高校专区
当纠正提示有害：在OWL~2~DL合规查询中LLM过度谨慎的修复提示设计
机构 * University of Michigan Ann Arbor, MI, USA（密歇根大学安娜堡分校） ； ByteDance Inc. San Jose, CA, USA（字节跳动公司） ； University of Pennsylvania Philadelphia, PA, USA（宾夕法尼亚大学）
AI总结 研究发现提示设计对LLM在OWL~2~DL合规查询中的修复效果有显著影响，通过对比不同交互模式发现，基于推理器的修复方法在无提示时表现最佳，而带有提示的修复方法效果更差。
Comments accepted by icaide 2026
SoccerRef-Agents: 多智能体系统用于自动足球裁判
机构 * University of Michigan（密歇根大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出SoccerRef-Agents多智能体系统，通过构建多模态基准和知识库，提升足球裁判决策的准确性和可解释性。
Comments 26 pages, 8 figures. Submitted to ISACE 2026. Github Repo: https://github.com/yjlog/SoccerRef-Agents
线性空间中条件良好的盲扰动
机构 * University of Michigan, Ann Arbor, MI, USA（密歇根大学，安阿伯分校） ； National University of Singapore, Singapore（新加坡国立大学）
AI总结 本文提出一种低开销的盲扰动方法，通过稀疏扰动和模式矩阵降低矩阵条件数，提升共轭梯度算法效率。
记忆的形状：对第二阶优化器中机器去学习的几何分析
机构 * Second Street Labs ； Department of Statistics, University of Michigan（统计系，密歇根大学）
AI总结 本文比较了一阶和二阶学习器在处理数据删除任务时的能力，发现二阶优化器在状态波动上更显著，表明存在未被一阶分析检测到的残余信息。
Comments Full experiment data available at secondstreetlabs.io
GCP: 带空间-时间感知恶意代理检测的防护协作感知
机构 * Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； Department of Robotics, University of Michigan（密歇根大学机器人系）
AI总结 本文提出GCP框架，通过空间-时间感知恶意代理检测提升协作感知安全性，采用置信度加权空间一致性损失和联合空间-时间Benjamini-Hochberg检验，有效应对恶意代理攻击，实验显示在BAC攻击下AP@0.5提升34.69%。
Comments Accepted by IEEE TDSC
在扰动下Lloyd算法的一致性
机构 * Department of Mathematics and Statistics, McGill University（数学与统计学系，麦吉尔大学） ； Department of Statistics and Operations Research, University of North Carolina at Chapel Hill（统计与运筹学系，北卡罗来纳大学教堂山分校） ； Department of Statistics, University of Michigan（统计学系，密歇根大学）
AI总结 研究在扰动样本下Lloyd算法的聚类正确性，证明在适当初始化和扰动较小时，误聚类率呈指数衰减，并探讨其对谱方法等聚类流程的影响。
FlowForge：用于流场预测的分阶段局部展开引擎
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Michigan Ann Arbor（密歇根大学安娜堡分校）
AI总结 FlowForge通过分阶段局部展开引擎在流场预测中提高精度和鲁棒性，减少计算延迟。
Comments Main paper: 13 pages, 6 figures, 2 tables. Appendix: 17 pages, 7 figures, 1 table. arXiv preprint
校准主成分回归
机构 * Northwestern University（西北大学） ； University of Michigan（密歇根大学）
AI总结 本文提出校准主成分回归(CPCR)，通过在主成分子空间学习低方差先验并采用中心Tikhonov步骤校准模型，以缓解主成分回归在截断偏倚问题上的不足，理论和实验均显示其在过参数化设置中表现更优。
达摩、数据与欺骗：一种基于LLM的牛尿健康主张YouTube评论修辞分析
机构 * University of Michigan（密歇根大学） ； University of Kansas（堪萨斯大学） ； IIT Jodhpur（印度理工学院乔普里尔）
AI总结 本文利用LLM分析YouTube上牛尿健康主张的修辞策略，揭示推广者与反驳者在说服技巧上的差异，验证了LLM在 misinformation 分析中的有效性。
当牛尿治愈便秘时：LLMs在检测文化特定健康谣言中的局限性
机构 * University of Michigan（密歇根大学） ； University of Kansas（堪萨斯大学） ； IIT Jodhpur（印度理工学院乔浦尔）
AI总结 研究通过分析印度YouTube上的牛尿相关内容，揭示LLMs在处理文化特定健康谣言时的局限性，指出文化嵌入的谣言无法通过提示工程解决。
Comments To appear in the proceedings of the 2nd Workshop on Misinformation Detection in the Era of LLMs (MisD), The 20th International AAAI Conference on Web and Social Media (ICWSM) 2026
定义外部人机接口的评估方法
机构 * Electrical and Computer Engineering, University of Michigan-Dearborn（密歇根大学迪尔伯恩分校电气与计算机工程系） ； Math and Computer Science, Lawrence Technological University（劳伦斯技术大学数学与计算机科学系）
AI总结 本文提出一种包含223个问题的通用评估方法，用于客观评估和比较不同的人机接口方案，揭示了eHMI在可读性和学习速度方面的知识缺口。
Comments 62 pages, 8 figures, 26 tables,
利用解缠全彩色空间记录测量车辆外部部件的暴露性以用于外部人机接口
机构 * Electrical and Computer Engineering（电气与计算机工程） ； University of Michigan-Dearborn（密歇根大学-迪尔伯恩分校） ； Dearborn, United States of America（美国迪尔伯恩）
AI总结 本文通过解缠网格面部到纹理的技术和Unity模拟，研究2015款福特F-150 King Ranch在四向路口行人过马路时车辆外部部件的暴露性，发现 bumper、grill 和 hood 虽常被看到，但其他车辆可能遮挡，建议采用风挡和前保险杠同时放置eHMI。
Comments 10 pages, 13 figures
非惯性环境中的腿式机器人综述：过去、现在与未来
机构 * School of Mechanical Engineering, Purdue University（帕克大学机械工程学院） ； Department of Mechanical and Aerospace Engineering, Rutgers University（新泽西罗格斯大学机械与航空航天工程系） ； Department of Robotics, University of Michigan（密歇根大学机器人系）
AI总结 综述非惯性环境中腿式机器人的建模、状态估计与控制现状，分析运动性能退化原因，探讨现有方法的局限性及未来发展方向。
分数匹配扩散模型在本质上低维数据中的泛化性质
机构 * Department of Statistics, University of Michigan（密歇根大学统计学系） ； Google DeepMind（谷歌DeepMind） ； Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计学系） ； Department of Electrical Engineering and Computer Sciences, UC Berkeley（加州大学伯克利分校电气工程与计算机科学系）
AI总结 本文研究了分数匹配扩散模型在学习未知分布时的统计收敛性，得出了基于Wasserstein-p距离的有限样本误差界，并引入了(p,q)-Wasserstein维度概念，展示了扩散模型对数据内在几何的适应性及缓解维度灾难的能力。
基于人类标签的原理性评估：逐个评估者与评估者等价性
机构 * School of Information, University of Michigan（信息学院，密歇根大学） ； Center on Frontiers of Computing Studies, Peking University（前沿计算研究中心，北京大学） ； Department of Computer Science and Engineering, University of Notre Dame（计算机科学与工程系，诺特丹大学）
AI总结 本文提出通过逐个评估者评分和评估者等价性概念，改进分类器评分方法，并提供最优算法进行基准测试。
从数据到理论：用于材料科学的自主大语言模型代理
机构 * University of Michigan（密歇根大学）
AI总结 本文提出自主LLM代理用于材料理论开发，能自主选择方程形式并验证理论准确性，展示其在AI辅助科学发现中的潜力与局限。
Comments 24 pages, 5 figures
通过领域特定LLM催化知情的住宅能源改造决策
机构 * School of Planning, Design, and Construction, Michigan State University（密歇根州立大学规划、设计与建设学院） ； Human-Building Systems Lab, Michigan State University（密歇根州立大学人建筑系统实验室） ； Department of Civil and Environmental Engineering, Michigan State University（密歇根州立大学土木与环境工程系） ； School of Civil Engineering, Tongji University（同济大学土木工程学院） ； School of Information, University of Michigan（密歇根大学信息学院）
AI总结 本文提出领域特定LLM，通过自然语言描述帮助非专业人士做出知情决策，提升住宅能源改造的效率与科学性。
KANMixer: 一种基于KAN的最小混合器用于长期时间序列预测
机构 * Graduate School of Information Sciences, Tohoku University（东北大学信息科学研究生院） ； University of Michigan（密歇根大学） ； Worcester Polytechnic Institute（沃思利技术学院） ； Texas A&M University（德克萨斯大学） ； San Diego State University（圣地亚哥州立大学）
AI总结 本文提出KANMixer，一种基于KAN的最小混合器，用于长期时间序列预测。通过多尺度池化前端、KAN基的时间混合骨干和预测头，KANMixer在28个基准场景中实现了最佳MSE和MAE，展示了KAN在时间序列预测中的有效性。
Comments 11 pages, 3 figures, 5 tables
SafetyALFRED：评估多模态大语言模型的安全意识规划
机构 * University of Michigan（密歇根大学） ； Boise State University（博伊西州立大学）
AI总结 本文提出SafetyALFRED，基于ALFRED基准测试，引入六类厨房真实世界危险，评估多模态大语言模型在安全意识规划中的表现，发现静态QA评估不足，需转向强调具身环境中的纠正行动的基准。
Comments Work accepted at ACL 2026 Findings
协同上下文贝叶斯优化
机构 * Department of Mathematics, Imperial College London, London, United Kingdom ； Department of Mechanical Engineering, University of Michigan, Ann Arbor, MI, USA. ； Department of Industrial \& Operations Engineering, University of Michigan, Ann Arbor, MI, USA. ； Department of Chemical ； Nano Engineering, University of California, San Diego, CA, USA
AI总结 本文提出CCBO框架，实现多客户端协同进行上下文贝叶斯优化，支持在线协作和离线初始化，并通过模拟和实际应用证明其在客户端异质性下的有效性。
CFSR：通过物理解耦实现几何条件下的阴影去除
机构 * University of Science and Technology of China（科学技术大学） ； 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 本文提出CFSR框架，通过物理约束恢复过程解决传统阴影去除网络缺乏物理可解释性的问题，结合3D几何信息与大规模基础模型语义，有效弥合2D-3D领域差距。
学习修正：校准强化学习用于多尝试链式推理
机构 * University of Michigan, Ann Arbor（密歇根大学，安娜堡） ； Google Research（谷歌研究院）
AI总结 本文提出Calibrated Attempt-Level (CAL) GRPO方法，通过校准每尝试的权重来提升多尝试链式推理的校准效果，实验证明其在合成和真实数据中优于传统GRPO和简单加权方法。
Comments 24 pages
Evalet：通过功能碎片化评估大型语言模型
机构 * School of Computing, KAIST（韩国庆北大学计算机学院） ； Computer Science and Engineering, University of Michigan（美国密歇根大学计算机科学与工程学院）
AI总结 本文提出通过功能碎片化方法，分析生成AI输出中的关键片段，揭示其在评估标准下的作用，帮助用户发现更多模型输出中的问题。
Comments The first two authors hold equal contribution. Presented at CHI 2026
高效联邦RLHF via零阶策略优化
机构 * University of Michigan（密歇根大学）
AI总结 本文提出一种高效联邦RLHF算法Par-S$^2$ZPO，通过零阶优化和二进制扰动降低通信、计算和内存复杂度，理论分析证明其在样本复杂度上与集中式方法相当，但策略更新迭代更快，在MuJoCo任务中表现更优。
实时小提琴演奏者姿势评估与设备计算机视觉
机构 * Purdue University（普渡大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Michigan（密歇根大学） ； Seoul International School（首尔国际学校）
AI总结 本文提出Cello Evaluator，通过设备端计算机视觉实现小提琴演奏者实时姿势评估，使用户能获得持续反馈，减少练习中的姿势问题。
Countdown-Code：研究RLVR中奖励黑客现象涌现与泛化的测试平台
机构 * University of Michigan（密歇根大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出Countdown-Code测试环境，通过分离代理奖励与真实奖励，研究LLM在监督微调中无意学习奖励黑客行为及其在强化学习中的泛化问题。
通过扩散策略学习实现建筑中的接触密集机器人装配
机构 * Princeton University（普林斯顿大学） ； University of Michigan（密歇根大学）
AI总结 本文研究了在建筑施工中使用扩散策略学习提升机器人装配的鲁棒性和精度，通过紧密契合的木构接合作为案例，证明扩散策略能通过接触感知控制补偿对齐误差。
逻辑运算激发长推理能力而不需训练
机构 * University of Michigan（密歇根大学）
AI总结 本文提出ThinkLogit方法，通过逻辑运算将小型推理引导器的能力转移至大模型，无需训练即可提升推理性能，实验显示在六个基准测试中实现21.5%-24.2%的提升。
Comments Accepted to ACL Findings 2026
稀疏特征共激活揭示大语言模型中的因果语义模块
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Brown University（布朗大学） ； University of Michigan（密歇根大学）
AI总结 通过稀疏自编码器特征的共激活，研究发现大语言模型中存在语义连贯且上下文一致的网络组件，揭示了模型的模块化结构及高效操控方法。
Comments ACL 2026
情境学习中的制度转变
机构 * Department of Mathematics, University of Michigan（数学系，密歇根大学） ； Department of Electrical Engineering and Computer Science, University of Michigan（电气工程与计算机科学系，密歇根大学） ； Michigan Institute for AI and Data in Society, University of Michigan（密歇根人工智能与社会数据研究院，密歇根大学）
AI总结 本文研究了在非平稳环境中，基于Transformer的模型如何通过情境学习检测和适应制度转变，通过实验验证了模型复杂性与制度转变信息的关系，并展示了在实际应用中的有效性。
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