流量化用户向AI工具卸载认知努力比例的依赖度度量，并通过内在验证和用户实验证明其能检测时间压力下的依赖度变化。
Comments Preprint
成像逆问题的轨迹约束
机构 * Department of Computational Mathematics, Science, & Engineering, Michigan State University（密歇根州立大学计算数学、科学与工程系） ； 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 Biomedical Engineering, Michigan State University（密歇根州立大学生物医学工程系）
AI总结 提出TRACE框架，通过相邻状态耦合约束重建轨迹，稳定扩散和迭代方法在成像逆问题中的重建过程，并提升重建质量。
Comments 20 pages, 10 figures
通过智能体工具规划进行分子先导优化
机构 * University of Michigan（密歇根大学） ； University of California, Davis（加州大学戴维斯分校） ； Michigan State University（密歇根州立大学）
AI总结 提出TRACE，一种轨迹感知的LLM推理智能体，将先导优化建模为序列决策问题，通过工具选择实现结构约束下的前瞻性分子优化，在ADMET任务中优于基线。
Comments 12 pages
保持证明状态活跃：Lean 4 中高效策略搜索的快照技术
机构 * University of Michigan（密歇根大学） ； Amazon Web Services（亚马逊网络服务）
AI总结 针对 Lean 4 中并行策略搜索因反复重建证明状态导致开销巨大的问题，提出证明状态快照技术，通过一次捕获并复用证明状态，实现 5.6-50 倍加速。
Comments 11 pages, 1 figure. v2: Added co-author affiliation (Amazon Web Services) and contact emails for both authors
一种基于自引用的原则性早期停止方法用于深度图像先验
机构 * Department of Computational Mathematics, Science, & Engineering, Michigan State University（密歇根州立大学计算数学、科学与工程系） ； 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） ； X Computational Physics Division, Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室计算物理部） ； Michigan Institute for Computational Discovery & Engineering, University of Michigan（密歇根大学计算发现与工程研究所） ； Mathematical Sciences, Michigan State University（密歇根州立大学数学科学系）
AI总结 针对深度图像先验（DIP）过拟合问题，提出一种基于构造伪自引用图像的过拟合检测框架，实现无需噪声水平估计的早期停止方法。
Comments 35 pages, 10 figures, 14 tables
基于增量奇异值分解的历史感知自适应降阶模型
机构 * Department of Aerospace Engineering（航空航天工程系） ； University of Michigan（密歇根大学） ； University of Kansas（堪萨斯大学） ； Department of Electrical Engineering and Computer Science（电气工程与计算机科学系）
AI总结 针对降阶模型在线动态偏离离线训练区域导致精度下降的问题，提出基于增量奇异值分解（iSVD）的投影自适应降阶框架，通过偶尔的全阶算子评估提供校正快照以在线更新基，并在三个非线性问题上验证其优于现有方法。
Comments 50 pages, 27 figures, Preprint submitted to Elsevier
KT4EQG: 通过知识追踪实现个性化习题生成
机构 * University of California, Santa Barbara（加州大学圣巴巴拉分校） ； University of South Alabama（南方大学） ； University of Michigan（密歇根大学） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Harvard University（哈佛大学）
AI总结 提出KT4EQG框架，利用知识追踪模型选择最合适的概念，并训练基于LLM的题目生成器，以生成个性化习题，实验证明其有效性。
利用大语言模型和信息论量化天体物理方法的可重建性：光谱重建的案例研究
机构 * Department of Physics, University of Michigan, Ann Arbor, MI 48109, USA（密歇根大学物理系） ； Michigan Institute for Data and AI in Society, University of Michigan, Ann Arbor, MI 48109, USA（密歇根大学数据与人工智能在社会中的研究所） ； Independent Researcher, Taiwan（台湾独立研究员）
AI总结 提出信息论框架，通过大语言模型生成的概率分布和香农熵、JS散度，量化文本描述对算法重建的约束力，以海王星外天体光谱重建为例，发现文本虽能明确算法结构但无法消除实现级方差，存在“熵下限”，且LLM无法推断隐性专家知识。
Comments 26 pages, 6 figures, Accepted for publication in PASP
Camellia: 亚洲语言中LLMs文化偏见的基准测试
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Samsung R&D Institute Philippines（三星菲律宾研发院） ； Sungkyunkwan University（成均馆大学） ； Tohoku University（东北大学） ； National University of Singapore（新加坡国立大学） ； University of Copenhagen（哥本哈根大学） ； University of Michigan（密歇根大学） ； Indian Institute of Technology Delhi（印度理工学院德里） ； Institute of Science Tokyo（东京科学研究院）
AI总结 提出Camellia基准，通过三个任务评估九种亚洲语言中多语言大模型对亚洲与西方文化实体的偏见，发现模型存在文化适应困难、情感关联差异及实体提取性能差距。
CANDOR: 反事实注释的双重稳健离策略评估
机构 * Stanford University（斯坦福大学） ； Emory University（埃默里大学） ； Columbia University（哥伦比亚大学） ； University of Michigan（密歇根大学） ； The Gladstone Institutes（加利福尼亚大学旧金山分校格罗斯曼研究所）
AI总结 提出基于双重稳健框架的离策略评估方法，通过仅在奖励模型组件中融入反事实注释，在理论保证和实验上优于其他策略。
Comments 11 pages, published in the conference proceedings of the Conference on Health Inference and Learning (2026)
好奇心时代遇上AI时代：大型语言模型中的儿童安全基准测试
机构 * University of Michigan（密歇根大学）
AI总结 针对7-11岁儿童使用LLM的安全性问题，提出基于发展心理学的KIDBench基准，通过隐式线索和显式年龄指令提升安全性，并开发了儿童安全评估器KIDGuardLlama和响应模型KIDLlama。
递归流匹配
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Michigan（密歇根大学）
AI总结 提出递归流匹配（RecFM）框架，通过自一致性约束对齐不同离散化尺度的轨迹，实现高保真单步或少步（2-4步）动态生成，在科学基准上相比领先扩散模拟器加速20倍且提升预测精度。
Comments Project page: https://jhhuangchloe.github.io/RecFM/
RoboMME：机器人通用策略的记忆基准与理解
机构 * University of Michigan（密歇根大学） ； Stanford University（斯坦福大学） ； Figure AI
AI总结 提出RoboMME基准，通过16个操作任务评估VLA模型在长时程和历史依赖场景中的记忆能力，并基于π0.5骨干网络探索14种记忆增强变体，发现记忆表示的有效性高度依赖于任务。
Comments Accepted to ICML 2026
Belief-Sim：迈向信念驱动的人口统计错误信息易感性模拟
机构 * University of Michigan - Ann Arbor（密歇根大学安娜堡分校） ； Texas State University（德克萨斯州立大学）
AI总结 提出BeliefSim框架，利用心理学分类和调查先验构建人口信念档案，通过提示条件化和后训练适应，实现基于信念模拟人口统计错误信息易感性，对齐度达92%。
Comments Paper Under Review
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