高校专区
当地球基础模型遇见扩散：一种用于地表温度超分辨率的应用
机构 * University of Alabama（阿拉巴马大学） ； Emory University（埃默里大学） ； University of Michigan（密歇根大学） ； University of South Florida（佛罗里达州立大学） ； New York University（纽约大学）
AI总结 本文提出EFDiff框架，利用地球基础模型指导扩散模型进行极端空间退化下的超分辨率重建，通过交叉注意力机制提升细尺度重建效果，优于基线方法。
自动驾驶碰撞避让与赛车参数化深度强化学习
机构 * Virginia Commonwealth University（弗吉尼亚 Commonwealth 大学） ； University of Michigan（密歇根大学）
AI总结 本文提出基于赛车超车的参数化深度强化学习策略，通过物理感知奖励函数在模拟中实现非线性车辆动力学的高效率碰撞避让，优于MPC-APF基线，在三个交叉口场景中表现优异。
KAIROS：具有状态的、基于上下文的节能代理推理服务
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）
AI总结 本文提出KAIROS，一种基于上下文的节能代理AI服务系统，通过管理GPU频率、实例并发性和请求分配，实现27%的平均能耗降低，同时保持性能。
机械智能跨学科研讨会：总结报告
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pittsburgh（匹兹堡大学） ； Purdue University（Purdue 大学） ； University of Michigan（密歇根大学） ； Tufts University（塔夫茨大学） ； Oregon State University（俄勒冈州立大学） ； Case Western Reserve University（凯斯西储大学） ； John’s Hopkins University（约翰·霍普金斯大学） ； Boston University（波士顿大学） ； University of Southern California（南加州大学） ； University of California at Berkeley（加州大学伯克利分校） ； Penn State University（宾夕法尼亚州立大学） ； Northeastern University（东北大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Colorado Boulder（科罗拉多大学 Boulder 分校） ； New Mexico State University（新墨西哥州立大学） ； University of Notre Dame（诺丁汉大学） ； Stanford University（斯坦福大学）
AI总结 本报告总结了2024年机械智能跨学科研讨会的成果，探讨了机械结构自身通过响应性、适应性、记忆和学习编码智能的现象，以及其与计算智能的区别。
结果-可行动性差距：理解从业者如何在实际中评估大语言模型产品
机构 * HCI \& Design Section IT University of Copenhagen Copenhagen Denmark ； Centre for Human-Inspired Artificial Intelligence, Cambridge University Cambridge United Kingdom ； Computer Science Johns Hopkins University Baltimore Maryland United States ； Engineering University of Michigan Ann Arbor Michigan United States ； IT University of Copenhagen ； Centre for Human-Inspired Artificial Intelligence, Cambridge University ； Johns Hopkins University ； University of Michigan
AI总结 研究探讨从业者如何评估大语言模型产品，发现'结果-可行动性差距'问题，提出策略帮助从业者从非正式评估转向系统化评估。
安全双控轨迹规划与主动探索
机构 * Department of Robotics, University of Michigan（密歇根大学机器人学系） ； Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系）
AI总结 本文研究了一种受预算约束的双控问题，通过整合鲁棒规划与主动探索，在保证安全性和预算可行性的同时，平衡即时任务性能与长期不确定性降低。
多语言思考，而非更难：一种数据高效的框架，用于教授推理模型进行语言混合
机构 * University of Michigan（密歇根大学）
AI总结 本文提出一种数据高效的框架，用于识别并教授推理模型更有效的语言混合行为，通过分析不同模型的语言混合行为，开发出有效的微调干预措施，提升推理模型的语言混合能力。
DeepER-Med: 通过代理AI推进医学中的深度证据导向研究
机构 * Division of Intramural Research (DIR), National Library of Medicine (NLM), National Institutes of Health (NIH)（国家医学图书馆（NLM）内务研究部，国家卫生研究院（NIH）） ； Hunterian Neurosurgical Laboratory, Johns Hopkins School of Medicine（约翰霍普金斯医学院霍尔特神经外科实验室） ； Cancer Data Science Laboratory, Center for Cancer Research, National Cancer Institute (NCI), National Institutes of Health (NIH)（国家癌症研究所（NCI）癌症数据科学实验室，国家癌症研究中心，国家卫生研究院（NIH）） ； Experimental Immunology Branch, National Cancer Institute (NCI), National Institutes of Health (NIH)（国家癌症研究所（NCI）实验免疫学分支，国家卫生研究院（NIH）） ； Epithelial Systems Biology Laboratory, Systems Biology Center, National Heart, Lung, and Blood Institute (NHLBI), National Institutes of Health (NIH)（国家心肺血液研究所（NHLBI）上皮系统生物学实验室，系统生物学中心，国家卫生研究院（NIH）） ； Brain Tumor Genetics Lab, Department of Neurosurgery, Johns Hopkins Hospital（约翰霍普金斯医院神经外科部脑肿瘤遗传实验室） ； Division of Hematology/Oncology, University of Illinois Chicago（伊利诺伊大学芝加哥分校血液/肿瘤科部） ； University of Illinois Cancer Center, Chicago, IL 60612, USA（伊利诺伊大学癌症中心，芝加哥，IL 60612，美国） ； Division of Epidemiology and Clinical Applications, National Eye Institute (NEI), National Institutes of Health (NIH)（国家眼耳研究所（NEI）流行病学与临床应用部，国家卫生研究院（NIH）） ； University of Michigan Medical School, Ann Arbor, MI 48109, USA（密歇根大学医学学院，安阿伯，MI 48109，美国）
AI总结 DeepER-Med通过代理AI框架提升医学研究的证据生成流程，包含研究规划、协作和证据综合模块，并通过专家评估和真实临床案例验证其有效性。
Comments 37 pages, 6 figures, 5 tables
上下文而非内容：揭示自动化评判中的评估造假
机构 * BITS Pilani（比特学院） ； University of Michigan（密歇根大学）
AI总结 研究揭示自动化评判中因后果信号导致的宽大偏见，指出评判模型在不知情情况下受后果影响而降低评判标准，核心贡献是提出控制实验框架以检测此类评估造假。
Comments Under Review
时间尺度分离使深度强化学习能够控制旋转爆震发动机模式转换
机构 * University of Oslo（奥斯陆大学） ； University of Michigan（密歇根大学）
AI总结 本文通过时间尺度分离方法，利用移动参考系框架实现深度强化学习对旋转爆震发动机多尺度动态控制，有效诱导模式转换。
社交故事框架：关于叙事意图和接受的上下文推理
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； University of Michigan-Flint（密歇根大学弗林特分校） ； University of Connecticut（康涅狄格大学） ； McGill University（麦吉尔大学）
AI总结 本文提出SocialStoryFrames框架，通过对话上下文和叙事理论等理论，构建了读者反应的正式化模型，用于分析社交媒体中的叙事意图和接受情况。
Comments ACL 2026 (Main)
Cornfigurator：任意到任意多模态模型服务的自动化规划
机构 * University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Cisco Research（思科研究）
AI总结 Cornfigurator是首个针对通用任意到任意模型推理服务的部署规划器，通过统计评估最大化服务吞吐量，比现有系统和专家调优方案提升1.12至6.32倍。
Comments Open-source at https://github.com/cornserve-ai/cornfigurator
RadarSplat-RIO：基于高斯点分布的室内雷达-惯性里程计
机构 * Meta Reality Labs（Meta现实实验室） ； University of Michigan（密歇根大学）
AI总结 本文提出基于高斯点分布的雷达束调整框架，通过联合优化雷达传感器姿态和场景几何，显著减少位姿漂移并提升鲁棒性，实验表明在多个室内场景中，雷达束调整性能优于传统雷达-惯性里程计。
自适应未知故障检测与少样本持续学习用于超声金属焊接的条件监控
机构 * Department of Mechanical Science and Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） ； Coordinated Science Laboratory, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校协调科学实验室） ； Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系）
AI总结 本文提出了一种自适应条件监控方法，通过分析多层感知机的隐藏层表示和统计阈值策略实现未知故障检测，并结合少样本持续学习提升焊接过程监控的适应性与准确性。
Comments 20 pages, 10 figures
FDM-Bench：用于评估大型语言模型在增材制造任务中的综合基准
机构 * Department of Mechanical Science and Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） ； Coordinated Science Laboratory, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校协调科学实验室） ； Department of Mechanical and Aerospace Engineering, Rutgers University（罗格斯大学机械与航空航天工程系） ； Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系）
AI总结 本文提出FDM-Bench基准，用于评估大型语言模型在增材制造任务中的能力，通过用户查询和G代码样本评估不同模型的性能，发现闭源模型在检测G代码异常方面表现更优。
人工智能在混合自动化与人类交通建模与模拟中的应用
机构 * Department of Transport & Planning, Delft University of Technology（代尔夫特理工大学交通与规划系） ； Department of Industrial and Systems Engineering, University of Michigan, Dearborn（密歇根大学迪尔伯恩分校工业与系统工程系） ； Tandon School of Engineering, New York University（纽约大学Tandon工程学院）
AI总结 本文探讨了人工智能在混合自动化与人类交通模拟中的应用，提出了一种分类方法，涵盖行为模型、环境模拟和认知物理方法，旨在填补现有研究的空白。
Comments This work has been submitted to the IEEE for possible publication
NoisePrints: 用于私有扩散模型作者身份验证的无损水印
机构 * Tel Aviv University（特拉维夫大学） ； University of Michigan（密歇根大学）
AI总结 本文提出NoisePrints，一种轻量级水印方案，利用扩散过程的随机种子作为作者身份证明，通过哈希函数确保种子无法从内容中恢复，实现无损水印验证。
Comments code available at: https://github.com/nirgoren/NoisePrints
点提示：基于视频扩散模型的反事实跟踪
机构 * University of Michigan（密歇根大学） ； Cornell University（康奈尔大学）
AI总结 本文提出利用视频扩散模型进行零样本点跟踪，通过提示模型在视频中标记移动点，实现反事实生成，实验表明其跟踪效果优于传统方法且能克服遮挡。
Comments ICLR 2026. Project link: https://point-prompting.github.io
识别和缓解学术推荐信中的性别线索：一个可解释性案例研究
机构 * Scheller College of Business（施谢尔商学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Weinberg Institute for Cognitive Science（认知科学研究所） ； University of Michigan - Ann Arbor（密歇根大学安娜堡分校） ； School of Electrical and Computer Engineering（电气与计算机工程学院） ； Purdue University（普渡大学） ； Department of Computer Science（计算机科学系） ； Northwestern University（西北大学） ； Iowa State University（爱荷华州立大学） ； College of Computing（计算学院）
AI总结 本研究探讨Transformer编码器模型和大语言模型在去除姓名和代词后，能否从匿名推荐信中推断出申请人的性别，发现存在显著的性别泄露，并通过移除隐含性别线索降低模型准确性，但性别预测仍优于随机猜测。
Comments 17 pages, 3 figures
HyperLiDAR: 一种基于超维度计算的自适应部署后激光雷达分割方法
机构 * UCSD（加州大学圣迭戈分校） ； UC Merced（加州大学默塞德分校） ； SDSU（南达科他州立大学） ； UMich（密歇根大学）
AI总结 本文提出HyperLiDAR，一种基于超维度计算的轻量级激光雷达分割框架，解决部署后适应性问题，通过缓冲区选择策略提升效率，实现实时适应与高效率重训练。
定位、引导与改进：大型语言模型中可操作机制可解释性的一项实用调查
机构 * The University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； LMU Munich（慕尼黑大学） ； Tsinghua University（清华大学） ； Technische Universität Darmstadt（达姆施塔特技术大学） ； Technische Universität Berlin（柏林技术大学） ； Technische Universität Dresden（德累斯顿技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Nanjing University（南京大学） ； University of Manchester（曼彻斯特大学） ； Dartmouth College（达特茅斯学院） ； University of California Los Angeles（加州大学洛杉矶分校） ； University of Michigan（密歇根大学） ； Microsoft（微软） ； Tencent（腾讯）
AI总结 本文提出一个实用调查，围绕'定位、引导与改进'流程，系统分类定位和引导方法，展示如何通过该框架提升模型对齐、能力和效率。
基于均场神经网络的连续时间在线学习：扩散环境中的遗憾分析
机构 * University of Michigan（密歇根大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AI总结 本文研究了由未知系数生成的数据的连续时间在线学习问题，采用两层神经网络进行非前瞻性参数更新，通过均场极限建立随机Wasserstein梯度流，并在扩散环境中推导出均场极限和有限粒子系统的遗憾界。
Comments 64 pages, 5 figures
面向数据中心的直接到芯片液体冷却生成设计
机构 * University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）
AI总结 本文提出一种生成设计框架，用于合成NVIDIA GB200 Grace Blackwell超芯片的冷却通道几何结构，通过物理建模与反应扩散过程结合，优化冷却性能，降低芯片温度。
Comments 5 pages, 2 figures
物理引导的代理学习实现湍流机翼的零样本控制
机构 * University of Michigan（密歇根大学） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Forschungszentrum Jülich GmbH（于利希研究中心）
AI总结 本文提出利用物理引导的代理学习方法，通过湍流通道流训练策略直接应用于NACA4412机翼，实现零样本控制，有效降低皮肤摩擦阻力和总阻力。
多模态扩散强迫用于强力操控
机构 * University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 本文提出多模态扩散强迫框架，通过随机部分遮蔽和扩散模型重建轨迹，学习机器人多模态轨迹，提升对动作与力信号的依赖性，实验证明其在模拟和现实环境中的强性能和鲁棒性。
Comments Project website: https://unified-df.github.io
关于在带有残差连接的Transformer学习中梯度下降收敛性的分析
机构 * Michigan Institute for Computational Discovery and Engineering, Department of Electrical Engineering and Computer Science, Department of Statistics, University of Michigan（密歇根大学计算发现与工程研究所、电气工程与计算机科学系、统计系） ； Department of Computer Science and Engineering, The Ohio State University（俄亥俄州立大学计算机科学与工程系）
AI总结 本文研究了带有残差连接的单层Transformer模型中梯度下降的收敛性，证明了在适当初始化下具有线性收敛速度，并探讨了残差连接对优化稳定性的影响。
随机Kaczmarz与SGD在贪心步长下的最后一轮收敛
机构 * University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学）
AI总结 研究SGD在贪心步长下对光滑二次插值问题的最后轮收敛，证明t次迭代达到O(1/t^{3/4})收敛速度，改进了Attia等人提出的O(1/t^{1/2})保证。
基于潜在基础模型的PDE空间代理探索用于参数化模拟
机构 * University of Michigan（密歇根大学） ； Universidad Politécnica de Madrid（马德里理工大学） ； Purdue University（普渡大学） ； Universitat Politècnica de València（瓦伦西亚理工大学） ； Caltech（加州理工学院） ； University of Washington（华盛顿大学）
AI总结 本文提出利用多代理LLM与潜在基础模型耦合，实现对PDE参数空间的连续探索，发现流体中不同尺度的标度律，展示了代理推理在PDE系统中的自动化科学发现能力。
基于空间密度速度势的物理引导强化学习用于无地图赛车
机构 * Autonomous Robots and Vehicles Laboratory, College of Engineering, Virginia Commonwealth University（弗吉尼亚联邦大学工程学院自主机器人与车辆实验室） ； Department of Mechanical Engineering, Virginia Tech（弗吉尼亚理工学院机械工程系） ； Robotics Department, University of Michigan（密歇根大学机器人系）
AI总结 本文提出一种物理引导的强化学习方法，通过参数化非线性车辆动力学，利用深度神经网络实现时间最优和超车赛车控制，显著提升无地图赛车性能。
三种模态、两种设计探针、一个原型和没有视觉：基于经验的多模态3D数据可视化工具共设计
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）
AI总结 本文通过基于经验的共设计方法，开发出多模态3D数据可视化工具，提升视障人士对3D数据的分析能力，提供可操作的设计指南和可扩展的无障碍3D可视化方案。
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