高校专区
在飞行中主动适应：基于相关性的在线元学习与潜在概念用于地理空间发现
机构 * University of Michigan, Ann Arbor, MI, USA（密歇根大学，安阿伯分校） ； Washington University in St. Louis, St. Louis, MO, USA（华盛顿大学圣路易斯分校）
AI总结 提出一个统一的地理空间发现框架，结合主动学习、在线元学习和概念引导推理，通过概念加权不确定性采样和相关性感知元批次形成策略，在有限数据和动态环境下高效发现隐藏目标。
当搜索成为记忆：将机器人设计试验转化为可迁移技能
机构 * University of Michigan（密歇根大学）
AI总结 提出Auto-Robotist，一种自进化LLM代理，通过将形态搜索轨迹提炼为自然语言技能库，实现可迁移的机器人设计知识，在EvoGym任务中提升冷启动搜索并跨设计空间迁移技能。
Comments 20 pages, 8 figures
具有主动探索的安全双重控制的正式门控框架
机构 * Department of Robotics, University of Michigan（密歇根大学机器人系） ； Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系）
AI总结 提出一个集成鲁棒规划与主动探索的框架，通过门控机制仅在可验证改进且不牺牲安全时进行探索，实现安全与不确定性降低的平衡。
Comments Accepted at American Control Conference (ACC) 2026
面向机器学习应用的全尺寸压水堆流场高保真建模
机构 * Department of Nuclear Engineering and Radiological Sciences, University of Michigan（密歇根大学核工程与辐射科学系） ； Department of Nuclear Science and Engineering, Massachusetts Institute of Technology（麻省理工学院核科学与工程系） ； Korea Atomic Energy Research Institute（韩国原子能研究所） ； Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系） ； Department of Computer Science and Engineering, University of Michigan（密歇根大学计算机科学与工程系）
AI总结 本研究利用高保真CFD模拟和机器学习模型，对四环路压水堆组件级流场进行表征，揭示了冷腿旋流和下腔室输运导致的入口流量分布不均匀性，并验证了ConvLSTM等空间感知架构在流场重建与预测中的优越性。
Comments 30 pages, 10 figures, and 6 Tables
混合合成数据生成与域随机化实现极端类别不平衡下基于视觉的零样本零件检测
机构 * Department of Mechanical Engineering, University of Michigan, Ann Arbor, MI 48109, USA ； Materials \& Manufacturing Systems Research Lab, General Motors, Warren, MI 48092, USA
AI总结 提出一种结合仿真渲染、域随机化和真实背景合成的混合合成数据生成框架，仅用合成数据训练YOLOv8n和MobileNetV3-small模型，在极端类别不平衡下实现零样本工业零件检测，检测mAP@0.5达0.995，分类准确率96%，平衡准确率90.1%。
Comments Submitted to the NAMRC 54
SEAL: 智能体与学习环境的协同共演化
机构 * Ant Group（蚂蚁集团） ； Westlake University（西湖大学） ； University of Michigan--Ann Arbor（密歇根大学安娜堡分校） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出SEAL框架，通过协同演化智能体策略与训练环境，解决智能体与环境错配问题，在低资源多轮工具使用任务中提升性能并实现正向分布外迁移。
EchoVQA：为床旁心脏超声提供对话式辅助
机构 * University of Michigan（密歇根大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Independent Scientist（独立科学家）
AI总结 针对床旁心脏超声图像获取与解读依赖专业知识的问题，提出首个大规模超声心动图VQA数据集EchoVQA（含14,299张图像和74,819个问答对），并开发基于多模态可学习提示的参数高效方法，在多数基准上达到最优性能。
SkillEvolBench：从情景经验到程序性技能的演化基准测试
机构 * The Ohio State University（俄亥俄州立大学） ； The University of Chicago（芝加哥大学） ； University College London（伦敦大学学院） ； University of Michigan（密歇根大学） ； The Chinese University of Hong Kong（香港中文大学） ； Case Western Reserve University（凯斯西储大学） ； Amazon（亚马逊）
AI总结 提出SkillEvolBench基准，通过六个真实环境中的180个任务，评估大语言模型代理能否将情景经验提炼为可复用的程序性技能，发现当前代理难以形成稳健的技能，且原始轨迹复用优于蒸馏技能。
线性系统求解器中后向误差的通用收敛性
机构 * University of Michigan（密歇根大学） ； University of Oxford（牛津大学） ； Princeton University（普林斯顿大学）
AI总结 本文证明经典Richardson迭代在半正定线性系统上具有与条件数无关的1/k后向误差收敛率，并基于Krylov子空间最小化后向误差提出MINBERR算法，实现O(n^2/√ε)复杂度。
Comments Added convergence analysis of MINBERR-NE for general linear systems (Theorems 5.1 and 5.3)
对比分布匹配用于离散扩散中的摊销序贯蒙特卡洛
机构 * KAIST（韩国科学技术院） ； University of Michigan（密歇根大学） ； NVIDIA（英伟达）
AI总结 提出对比分布匹配（CDM）框架，通过正负样本学习参数化扭曲函数，摊销序贯蒙特卡洛（SMC）推理成本，在离散扩散中高效采样奖励倾斜分布。
Comments Project Page: https://cdm-smc.github.io/
学习场景级有符号方向距离函数：结合椭球先验与神经残差
机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； Brain Corporation（Brain公司） ； Robotics Department, University of Michigan（密歇根大学机器人系）
AI总结 提出有符号方向距离函数（SDDF），结合显式椭球先验和隐式神经残差，实现高效准确的场景级几何重建与可微渲染。
Journal ref 2026 IEEE Transactions on Pattern Analysis and Machine Intelligence
为LLM引导的程序发现设计的进化多任务优化
机构 * University of Michigan - Ann Arbor（密歇根大学安娜堡分校） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出了一种进化多任务优化（EMO）方法，用于LLM引导的程序发现，通过两个阶段框架EMO-STA（共享后适应）在多个任务家族中提高了程序发现的效率和鲁棒性，同时展示了共享进化在减少过拟合方面的优势。
HumanSplatHMR: 闭合人体网格恢复与高斯点绘肖像之间的循环
机构 * University of Michigan（密歇根大学）
AI总结 本文提出HumanSplatHMR方法，通过闭合几何姿态估计与可微渲染之间的循环，改进人体姿态恢复和高斯点绘肖像的生成，提升在新视角和新姿态下的渲染质量。
Comments Project page: https://scottyehengz.github.io/HumanSplat/
AI生成Python重构拉取请求中的质量和安全信号
机构 * University of Michigan-Flint（密歇根大学弗林特分校） ； University of Michigan-Dearborn（密歇根大学戴尔本分校）
AI总结 本研究通过分析AIDev数据集中的Python重构拉取请求，探讨了AI生成代码对代码质量和安全性的影响，发现AI提交在22.5%的案例中提升了质量属性，但同时也引入了新的代码问题，提出了24种重构操作的分类和安全门控的重要性。
自由粒度层次视觉识别
机构 * University of Michigan（密歇根大学） ； UC Berkeley（伯克利大学）
AI总结 本文研究了在现实世界中标签不完整且粒度混合的情况下，如何进行层次视觉识别。通过引入自由粒度训练方法，结合文本监督和半监督学习，改进了传统层次方法在不完整监督下的性能，并提出了自由粒度推理机制以适应不同预测深度的需求。
Comments Accepted to CVPR 2026. 31 pages
通过可微分CVaR障碍函数实现风险适应的强化学习
机构 * Department of Robotics（机器人学系） ； Department of Aerospace Engineering（航空航天工程系） ； University of Michigan（密歇根大学） ； Toyota Motor North America, Research & Development（丰田美国北美洲研发）
AI总结 本文提出了一种端到端的风险适应框架，用于在障碍物运动不确定性的环境下进行人群导航，结合强化学习与基于条件价值-at-风险（CVaR）障碍函数的可微分二次规划安全层，共同学习名义控制输入、风险水平和安全边际，并强制执行显式的概率安全约束。
Comments Project page: https://anonymousrobotics9666.github.io/rlcvarbf/
因果机器学习并非万能：健康领域观察性因果推断的路线图
机构 * Division of Computer Science and Engineering, University of Michigan（密歇根大学计算机科学与工程系） ； Department of Electrical and Electronic Engineering, Imperial College London（伦敦帝国理工学院电子与电气工程系） ； Courant Institute of Mathematical Sciences, New York University（纽约大学Courant数学科学研究所） ； Center for Data Science, New York University（纽约大学数据科学中心） ； Department of Mathematics & Statistics, Elon University（埃洛伊大学数学与统计学系） ； Department of Ophthalmology, Cambridge University Hospitals（剑桥大学医院眼科部） ； Department of Biomedical Informatics, Columbia University（哥伦比亚大学生物医学信息学系） ； School of Engineering and Applied Science, Harvard University（哈佛大学工程与应用科学学院） ； Laboratory for Computational Physiology, Institute for Medical Engineering and Science, Massachusetts Institute of Technology（麻省理工学院医学工程与科学研究所计算生理学实验室） ； Department of Medicine, Beth Israel Deaconess Medical Center（贝斯以色列德aconess医疗中心医学部） ； Department of Biostatistics, Harvard T.H. Chan School of Public Health（哈佛T.H. Chan公共卫生学院生物统计学系）
AI总结 本文探讨了因果机器学习在观察性数据中的应用，强调了验证有效性假设和合理使用因果机器学习的重要性，提出了加强因果分析严谨性和可解释性的模板。
计算对齐训练：优化测试时间推断
机构 * Department of Statistics（统计学系） ； University of Michigan（密歇根大学）
AI总结 本文提出计算对齐训练方法，通过将训练目标与测试时间策略对齐，提升大语言模型在测试时的推断性能。
论证生物启发式机器人研究：一种策略的分类
机构 * Mechanical Engineering, University of Michigan, USA（机械工程，密歇根大学，美国） ； Electrical and Computer Engineering, University of Michigan, USA（电气与计算机工程，密歇根大学，美国） ； Robotics, Mechanical Engineering, Ecology and Evolutionary Biology, Museum of Zoology, University of Michigan, USA（机器人学、机械工程、生态学与进化生物学、动物博物馆，密歇根大学，美国）
AI总结 本文提出了一种生物启发式设计动机的分类，以帮助机器人研究者合理化其特定的生物启发方法，并帮助资助管理人员评估不同生物启发方法的价值。
对比推理对齐：从隐藏表示中学习强化学习
机构 * Northwestern University（西北大学） ； University of Michigan（密歇根大学） ； Illinois Institute of Technology（伊利诺伊理工学院）
AI总结 本文提出了一种基于对比学习和强化学习的框架CRAFT，通过优化隐藏状态空间中的目标来提升对抗攻击的鲁棒性，核心贡献是通过隐藏空间的几何结构实现推理层面的安全对齐。
Comments International Conference on Machine Learning (ICML) 2026
用于开放即兴分割的视觉引导代理
机构 * University of Michigan（密歇根大学）
AI总结 本文提出了一种名为VASA的视觉引导即兴分割代理，该代理通过结合视觉语言模型、分割基础模型和视觉引导工作流，实现了无需训练的即兴分割任务，其在PARS和RefCOCO等基准测试中均表现出色。
Comments 23 pages, 11 figures
双通道张量神经网络：有限样本理论与符合结构选择
机构 * New York University（纽约大学） ； University of Michigan（密歇根大学） ； Duke University（杜克大学）
AI总结 本文提出双通道张量神经网络（DC-TNN），通过分解张量输入为低秩核心和稀疏细化部分，并通过耦合的神经通道处理两者。该框架结构无关，可容纳CP、Tucker和张量列车核心。在估计方面，建立了DC-TNN估计器的非渐近风险界，并展示了有效维度由核心秩和细化稀疏性共同决定。在推断方面，开发了结构感知符合ROC程序，产生具有有限样本、分布自由覆盖的ROC和AUC置信带。基于此，提出了符合结构选择器，是首个具有有限样本有效性的分布自由候选张量分解选择方法。模拟和蛋白质数据集分析显示了竞争性的预测精度、可靠的不确定性量化和一致的张量结构恢复。
适应性实验的算法：在统计分析与奖励之间进行权衡：结合均匀随机分配与奖励最大化
机构 * University of Toronto（多伦多大学） ； Carleton College（卡洛尔学院） ； University of Michigan（密歇根大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出了一种统计敏感算法TS-PostDiff，通过结合均匀随机分配和奖励最大化，在统计分析与用户奖励之间进行权衡，以提高实验效率和准确性。
轨迹数据归因的可信度如何？误差来源、缓解方法和实用指南
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学）
AI总结 本文系统分析了轨迹数据归因方法的误差来源，并提出缓解方法和实用指南，通过将总误差分为配置级、算法级和系统级，改进了归因的准确性，并为数据选择提供了可行的实践指导。
DOTRAG: 路径上的检索时推理
机构 * University of Michigan（密歇根大学）
AI总结 本文提出DOTRAG，一种无需训练的图检索增强生成框架，通过将检索过程转化为路径上的推理，提高了多跳任务的性能。
生成式AI广告作为可信商业干预问题
机构 * University of Michigan（密歇根大学）
AI总结 本文探讨生成式AI广告如何通过影响生成过程而非内容放置来改变广告方式，提出基于影响层级的分类体系，并指出当前系统在更深层次商业影响上的可信度问题。
在经典动量加速下实现小批量SGD的完美并行化
机构 * University of Michigan（密歇根大学）
AI总结 本文提出了一种通用的小批量优化理论，展示了经典动量对梯度小批量大小的加速比例关系，从而实现小批量计算的完美并行化。
REACT：面向轮式移动机器人连续编队导航的环境自适应架构
机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动性学院） ； Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系） ； Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系）
AI总结 本文提出REACT架构，通过集中式编队生成和分布式编队维护相结合的方法，解决轮式移动机器人在复杂环境中编队导航的适应性问题，实现了无轨迹冲突的连续编队导航。
DocReward: 一种用于文档结构化和风格化的文档奖励模型
机构 * CUHK（香港大学） ； UCAS（中国科学技术大学） ； XJTU（西安交通大学） ； UMich（密歇根大学） ； Microsoft（微软）
AI总结 本文提出DocReward，一种用于评估文档结构和风格的奖励模型，通过构建包含117,000对文档的DocPair数据集，采用Bradley-Terry损失训练，有效提升了文档生成的结构和风格专业性。
AtlasVA: 无教师视觉技能记忆用于无需教师的VLM代理
机构 * Ant Group（蚂蚁集团） ； University of Science and Technology of China（中国科学技术大学） ； Westlake University（西湖大学） ； University of Michigan - Ann Arbor（密歇根大学-安娜堡分校） ； Sun Yat-sen University（中山大学）
AI总结 本研究提出AtlasVA，一种无需教师的视觉技能记忆框架，通过空间热图、视觉示例和符号文本技能三层结构，统一感知、记忆和优化，实现在无需外部LLM监督下的强化学习性能提升。
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