University of Michigan（密歇根大学安娜堡分校）

Physics-informed data-driven machine health monitoring for two-photon lithography

基于物理信息的数据驱动机健康监测用于双光子光刻

Sixian Jia, Zhiqiao Dong, Chenhui Shao

机构 * Department of Mechanical Engineering, University of Michigan, Ann Arbor, MI 48109, United States（密歇根大学安娜堡分校机械工程系） ； Department of Mechanical Science and Engineering, University of Illinois at Urbana-Champaign, Urbana, IL 61801, United States（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） 纠错

AI总结 本文提出三种方法，结合物理信息数据驱动预测模型与统计方法，实现双光子光刻机健康状态的准确及时监测，通过实验验证其高准确度、鲁棒性和泛化能力。

Journal ref Journal of Manufacturing Processes 166 (2026) 319 - 329

AutoPCR: Automated Phenotype Concept Recognition by Prompting

AutoPCR: 通过提示实现自动表型概念识别

Yicheng Tao, Yuanhao Huang, Yiqun Wang, Xin Luo, Jie Liu

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文提出AutoPCR，一种基于提示的表型概念识别方法，无需领域特定训练即可自动泛化至新本体和未见数据，实验显示其在多个数据集上表现最佳。

Comments Accepted at ISMB 2026 (Proceedings)

FLEX: A Largescale Multimodal, Multiview Dataset for Learning Structured Representations for Fitness Action Quality Assessment

FLEX：一个大规模多模态、多视角数据集，用于学习结构化表示以评估健身动作质量

Hao Yin, Lijun Gu, Paritosh Parmar, Lin Xu, Tianxiao Guo, Xiujin Liu, Weiwei Fu, Yang Zhang, Tianyou Zheng

机构 * School of Biomedical Engineering (Suzhou), USTC（中国科学技术大学苏州生物医学工程学院） ； Suzhou Institute of Biomedical Engineering and Technology, CAS（中国科学院苏州生物医学工程技术研究所） ； Institute of High-Performance Computing, A*STAR, Singapore（新加坡科技研究局高性能计算研究所） ； School of Psychology, Beijing Sports University（北京体育大学心理学院） ； School of Competitive Sports, Beijing Sports University（北京体育大学竞技体育学院） ； Department of Robotics, University of Michigan（密歇根大学机器人系） 纠错

AI总结 FLEX数据集通过多模态融合和结构化知识图谱提升健身动作质量评估的准确性与解释性，支持跨模态预测和生物力学导向的表示学习。

Comments Dataset and code are available at https://github.com/HaoYin116/FLEX . Link to Project page https://haoyin116.github.io/FLEX_Dataset

PUNCH: Physics-informed Uncertainty-aware Network for Coronary Hemodynamics

PUNCH：一种融合物理信息的不确定性感知网络用于冠状动脉血流动力学

Sukirt Thakur, Marcus Roper, Yang Zhou, Dmitry Yu. Isaev, Reza Akbarian Bafghi, Brahmajee K. Nallamothu, C. Alberto Figueroa, Srinivas Paruchuri, Scott Burger, Carlos Collet, Maziar Raissi

机构 * AngioInsight Inc.（AngioInsight公司） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； University of Michigan（密歇根大学） ； Cardiovascular Research Foundation（心血管研究基金会） ； University of California, Riverside（加州大学河滨分校） 纠错

AI总结 PUNCH利用物理信息神经网络和变分推断，从标准冠状动脉造影直接估计血流储备，无需侵入性工具或群体训练，提供准确的冠状动脉微血管功能障碍诊断。

DR-LoRA: Dynamic Rank LoRA for Fine-Tuning Mixture-of-Experts Models

DR-LoRA：动态秩LoRA用于混合专家模型的微调

Guanzhi Deng, Bo Li, Ronghao Chen, Xiujin Liu, Zhuo Han, Huacan Wang, Lijie Wen, Linqi Song

机构 * City University of Hong Kong（香港城市大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； University of Michigan（密歇根大学） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 DR-LoRA通过动态分配不同秩的LoRA模块，提升混合专家模型微调效果，实验表明其优于传统方法。

Advanced Assistance for Traffic Crash Analysis: An AI-Driven Multi-Agent Approach to Pre-Crash Reconstruction

交通碰撞分析的高级辅助：一种基于AI的多智能体方法用于碰撞前重建

Gerui Xu, Boyou Chen, Huizhong Guo, Dave LeBlanc, Arpan Kusari, Efe Yarbasi, Ananna Ahmed, Zhaonan Sun, Shan Bao

机构 * Industrial and Manufacturing Systems Engineering Department, University of Michigan-Dearborn（密歇根大学迪尔伯恩分校工业与制造系统工程系） ； University of Michigan Transportation Research Institute（密歇根大学交通研究所） ； Toyota Motor Engineering & Manufacturing North America, Inc.（丰田汽车工程与制造北美公司） 纠错

AI总结 本文提出了一种基于AI的多智能体框架，通过多模态输入生成碰撞前场景重建，并结合事件数据记录器信号识别碰撞车辆，验证了该框架在碰撞前行为推断中的高准确率。

Comments 36 pages, 14 figures

Journal ref SAE International Journal of Transportation Safety, 14(1), 2026

TRACE: Training-Free Partial Audio Deepfake Detection via Embedding Trajectory Analysis of Speech Foundation Models

TRACE: 通过语音基础模型嵌入轨迹分析实现无训练部分音频深度伪造检测

Awais Khan, Muhammad Umar Farooq, Kutub Uddin, Khalid Malik

机构 * College of Innovation and Technology, University of Michigan-Flint（密歇根大学弗林特分校创新与技术学院） 纠错

AI总结 本文提出TRACE框架，通过分析语音基础模型的嵌入轨迹动态，实现无训练的深度伪造检测，实验显示其在多个基准测试中表现优异，尤其在挑战性任务中超越传统监督方法。

Sona: Real-Time Multi-Target Sound Attenuation for Noise Sensitivity

Sona：实时多目标声音衰减用于噪声敏感性

Jeremy Zhengqi Huang, Emani Hicks, Sidharth, Gillian R. Hayes, Dhruv Jain

机构 * University of Michigan（密歇根大学） ； University of California, Irvine（加州大学尔湾分校） 纠错

AI总结 Sona是一种实时声音环境调解系统，通过选择性衰减令人不适的声音并保留所需音频，解决单一目标限制，实现低延迟多目标衰减，提升噪声敏感用户的舒适度和社会参与感。

Comments 12 pages, 6 figures

MathGen: Revealing the Illusion of Mathematical Competence through Text-to-Image Generation

MathGen：通过文本到图像生成揭示数学能力的幻觉

Ruiyao Liu, Hui Shen, Ping Zhang, Yunta Hsieh, Yifan Zhang, Jing Xu, Sicheng Chen, Junchen Li, Jiawei Lu, Jianing Ma, Jiaqi Mo, Qi Han, Zhen Zhang, Zhongwei Wan, Jing Xiong, Xin Wang, Ziyuan Liu, Hangrui Cao, Ngai Wong

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Michigan（密歇根大学） ； The Ohio State University（俄亥俄州立大学） ； USTC（中国科学技术大学） ； City University of Hong Kong（香港城市大学） ； University of Wisconsin（威斯康星大学） ； UCSB（加州大学圣塔芭芭拉分校） ； University of Hong Kong（香港大学） ； Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 MathGen通过900道跨七个核心领域的数学问题，评估生成模型在视觉化数学解答中的准确性，发现现有模型在数学 fidelity 上存在显著瓶颈。

Seeing the Evidence, Missing the Answer: Tool-Guided Vision-Language Models on Visual Illusions

看到证据，却错失答案：基于工具引导的视觉语言模型在视觉错觉中的应用

Xuesong Wang, Harry Wang

机构 * Wayne State University（韦恩州立大学） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出一种工具引导的推理框架，通过通用图像处理工具和提示系统，解决视觉语言模型在处理视觉错觉时的系统性偏差问题，并展示其在不同结构错觉变体上的跨结构泛化能力。

Comments CVPR 2026 DataCV Workshop, code: https://github.com/Davidxswang/cvpr_2026_datacv_submission

Dual-Imbalance Continual Learning for Real-World Food Recognition

双不平衡持续学习用于现实世界的食物识别

Xiaoyan Zhang, Jiangpeng He

机构 * University of Michigan（密歇根大学） ； Indiana University Bloomington（印第安纳大学布卢明顿分校） 纠错

AI总结 本文提出DIME框架，解决持续学习中食物类别样本不平衡与新增类别数量不平衡问题，通过轻量适配器和谱合并策略提升效率，实验显示性能提升超3%。

Comments Accepted to 3rd MetaFood at CVPR 2026. Code is available at https://github.com/xiaoyanzhang1/DIME

Stable Walking for Bipedal Locomotion under Foot-Slip via Virtual Nonholonomic Constraints

通过虚拟非holonomic约束实现具有足滑的双足运动稳定性

Leonardo Colombo, Álvaro Rodríguez Abella, Alexandre Anahory Simoes, Anthony Bloch

机构 * Centre for Automation and Robotics (CSIC-UPM)（自动化与机器人中心（CSIC-UPM）） ； Comillas Pontifical University（科米利亚斯主教大学） ； IE University（IE大学） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出一种控制框架，通过虚拟非holonomic约束将足滑纳入运动模型，以实现双足运动在足滑条件下的稳定性，采用混合动力系统和非线性反馈律生成滑动兼容的混合零动力流形。

GaloisSAT: Differentiable Boolean Satisfiability Solving via Finite Field Algebra

GaloisSAT: 通过有限域代数实现可微布尔可满足性求解

Curie Kim, Carsten Portner, Mingju Liu, Steve Dai, Haoxing Ren, Brucek Khailany, Alvaro Velasquez, Ismail Alkhouri, Cunxi Yu

机构 * University of Maryland（马里兰大学） ； NVIDIA Research（英伟达研究院） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出GaloisSAT，一种结合GPU和CPU的新型SAT求解器，利用可微SAT求解引擎和传统CDCL方法，显著提升SAT竞赛指标PAR-2性能。

Stein-based Optimization of Sampling Distributions in Model Predictive Path Integral Control

基于Stein方法的路径积分控制采样分布优化

Jace Aldrich, Odest Chadwicke Jenkins

机构 * Laboratory for Perceptive RObotics and Grounded REasoning SystemS（感知机器人与基础推理系统实验室） ； Robotics Department（机器人学系） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） 纠错

AI总结 本文提出SOPPI算法，通过在MPPI环境中引入SVGD更新，动态优化动作采样分布，提升轨迹预测性能，实验表明其在不同参数下优于现有MPPI方法。

Comments 8 pages, 6 figures

Diversity Matters: Dataset Diversification and Dual-Branch Network for Generalized AI-Generated Image Detection

多样性至关重要：数据多样化与双分支网络用于通用的AI生成图像检测

Nusrat Tasnim, Kutub Uddin, Khalid Malik

机构 * Korea Aerospace University（韩国航空大学） ； University of Michigan-Flint（密歇根大学弗林特分校） 纠错

AI总结 本文提出Diversity Matters框架，通过数据多样性与特征域互补性提升AI生成图像检测的鲁棒性和泛化能力，采用双分支网络结合CLIP特征提升检测性能。

Thinking with Camera: A Unified Multimodal Model for Camera-Centric Understanding and Generation

通过摄像头思考：一个统一的多模态模型用于以摄像头为中心的理解与生成

Kang Liao, Size Wu, Zhonghua Wu, Linyi Jin, Chao Wang, Yikai Wang, Fei Wang, Wei Li, Chen Change Loy

机构 * S-Lab, Nanyang Technological University（南洋理工大学S-Lab） ； SenseTime Research（商汤科技研究院） ； University of Michigan（密歇根大学） ； Max-Planck Institute for Informatics（马克斯·普朗克信息学研究所） 纠错

AI总结 本文提出Puffin模型，通过将摄像头视为语言，实现以摄像头为中心的多模态理解与生成，结合语言回归和扩散生成，提升空间感知能力，实验表明其在跨视角任务中表现优异。

Comments Accepted by ICLR2026. Project Page: https://kangliao929.github.io/projects/puffin/

AnthroTAP: Learning Point Tracking with Real-World Motion

AnthroTAP: 通过真实世界运动学习点跟踪

Inès Hyeonsu Kim, Seokju Cho, Jahyeok Koo, Junghyun Park, Jiahui Huang, Honglak Lee, Joon-Young Lee, Seungryong Kim

机构 * KAIST AI（韩国科学技术院人工智能） ； Adobe Research（Adobe研究院） ； University of Michigan（密歇根大学） ； LG AI Research（LG人工智能研究院） 纠错

AI总结 AnthroTAP通过生成大规模伪标注点跟踪数据提升真实世界视频的点跟踪性能，利用人类运动的结构复杂性，结合SMPL模型和光流一致性过滤，实现优于现有方法的性能。

Comments CVPR 2026. Project Page: https://cvlab-kaist.github.io/AnthroTAP/

LiDAR for Crowd Management: Applications, Benefits, and Future Directions

激光雷达用于人群管理：应用、优势与未来方向

Abdullah Khanfor, Chaima Zaghouani, Hakim Ghazzai, Ahmad Alsharoa, Gianluca Setti

机构 * College of Computer Science and Information Systems, Najran University（纳吉兰大学计算机科学与信息系统学院） ； College of Innovation & Technology, University of Michigan-Flint（密歇根大学弗林特分校创新与技术学院） ； King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学） 纠错

AI总结 本文探讨了激光雷达在人群管理中的应用与优势，分析了其在隐私保护、恶劣天气适应性和三维建模方面的优势，并提出未来研究方向，包括数据集稀缺性、传感器融合与点云处理等。

Comments 8 pages, 5 figures, 1 table

Follow Your Heart: Landmark-Guided Transducer Pose Scoring for Point-of-Care Echocardiography

跟随你的内心：面向点即护理超声的标志引导换能器姿态评分

Zaiyang Guo, Jessie N. Dong, Filippos Bellos, Jilei Hao, Emily J. MacKay, Trevor Chan, Shir Goldfinger, Sethu Reddy, Steven Vance, Jason J. Corso, Alison M. Pouch

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Michigan（密歇根大学） ； Central Michigan University（中密歇根大学） 纠错

AI总结 本文提出一种多任务网络，通过换能器姿态评分模块和不确定性强的左室标志检测器，自动估计左室射血分数，无需复杂设备即可指导A4CH视图获取。

Comments Accepted for oral presentation at the International Symposium on Biomedical Imaging 2026

Persona-Based Simulation of Human Opinion at Population Scale

基于人设的大众意见模拟

Mao Li, Frederick G. Conrad

机构 * University of Michigan（密歇根大学） ； Institute for Social Research（社会研究所） 纠错

AI总结 本文提出SPIRIT框架，通过分析社交媒体数据构建人设，实现个体化模拟，提升对人口层面意见和干预效果的预测能力。

POLY-SIM: Polyglot Speaker Identification with Missing Modality Grand Challenge 2026 Evaluation Plan

POLY-SIM：基于缺失模态的多模态说话人识别挑战2026评估计划

Marta Moscati, Muhammad Saad Saeed, Marina Zanoni, Mubashir Noman, Rohan Kumar Das, Monorama Swain, Yufang Hou, Elisabeth Andre, Khalid Mahmood Malik, Markus Schedl, Shah Nawaz

机构 * Institute of Computational Perception, Johannes Kepler University Linz, Austria（林茨约翰·开普勒大学计算感知研究所） ； University of Michigan-Flint, USA（密歇根大学弗林特分校） ； Sapienza University of Rome, Italy（罗马大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Fortemedia Singapore, Singapore（新加坡Fortemedia公司） ； IT:U Interdisciplinary Transformation University Austria（奥地利跨学科转型大学） ； University of Augsburg, Germany（奥格斯堡大学） ； Human-centered AI Group, AI Lab, Linz Institute of Technology, Austria（奥地利林茨理工学院人工智能实验室人本人工智能组） 纠错

AI总结 本文针对多模态说话人识别中缺失模态和跨语言条件下的鲁棒性问题，提出POLY-SIM 2026挑战，设计标准化基准和评估框架以推动更实用的系统发展。

Comments Grand challenge at ACM MM 2026

Problems with Chinchilla Approach 2: Systematic Biases in IsoFLOP Parabola Fits

Chinchilla方法2的问题2：等效FLOP拟合中的系统性偏差

Eric Czech, Zhiwei Xu, Yael Elmatad, Yixin Wang, William Held

机构 * Open Athena AI Foundation（开放雅典娜AI基金会） ； Department of Statistics, University of Michigan, Ann Arbor（密歇根大学安娜堡分校统计系） 纠错

AI总结 本文研究了Chinchilla方法2在拟合神经网络扩展定律时的系统性偏差，指出其在无噪声合成数据中仍存在偏差，影响参数分配，并提出通过变量投影方法改进。

Learning to Choose or Choosing to Learn: Best-of-N vs. Supervised Fine-Tuning for Bit String Generation

学习如何选择还是选择学习：Best-of-N与监督微调在位串生成中的比较

Seamus Somerstep, Vinod Raman, Unique Subedi, Yuekai Sun

机构 * University of Michigan（密歇根大学） ； Apple（苹果公司） 纠错

AI总结 本文通过位串生成问题比较监督微调与Best-of-N两种方法，发现监督微调在收敛速度上更优，而在不可实现情况下Best-of-N表现更佳。

Comments AISTATS 2026 Camera Ready

When to Think and When to Look: Uncertainty-Guided Lookback

何时思考，何时回顾：不确定性引导的回顾

Jing Bi, Filippos Bellos, Junjia Guo, Yayuan Li, Chao Huang, Yolo Y. Tang, Luchuan Song, Susan Liang, Zhongfei Mark Zhang, Jason J. Corso, Chenliang Xu

机构 * University of Rochester（罗切斯特大学） ； University of Michigan（密歇根大学） ； Binghamton University（宾汉姆顿大学） 纠错

AI总结 本文探讨了在大视觉语言模型中思考与回顾的平衡，提出不确定性引导的回顾策略，通过大规模对比实验提升MMMU性能，并在多个基准上取得新突破。

Comments Accepted to CVPR 2026

Incorporating contextual information into KGWAS for interpretable GWAS discovery

将上下文信息纳入KGWAS以实现可解释的GWAS发现

Cheng Jiang, Brady Ryan, Megan Crow, Kipper Fletez-Brant, Kashish Doshi, Sandra Melo Carlos, Kexin Huang, Burkhard Hoeckendorf, Heming Yao, David Richmond

机构 * University of Michigan（密歇根大学） ； gRED, Genentech（基因泰克研究与早期开发部） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出通过整合基因-基因关系提升KGWAS的解释性，利用稀疏上下文特定KG提高疾病关键网络的一致性和生物学鲁棒性。

HELIOS: Hierarchical Exploration for Language-Grounded Interaction in Open Scenes

HELIOS：面向开放场景的语言引导交互的分层探索

Katrina Ashton, Chahyon Ku, Shrey Shah, Saumit Vedula, Tingrui Zhang, Wen Jiang, Kostas Daniilidis, Bernadette Bucher

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Michigan（密歇根大学） 纠错

AI总结 HELIOS通过分层场景表示和搜索目标，解决开放环境中语言指令与部分观测场景的语义关联及动态更新问题，实现高仿真实验和现实场景中的语言引导抓取放置任务。

Drive My Way: Preference Alignment of Vision-Language-Action Model for Personalized Driving

Drive My Way: 为个性化驾驶的视觉-语言-动作模型偏好对齐

Zehao Wang, Huaide Jiang, Shuaiwu Dong, Yuping Wang, Hang Qiu, Jiachen Li

机构 * University of California, Riverside（加州大学河滨分校） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出Drive My Way框架，通过学习用户驾驶习惯和自然语言指令，实现个性化驾驶，提升对用户意图的适应能力。

Comments IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2026); Project website: https://dmw-cvpr.github.io/

Is Mathematical Problem-Solving Expertise in Large Language Models Associated with Assessment Performance?

大语言模型中的数学问题解决能力是否与评估表现相关？

Liang Zhang, Yu Fu, Xinyi Jin

机构 * University of Michigan（密歇根大学） ； The High School Affiliated to Minzu University of China（中央民族大学附属中学） 纠错

AI总结 研究探讨了大语言模型在数学问题解决能力与评估表现之间的关系，发现模型在解决正确问题时评估准确率更高，但步级诊断仍需额外能力支持。

4OPS: Structural Difficulty Modeling in Integer Arithmetic Puzzles

4OPS: 整数运算谜题中的结构难度建模

Yunus E. Zeytuncu

机构 * University of Michigan-Dearborn（密歇根大学迪尔伯恩分校） 纠错

AI总结 本文研究整数运算谜题的难度结构决定因素，提出基于动态规划的精确求解器，构建340万实例数据集，证明难度由可解释的结构属性决定，为自适应学习提供理论支持。

Comments Accepted at AIED 2026

Mistake Attribution: Fine-Grained Mistake Understanding in Egocentric Videos

错误归因：第一性错误理解在第一人称视频中

Yayuan Li, Aadit Jain, Filippos Bellos, Jason J. Corso

机构 * University of Michigan（密歇根大学） ； Voxel51 纠错

AI总结 本文提出MATT任务，通过细粒度分析第一人称视频中的人类错误，开发MisEngine数据引擎生成带有归因注释的错误样本，并提出MisFormer模型在语义、时间和空间维度上实现统一的错误归因，实验表明其在视频语言理解等任务上优于现有方法。

Comments 12 pages, 5 figures, 7 tables. Accepted to CVPR 2026