高校专区
RepAir：一种用于CT扫描气道分割和不连续性校正的框架
机构 * University of Michigan（密歇根大学） ； D Medical, Inc.（4D医疗公司） ； University of Massachusetts（马萨诸塞大学） ； Emory University（埃默里大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 RepAir通过结合nnU-Net网络和解剖学指导的拓扑校正，实现了更完整且解剖学一致的3D气道分割，优于现有方法。
Comments 4 pages, 3 figures, 1 table. Oral presentation accepted to SSIAI 2026 Conference on Jan 20, 2026
量子审计：评估大语言模型在量子计算上的推理极限
机构 * Fordham University（福特汉姆大学） ； University of Michigan-Dearborn（密歇根大学-迪尔本分校） ； Stevens Institute of Technology（史蒂文斯理工学院）
AI总结 Quantum-Audit通过2700个问题评估大语言模型在量子计算概念理解上的推理能力，发现顶级模型在专家问题上表现不如LLM生成问题，且在高级主题上准确率显著下降。
Comments 18 pages
FlyAOC：评估代理本体编纂的果蝇科学知识库
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） ； University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学）
AI总结 FlyAOC通过FlyBench评估AI代理在从科学文献中进行端到端本体编纂的能力，发现多代理设计性能更优，但模型规模扩大效益递减。
Nexus：仅通过迭代低秩矩阵补全推断连接图
机构 * University of Michigan（密歇根大学） ； Microsoft Gray Systems Lab（微软灰系统实验室） ； Microsoft Research（微软研究院）
AI总结 Nexus通过迭代低秩矩阵补全方法，利用元数据推断连接图，实现高效准确的连接关系识别。
用于临床试验治疗个性化的人因机器学习框架：应用于溃疡性结肠炎
机构 * University of Michigan（密歇根大学）
AI总结 本文提出一个因果机器学习框架，用于评估临床试验中治疗个性化的效果，发现内镜特征虽与治疗效应异质性相关，但未改善患者结果。
多模态数据融合用于苹果干燥中的含水率预测
机构 * Department of Mechanical Science and Engineering, University of Illinois at Urbana-Champaign, Urbana, IL 61801, USA（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） ； Department of Mechanical Engineering, University of Michigan, Ann Arbor, MI 48109, USA（密歇根大学安娜堡分校机械工程系）
AI总结 本文提出多模态数据融合框架，通过融合表格数据和图像数据提高苹果干燥含水率预测的准确性，有效降低误差并增强鲁棒性。
Comments Accepted for publication in the Proceedings of the 53rd North American Manufacturing Research Conference (NAMRC 53), to appear in Manufacturing Letters
Journal ref Manufacturing Letters Volume 44, Supplement, August 2025, Pages 1316-1325
SIGMA: 带多属性标记的选择性交错生成
机构 * Creatly AI ； University of Michigan（密歇根大学） ； Lovart AI ； National University of Singapore（新加坡国立大学）
AI总结 SIGMA通过引入多属性标记实现多条件生成，提升可控性、一致性和视觉质量，优于Bagel在组合任务中的表现。
联邦分层强化学习用于自适应交通信号控制
机构 * Department of Civil Engineering and Engineering Mechanics, Columbia University（哥伦比亚大学土木工程与工程力学系） ； Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系） ； Center for Smart Cities, Data Science Institute, Columbia University（哥伦比亚大学智能城市中心、数据科学研究所） ； Department of Electrical Engineering, Columbia University（哥伦比亚大学电气工程系）
AI总结 本文提出分层联邦强化学习方法，用于解决大规模异质交通信号控制中的协调与可扩展性问题，通过动态分组提升性能。
Kahaani：一种多模态协同创作叙事系统
机构 * Lahore University of Management Sciences（拉瓦尔大学管理科学学院） ； University of Michigan（密歇根大学） ； Strategize Labs（战略实验室）
AI总结 Kahaani通过多模态技术帮助儿童提升英语能力、学习生活教训并理解故事结构，采用协同创作方式提供沉浸式教育体验。
逆问题与扩散模型：通过模式寻求损失进行MAP估计
机构 * KTH Royal Institute of Technology, Sweden（皇家理工学院） ； University of Michigan, USA（密歇根大学） ； Science for Life Laboratory, Sweden（科学生命实验室）
AI总结 本文提出基于扩散模型的逆问题求解方法，通过变分模式寻求损失实现高效MAP估计，提升图像恢复性能与计算效率。
通过类型引导的程序合成学习保证类型正确性
机构 * Peking University（北京大学） ； University of Michigan（密歇根大学） ； Shanghai Jiao Tong University（上海交通大学） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； Tencent（腾讯）
AI总结 TyFlow 通过内部化类型推理，提升代码生成的类型正确性与功能正确性。
SWE-Dev：评估和训练自主的基于特征驱动的软件开发
机构 * Shanghai Jiao Tong University（上海交通大学） ； Beijing University of Aeronautics and Astronautics（北京航空航天大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Michigan（密歇根大学）
AI总结 SWE-Dev是一个大规模数据集，用于评估和训练自主编码系统在特征驱动软件开发中的能力，通过提供可运行环境和单元测试提升模型性能。
探测大型视觉-语言模型中的知觉恒常性
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Emory University（埃默里大学） ； University of Washington（华盛顿大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文研究了大型视觉-语言模型在颜色、大小和形状恒常性任务中的表现，发现模型在不同任务上的性能存在显著差异。
Comments Under Review
多层感知机中平滑激活函数下的低秩训练动态的涌现
机构 * University of Michigan（密歇根大学） ； EECS Department, University of Michigan, Ann Arbor, MI, USA（密歇根大学电子工程与计算机科学系）
AI总结 本文研究了多层感知机中平滑激活函数下的低秩训练动态，揭示了权重动态在低维子空间中的集中现象，并展示了低秩参数化在分类任务中的有效性。
Comments 41 pages, 15 figures
Double-P: 分层Top-P稀疏注意力机制用于长上下文LLM
机构 * ucsd（加州大学圣迭戈分校） ； umich（密歇根大学） ； qualcomm（高通AI研究） ； nvidia
AI总结 Double-P通过分层Top-P稀疏注意力机制，优化长上下文LLM的解码效率，实现更高的准确性和更快的处理速度。
后验漂移下的领域泛化
机构 * University of Michigan（密歇根大学） ； Northwestern University（西北大学） ； Boston University（波士顿大学）
AI总结 本文提出了一种在后验漂移假设下进行领域泛化的决策理论框架，并通过语言和视觉任务的实验验证了其有效性。
对大型语言模型诊断学生手写数学作业认知技能的基准测试
机构 * School of Computing, KAIST, Daejeon, Republic of Korea（韩国庆熙大学计算机学院） ； University of Michigan, Ann Arbor, USA（美国密歇根大学） ； Ewha Womans University, Seoul, Republic of Korea（韩国成均馆大学） ； AlgorithmLabs, Seoul, Republic of Korea（韩国AlgorithmLabs公司）
AI总结 本文评估了18种大型语言模型在诊断学生手写数学作业认知技能时的表现，发现模型在模糊证据下表现不佳，揭示了模型在证据处理上的系统性问题。
学习快速的单项式顺序用于格雷勃纳基计算
机构 * Georgia Institute of Technology（佐治亚理工学院） ； The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） ； San Diego State University（圣地亚哥州立大学） ； Emory University（埃默里大学） ； University of Michigan–Dearborn（密歇根大学迪尔伯恩分校）
AI总结 本文提出利用深度强化学习学习快速单项式顺序以提高格雷勃纳基计算效率，通过领域指导的奖励信号和高效估计方法，在系统生物学和计算机视觉任务中实现计算成本的显著降低。
通过低维建模理解扩散模型的表示动态
机构 * University of Michigan（密歇根大学） ； Ohio State University（俄亥俄州立大学）
AI总结 通过低维建模研究扩散模型中单峰表示动态的形成机制及其在分类任务中的泛化能力
Comments First two authors contributed equally. Accepted at NeurIPS 2025
在完全老虎机反馈下学习马尔可夫决策过程
机构 * Department of Industrial and Operations Engineering, University of Michigan（工业与运作工程系，密歇根大学） ； Computer Science Department, New York University（计算机科学系，纽约大学）
AI总结 本文提出了在完全老虎机反馈下学习回合制MDP的高效算法，实现了O(√T)的后悔界，并展示了其在k-项预言不等式中的性能与有详细反馈的算法相当。
大语言模型的战略前瞻性：来自一个前瞻性创业竞赛的证据
机构 * Ross School of Business University of Michigan（密歇根大学罗斯商学院） ； NYU Stern School of Business New York University（纽约大学 Stern 商学院） ； Kelley School of Business Indiana University（印第安纳大学凯利商学院）
AI总结 大语言模型在战略前瞻性任务中超越人类，通过前瞻性创业竞赛验证其预测能力。
Comments 60 pages, 11 figures, 4 tables
Omni-Judge: 能否将 Omni-LLMs 用作文本条件音频视频生成的人类对齐裁判？
机构 * University of Rochester（罗切斯特大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 Omni-Judge 评估 Omni-LLMs 是否能作为文本条件音频视频生成的人类对齐裁判，展现其在多模态评估中的潜力与局限。
量化-小TinyLLaVA：一种新的多模态基础模型实现了高效的分裂学习
机构 * Department of Statistics University of Michigan（统计学系密歇根大学） ； Department of Computational Medicine & Bioinformatics University of Michigan（计算医学与生物信息学系密歇根大学） ； Department of Biostatistics University of Michigan（生物统计学系密歇根大学） ； Department of Computer Science University of California, Los Angeles（计算机科学系加州大学洛杉矶分校）
AI总结 Quantized-TinyLLaVA通过量化压缩和高效分裂学习框架，在减少通信开销的同时保持模型性能，提升隐私保护能力。
SNIP：一种用于子字节大语言模型训练的自适应混合精度框架
机构 * University of Michigan（密歇根大学） ； NTT Research, Inc.（NTT研究公司） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 SNIP通过自适应混合精度框架，有效提升大语言模型训练效率，减少FLOPs达80%并保持模型质量。
Comments Accepted to ASPLOS 2026
在缺失模态下通过共享表征学习实现鲁棒的有害迷因检测
机构 * Johannes Kepler University（约翰内斯·开普勒大学） ； Aalto University（阿alto大学） ； University of Michigan-Flint（密歇根大学弗林特分校） ； Macquarie University（麦考瑞大学） ； Institute of Computational Perception, Johannes Kepler University Linz（计算感知研究所，约翰内斯·开普勒大学林茨） ； Linz Institute of Technology（林茨技术研究所）
AI总结 本文提出了一种在缺失模态下通过共享表征学习提升有害迷因检测鲁棒性的方法，实验表明其在文本缺失时性能优于现有方法。
Comments Accepted at WWW2026
SADER：一种结构感知扩散框架，用于多时相遥感云去除
机构 * College of Literature, Science, and the Arts, University of Michigan（文学、科学与艺术学院，密歇根大学） ； School of Computer Science and Technology, Tongji University（计算机科学与技术学院，同济大学）
AI总结 SADER通过结构感知扩散框架，结合时间融合和混合注意力机制，有效解决多时相遥感云去除问题，提升云去除效果和效率。
通过李代数在线MPC实现自主水面车辆的鲁棒轨迹跟踪
机构 * University of Michigan（密歇根大学） ； University of California, Berkley（加州大学伯克利分校）
AI总结 本文提出一种结合李群和在线学习的MPC控制器，用于提升自主水面车辆在未知扰动下的轨迹跟踪鲁棒性和精度。
利用广义动作控制器实现安全控制与学习
机构 * organization= School of Automotive Studies, Tongji University , city= Shanghai , postcode= 201804 , country= China ； organization= Department of Aerospace Engineering, University of Michigan , city= Ann Arbor , postcode= 48109 , state= MI , country= USA ； organization= Department of Aerospace Engineering, Embry-Riddle Aeronautical University , city= Daytona Beach , postcode= 32114 , state= FL , country= USA ； organization= Department of Electrical Engineering, University of Texas at Arlington , city= Arlington , postcode= 76019 , state= TX , country= USA ； organization= Hagler Institute for Advanced Study, Texas A\&M University , city= College Station , postcode= 77840 , state= TX , country= USA
AI总结 本文提出广义动作控制器，用于在控制与学习过程中保障系统安全性和约束满足。
Comments 12 pages, 4 figures
生成与非参数方法在条件分布估计中的应用：方法、视角与比较评估
机构 * Institute of Statistical Science, Academia Sinica（学术院统计科学研究所） ； Department of Mathematics, National Taiwan University（台湾大学数学系） ； Data Science Degree Program, National Taiwan University and Academia Sinica（台湾大学数据科学学士学位计划） ； Department of Statistics, University of Michigan（密歇根大学统计学系）
AI总结 本文比较了生成与非参数方法在条件分布估计中的应用，评估了不同方法的性能和适用性。
Comments 22 pages, 2 figures, 2 tables
SHED：用于密集预测的分割光照
机构 * University of Michigan（密歇根大学）
AI总结 SHED通过整合分割到密集预测中，提出了一种新的编码器-解码器架构，以提升深度边界锐度、分割连贯性和3D重建质量。
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