高校专区
ReloPush-BOSS: 基于优化的非单调重排规划用于车式机器人推手
机构 * Department of Robotics, University of Michigan（机器人系，密歇根大学）
AI总结 ReloPush-BOSS通过优化预重排和深度优先搜索，实现高效非单调重排规划，适用于密集障碍环境中的车式机器人推手任务。
Comments Preprint of final version, accepted to RA-L 2026
焦耳去哪儿了？诊断推理能耗
机构 * University of Michigan \& The ML.ENERGY Initiative
AI总结 研究通过大规模测量发现生成式AI中不同任务和硬件配置对能耗的影响差异，并提出框架解释能耗与利用率等隐含指标的关系，为优化数据中心能耗提供依据。
Comments The ML ENERGY Leaderboard v3.0 is open at https://ml.energy/leaderboard
扩散模型中的反向噪声
机构 * Department of Computer Science, Rutgers University（罗格斯大学计算机科学系） ； Department of Statistical Science, Duke University（杜克大学统计科学系） ； Department of EECS, University of Michigan（密歇根大学电子工程与计算机科学系） ； Department of Statistics, Rutgers University（罗格斯大学统计系）
AI总结 扩散模型中反向噪声产生强负相关，提升不确定性量化可靠性，适用于图像编辑和生成多样性改进。
Comments Code: https://github.com/jjia131/Antithetic-Noise-in-Diffusion-Models-page, Project Page: https://jjia131.github.io/Antithetic-Noise-in-Diffusion-Models-page/, Blog: https://jjia131.github.io/Antithetic-Noise-in-Diffusion-Models-page/static/blog/blog.html
基于熵的无维度收敛和损失自适应调度方法用于扩散模型
机构 * Department of Mathematics, University of Michigan（数学系，密歇根大学）
AI总结 本文提出基于熵的无维度收敛方法和损失自适应调度，通过信息论方法提升扩散模型的采样效率和质量。
你感受的并非他们所见：关于从第三方观察者标签预测自我报告情绪的研究
机构 * University of Michigan, Ann Arbor, Michigan, USA（密歇根大学）
AI总结 研究探讨了从第三方观察者标签预测自我报告情绪的可行性，发现个人重要性显著提升模型的情感预测性能。
Comments ICASSP 2026-2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
基于稀疏线性逆问题的特征提升求解器
机构 * University of Southern California, Institute for Creative Technologies（南加州大学，创意技术研究所） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 Splat Feature Solver通过统一的稀疏线性逆问题框架，高效解决3D场景中特征提升问题，实现高质量提升特征生成，优于现有基线方法。
Comments ICLR 2026 Accepted
Cheap2Rich: 一种多保真框架用于多尺度物理系统的数据同化与系统辨识——旋转爆震发动机
机构 * Department of Electrical ； Computer Engineering, University of Washington, Seattle, USA ； Department of Applied Mathematics, University of Washington, Seattle, USA ； University of Michigan, Advanced Propulsion Concepts Lab, Ann Arbor, USA ； Department of Mathematics, Swiss Federal Institute of Technology Zurich, Zurich, Switzerland
AI总结 Cheap2Rich提出一种多保真框架，通过结合快速低保真先验与学习的误差修正，实现多尺度物理系统中高保真状态空间的重建，用于旋转爆震发动机的数据同化与系统辨识。
可解释的深度学习揭示湍流动能方程背后的物理机制
机构 * Department of Aerospace Engineering, University of Michigan, Ann Arbor, MI 48109, USA（航空航天工程系，密歇根大学，安阿伯，MI 48109, USA）
AI总结 本研究利用可解释深度学习揭示湍流动能方程背后的物理机制，发现近壁湍流的主导机制为耗散，而外层则呈现层次结构崩溃。
Comments 6 pages, 5 figures, 1 appendix
分子基础模型的标记化
机构 * Department of Mechanical Engineering, University of Michigan, Ann Arbor, Michigan 48109, United States（机械工程系，密歇根大学，安娜堡，密歇根州48109，美国）
AI总结 本文提出Smirk和Smirk-GPE两种新的分子标记器，以全面覆盖OpenSMILES规范，提升分子属性预测的准确性。
Comments 26 pages, 4 figures
在大语言模型生成响应中插入广告
机构 * University of Michigan（密歇根大学） ； Peking University（北京大学） ； The University of Hong Kong（香港大学）
AI总结 本文提出了解耦广告插入与响应生成、以及竞价与用户查询的框架，通过基于类型拍卖机制实现近最优的社会福利，同时提高计算效率和上下文一致性。
Comments 31 pages, 8 figures
等变RO：一种基于等变网络的4D毫米波雷达里程计
机构 * School of Vehicle and Mobility, Tsinghua University（车辆与移动系统学院，清华大学） ； Computational Autonomy and Robotic Laboratory, University of Michigan（计算自主与机器人实验室，密歇根大学） ； State Key Laboratory of Intelligent Green Vehicle and Mobility, Tsinghua University（智能绿色车辆与移动系统国家重点实验室，清华大学）
AI总结 本文提出Equi-RO，一种基于等变网络的4D毫米波雷达里程计方法，通过图结构增强稀疏雷达数据特征聚合，实现更准确的平移和旋转估计。
Have ASkotch: 一种大规模核岭回归的高效解决方案
机构 * Stanford University（斯坦福大学） ； Granica ； University of Michigan, Ann Arbor（密歇根大学安阿伯分校）
AI总结 ASkotch是一种高效的完整核岭回归求解器，通过线性收敛性提升大规模KRR的求解效率，优于现有方法。
Comments 63 pages (including appendices), 17 figures, 6 tables
好的写作可以生成吗？通过在高质量书籍上微调，专家级AI写作得以出现
机构 * Stony Brook University（石溪大学） ； University of Michigan（密歇根大学）
AI总结 通过在高质量书籍上微调，AI在模仿知名作者方面超越人类专家，引发对创作本质和未来劳动的深层思考。
Comments Proceedings of CHI 2026 Conference (To Appear)
可微架构搜索用于对抗鲁棒的量子计算机视觉
机构 * Fordham University（福特汉姆大学） ； Zhejiang University（浙江大学） ； University of Michigan-Dearborn（密歇根大学-德雷本分校） ； Stevens Institute of Technology（史蒂文斯理工学院）
AI总结 本文提出了一种混合的量子-经典可微架构搜索框架，通过引入经典噪声层优化量子电路结构和鲁棒性，提升量子神经网络在对抗扰动和硬件噪声下的性能。
Comments Published in Quantum Machine Intelligence
Saliency-Bench: 一个全面的评估视觉解释的基准测试
机构 * Emory University（埃默里大学） ； Stanford University（斯坦福大学） ； University of Michigan（密歇根大学）
AI总结 Saliency-Bench是一个全面的视觉解释评估基准测试，通过多个数据集和标准流程评估显著性方法的解释质量。
Strip-Fusion：多光谱行人检测的时空融合
机构 * Department of Mechanical Engineering, University of Michigan（机械工程系，密歇根大学） ； Electrical Engineering and Computer Science Department, University of Michigan（电气工程与计算机科学系，密歇根大学） ； Robotics Department, University of Michigan（机器人学系，密歇根大学）
AI总结 Strip-Fusion通过时空融合网络提升多光谱行人检测性能，解决对齐误差和光照变化问题。
Comments This work has been accepted for publication in IEEE Robotics and Automation Letters (RA-L). Code available at: https://github.com/akanuasiegbu/stripfusion
为机器学习工程代理学习创意
机构 * AWS AI Labs（AWS人工智能实验室） ； University of Michigan（密歇根大学）
AI总结 本文提出MLE-Ideator双代理框架，通过强化学习训练生成更有效的创意，显著提升机器学习工程代理的性能。
Comments EACL 2026 main conference
在人工智能时代重建统计学：关于文化、基础设施和培训的圆桌讨论
机构 * Department of Statistics, Stanford University（斯坦福大学统计学系） ； Department of Biostatistics, University of Michigan, Ann Arbor（密歇根大学安娜堡分校生物统计学系） ； Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院） ； Department of Statistics, Harvard University（哈佛大学统计学系） ； Broad Institute（Broad研究所） ； Yale School of Public Health（耶鲁大学公共卫生学院） ； Department of Statistics and Data Science, Yale University（耶鲁大学统计学与数据科学系） ； Department of Statistics, Iowa State University（爱荷华州立大学统计学系） ； Department of Statistics and Data Science, Carnegie Mellon University（卡内基梅隆大学统计学与数据科学系） ； Baskin School of Engineering, University of California, Santa Cruz（加州大学圣克鲁兹分校Baskin工程学院） ； Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学） ； School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院） ； Department of Statistics, Columbia University（哥伦比亚大学统计学系） ； Department of Biostatistics, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校生物统计学系）
AI总结 本文记录了2024年JSM圆桌讨论，探讨统计学在人工智能时代的发展，聚焦文化、基础设施和培训等关键问题。
Comments 35 pages, 3 figures,
MoE3D: 一种用于3D重建的专家混合模块
机构 * University of Michigan（密歇根大学）
AI总结 MoE3D通过专家混合模块提升3D重建精度，有效减少边界伪影并提高整体重建效果，具有高效计算和良好泛化能力。
SimWorld-Robotics: 为多模态机器人导航与协作合成逼真动态城市环境
机构 * University of Virginia（弗吉尼亚大学） ； UC San Diego（加州大学圣地亚哥分校） ； Johns Hopkins University（约翰霍普金斯大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学）
AI总结 SimWorld-Robotics通过合成逼真动态城市环境，提出两个多模态机器人基准测试，评估机器人在复杂场景中的导航、协作与通信能力。
Comments Conference: NeurIPS 2025 (main)
何时以及如何无标签数据能保证性地提升上下文学习
机构 * University of Michigan（密歇根大学） ； University of California, Riverside（加州大学河滨分校） ； Bilkent University（比尔肯特大学） ； NJIT（新 jersey 理工学院）
AI总结 本文研究了无标签数据如何通过多层或循环变压器模型提升上下文学习效果，揭示了深度对多项式估计器的影响，并验证了半监督学习中循环机制的有效性。
SimWorld：一种用于物理和社会世界中自主代理的开放式真实模拟器
机构 * UCSD（加州大学圣地亚哥分校） ； UVA（弗吉尼亚大学） ； UIUC（伊利诺伊大学香槟分校） ； JHU（约翰·霍普金斯大学） ； Purdue（Purdue 大学） ； PolyU ； USC（美国南加州大学） ； UMich（密歇根大学）
AI总结 SimWorld是一个基于Unreal Engine 5构建的开放式真实模拟器，旨在开发和评估LLM/VLM代理在复杂物理和社会环境中的能力，通过多代理配送任务验证其推理模式与局限性。
操纵法官：不忠的推理链可能损害智能体评估
机构 * University of Michigan（密歇根大学） ； LG AI Research（LG人工智能研究） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文揭示了LLM法官对智能体推理轨迹操纵的脆弱性，表明基于内容的操纵能显著提高假阳性率，凸显了需验证推理与证据的评估机制的重要性。
为社会公益服务的NLP：挑战、机遇与负责任部署的综述与展望
机构 * University of Copenhagen（哥本哈根大学） ； University of Michigan-Ann Arbor（密歇根大学安娜堡分校） ； ETH Zurich（苏黎世联邦理工学院） ； University of North Texas（北卡罗来纳州立大学） ； Sony Computer Science Laboratories - Paris（索尼计算机科学实验室-巴黎） ； Santa Clara University（圣克拉拉大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Dataminr（DataMinr公司） ； United Nations Development Programme (UNDP)（联合国开发计划署） ； University of Maryland, College Park（马里兰大学学院市分校） ； Max Planck Institute for Intelligent Systems, Tübingen（智能系统马克斯·普朗克研究所，图宾根） ； Vector Institute（向量研究所） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学） ； Queen Mary University of London（伦敦大学玛丽女王学院） ； IIT Kharagpur（印度理工学院Kharagpur分校） ； University of California San Diego（加州大学圣地亚哥分校） ； Princeton University（普林斯顿大学） ； LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； University of Alicante（阿利坎特大学） ； University of Michigan-Flint（密歇根大学弗林特分校） ； University of Southern California（南加州大学） ； Technical University of Munich（慕尼黑技术大学）
AI总结 本文综述了NLP在社会公益领域的应用现状，指出包容性和AI危害是研究热点，同时呼吁跨学科合作以促进公众福祉。
Comments Accepted to EACL 2026
基于GNN的路径感知多视图电路学习用于技术映射
机构 * Faculty of Electrical Engineering and Computer Science, NingBo University（电子工程与计算机科学学院，宁波大学） ； University of Michigan-Shanghai Jiao Tong University Joint Institute, Shanghai Jiao Tong University（密歇根大学-上海交通大学联合研究所，上海交通大学） ； Department of Computer Science and Engineering, The Chinese University of Hong Kong（中国香港中文大学计算机科学与工程系）
AI总结 GPA通过融合多视图电路结构学习，提升技术映射中延迟预测的准确性，实现更高效的映射决策。
Comments 7pages, 4figures
人工智能/机器学习在Rubin LSST暗能量科学合作中的机遇
机构 * Université Paris Cité, CNRS, CEA, Astroparticule et Cosmologie, F-75013 Paris, France ； Department of Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Leinweber Institute of Theoretical Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Argonne National Laboratory, 9700 South Cass Avenue, Lemont, IL 60439, USA ； Cavendish Astrophysics, University of Cambridge, Madingley Road, Cambridge CB3 0HA, UK ； Kavli Institute for Cosmology, University of Cambridge, Madingley Road, Cambridge CB3 0HA, UK ； SLAC National Accelerator Laboratory, Menlo Park, CA 94025, USA ； Department of Computer Science, University of Milan, Milan, Italy ； Université Paris Cité, CNRS, Astroparticule et Cosmologie, F-75013 Paris, France ； Université Paris-Saclay, CNRS/IN2P3, IJCLab, 91405 Orsay, France ； Department of Astronomy ； Astrophysics, University of Chicago, Chicago, IL 60637, USA ； Kavli Institute for Cosmological Physics, University of Chicago, Chicago, IL 60637, USA ； NSF-Simons AI Institute for the Sky (SkAI), 172 E. Chestnut St., Chicago, IL 60611, USA ； Fermi National Accelerator Laboratory, P.O. Box 500, Batavia, IL 60510, USA ； Universit\'e Clermont-Auvergne, CNRS, LPCA, 63000 Clermont-Ferrand, France ； Kavli Institute for Particle Astrophysics ； Cosmology, Stanford University, Stanford, CA 94305, USA ； Department of Physics, Stanford University, 382 Via Pueblo Mall, Stanford, CA 94305, USA ； Engineering Faculty, Universidad Autonoma de San Luis Potosi, Zona Universitaria, San Luis Potosi, 78290, Mexico ； Stanford Artificial Intelligence Laboratory, Stanford University, Stanford, CA 94305, USA ； Kavli Institute of Cosmological Physics, University of Chicago, Chicago, IL 60637, USA ； The NSF AI Institute for Artificial Intelligence ； Center for Astrophysics Harvard \& Smithsonian, 60 Garden Street, Cambridge, MA 02138, USA ； Department of Physics ； Kavli Institute for Astrophysics ； Space Research, Massachusetts Institute of Technology, Cambridge, MA 02139, USA ； Institut de Física d'Altes Energies (IFAE), The Barcelona Institute of Science ； Institute of Astronomy ； Kavli Institute for Cosmology, University of Cambridge, Madingley Road, Cambridge, CB3 0HA, UK ； Imperial Centre for Inference ； Cosmology (ICIC), Imperial College London, Blackett Laboratory, Prince Consort Road, London SW7 2AZ, UK ； Data Science Institute, The University of Chicago, Chicago, IL 60615, USA ； Department of Physics, The University of Texas at Dallas, Richardson, TX 75080, USA ； Department of Physics, Duke University, Durham, NC 27708, USA ； Université Paris-Saclay, Université Paris Cité, CEA, CNRS, AIM, F-91191 Gif-sur-Yvette, France ； School of Mathematics, Statistics ； Physics, Newcastle University, Newcastle upon Tyne, NE1 7RU, United Kingdom ； Department of Astrophysical Sciences, Princeton University, Princeton, NJ 08544, USA ； Astronomy, University of the Western Cape, Bellville, Cape Town, 7535, South Africa ； Astronomy, University of Utah, Salt Lake City, UT 84112, USA ； Department of Astrophysical Sciences, Princeton University, Peyton Hall, Princeton, NJ 08544, USA ； Department of Astronomy, University of Illinois Urbana Champaign, 1002 W. Green St., Urbana, IL, 61801, USA ； Institute for Particle Physics ； Astrophysics, ETH Zürich, Wolfgang-Pauli-Strasse 27, CH-8093 Zurich, Switzerland ； Swinburne University of Technology, Hawthorn, Victoria 3122, Australia ； Ciela - Montr\'eal Institute for Astrophysical Data Analysis ； Mila - Quebec Artificial Intelligence Institute, Montréal, QC H2S 3H1, Canada ； Advanced Research Computing Centre, University College London, 90 High Holborn, London WC1V 6LJ, UK ； Finnish Centre for Astronomy with ESO (FINCA), University of Turku, FI-20014 Turku, Finland ； Department of Physics, P.O. Box 64, University of Helsinki, FI-00014 Helsinki, Finland ； Astronomy, Northwestern University, Evanston, IL, USA ； Center for Interdisciplinary Exploration ； Research in Astrophysics, Northwestern University, Evanston, IL, USA ； Scientific Data Science, International School for Advanced Study, Via Bonomea 265, I-34136 Trieste, Italy ； Department of Statistics, University of Michigan, Ann Arbor, MI 48109, USA ； PITT PACC, University of Pittsburgh, Pittsburgh, PA 15260, USA ； NSF NOIRLab, 950 N. Cherry Ave., Tucson, AZ 85719, USA
AI总结 本文探讨了AI/ML在LSST暗能量科学合作中的应用机遇，强调了大规模贝叶斯推断、物理指导方法和主动学习等关键方法学优先事项，并讨论了新兴技术在重塑工作流程中的潜力。
Comments 84 pages. This is v1.0 of the DESC's white paper on AI/ML, a collaboration document that is being made public but which is not planned for submission to a journal
思维路径：多方向思考用于长文本个性化问答
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Google DeepMind（谷歌DeepMind） ； University of Michigan（密歇根大学）
AI总结 本文提出PoT方法，通过多方向思考生成个性化问答响应，实验证明其在长文本问答任务中表现优异。
欠驱动系统身体-环境交互的样本高效学习
机构 * Mechanical Engineering, Technion, Haifa, Israel（技术学院机械工程系，海法，以色列） ； Electrical Engineering and Computer Science, Ecology and Evolutionary Biology, University of Michigan, Ann Arbor, MI USA（密歇根大学电气工程与计算机科学系、生态与进化生物学系，安娜堡，密歇根州，美国）
AI总结 本文研究了欠驱动系统身体-环境交互的样本高效学习方法，比较了四种建模方法在不同训练数据量下的表现，发现简单方法在小数据集上更优，复杂方法在大数据集上更优。
ALPCAHUS：异方差数据的子空间聚类
机构 * University of Michigan（密歇根大学）
AI总结 ALPCAHUS是一种用于异方差数据的子空间聚类方法，通过估计样本级噪声方差来改进子空间基的估计，提升聚类效果。
Comments Manuscript submitted to IEEE Transactions on Signal Processing (TSP), revised, and pending acceptance
MMDeepResearch-Bench: 一个多模态深度研究代理的基准
机构 * OSU（俄亥俄州立大学） ； Amazon（亚马逊公司） ； UMich（密歇根大学） ； UCL（伦敦大学学院） ； CUHK（香港中文大学） ； UCR（加州大学尔湾分校） ； CWRU（克里夫兰医学中心） ； HKU（香港大学）
AI总结 MMDeepResearch-Bench提出一个多模态深度研究代理的基准，强调报告式合成与引用证据的结合，揭示多模态完整性对深度研究代理的重要性。
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