高校专区
通过组合多子采样进行预测推断的U学习：应用于LASSO和神经网络
机构 * Department of Statistics, UC Riverside（统计系，加州大学河滨分校） ； Department of Biostatistics, University of Michigan（生物统计学系，密歇根大学）
AI总结 本文提出了一种基于组合多子采样的U学习方法，用于高维输入预测的集成推断和置信区间构建，应用于LASSO和神经网络，以提高预测的准确性与可靠性。
关于具有预期条件风险度量的风险规避自然策略梯度方法的全局收敛性
机构 * Department of Integrated Systems Engineering, The Ohio State University（俄亥俄州立大学整合系统工程系） ； Department of Electrical Engineering and Computer Science, University of Michigan（密歇根大学电气工程与计算机科学系）
AI总结 本文提出了一种基于预期条件风险度量的风险规避自然策略梯度方法，证明其在随机环境中的全局收敛性并验证了其有效性。
超越共识：自然语言处理中注释者分歧的透视主义建模与评估
机构 * University of Michigan（密歇根大学）
AI总结 本文探讨了自然语言处理中注释者分歧的建模与评估，提出了一种统一的方法框架，强调从共识学习向显式建模分歧的转变，并指出公平性评估的不足及未来研究方向。
自我进化代理的综述：何时、何地、如何进化以实现人工超级智能
机构 * Princeton University（普林斯顿大学） ； Princeton AI Lab（普林斯顿人工智能实验室） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Sydney（悉尼大学） ； Shanghai Jiao Tong University（上海交通大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of Michigan（密歇根大学） ； Oregon State University（俄勒冈州立大学） ； The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The University of Hong Kong（香港大学） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Edinburgh（爱丁堡大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文综述了自我进化代理的现状，探讨了进化机制、适应方法及挑战，为实现人工超级智能提供路线图。
Comments 77 pages, 9 figures, Transactions on Machine Learning Research (01/2026)
当人们是洪水：利用大型语言模型分析移民话语中的去人性化隐喻
机构 * University of Maryland（马里兰大学） ； University of Michigan（密歇根大学）
AI总结 本文利用大型语言模型分析移民话语中的去人性化隐喻，探讨隐喻、政治意识形态与用户参与之间的关系。
Comments To appear at ACL 2025. Please cite ACL version when proceedings are available
Journal ref Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (2025) 8079-8103
谁拥有文本？面向AI辅助写作中作者身份保护的设计模式
机构 * University of Michigan（密歇根大学） ； Tsinghua University（清华大学）
AI总结 本文研究了AI辅助写作中作者身份保护的问题，通过实验发现风格个性化能部分恢复作者身份，提出五种设计模式以指导保护作者身份的写作工具。
Comments Preprint; 42 pages
具备技能的数据选择与微调用于数据高效的推理蒸馏
机构 * University of Michigan（密歇根大学）
AI总结 本文提出了一种基于技能的蒸馏框架，通过数据选择和微调提升推理效率，实验证明在数学推理基准上优于随机微调基线。
归一化滤波器！深度视觉的经典智慧
机构 * Electrical Engineering and Computer Sciences, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系） ； Computer Science and Engineering, University of Michigan（密歇根大学计算机科学与工程系）
AI总结 通过引入滤波器归一化技术，提升深度学习在大气传输下的表现，实现滤波器的等变性与共域对称性。
迈向LHC的自驱动触发：实时适应性响应
机构 * University of Michigan（密歇根大学） ； Enrico Fermi Institute（恩里科·费米研究所） ； University of Chicago（芝加哥大学） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； Department of Physics, Kavli Institute for Cosmological Physics（物理系，宇宙学物理研究所）
AI总结 本文提出了一种自驱动触发系统，通过实时动态调整资源和阈值，利用机器学习优化高能物理实验中的触发性能，提升信号效率和计算效率。
自适应少样本学习用于两光子光刻中鲁棒部件质量分类
机构 * Department of Mechanical Engineering, University of Michigan, Ann Arbor, MI 48109, United States（机械工程系，密歇根大学，安娜堡，MI 48109，美国）
AI总结 本文提出了一种自适应CV框架，通过统计假设检验、两阶段增量学习和域对抗神经网络，实现两光子光刻中部件质量分类的鲁棒性和数据效率。
CogniMap3D：认知3D映射与快速检索
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Michigan（密歇根大学） ； University of Connecticut（康涅狄格大学）
AI总结 CogniMap3D通过生物启发的方法实现动态3D场景理解与重建，结合多阶段运动线索、认知映射和因子图优化，实现高效存储、快速检索和持续更新。
Comments Project Page: https://github.com/Brack-Wang/cognimap3D
LJ-Spoof：一种生成多样化的语料库用于音频反伪装和合成源追踪
机构 * Electrical and Computer Engineering（电气与计算机工程学院） ； University of Michigan（密歇根大学） ； Computer Engineering University of Michigan 4901 Evergreen Rd, Dearborn, MI 48128, USA（计算机工程密歇根大学4901 Evergreen Rd, Dearborn, MI 48128, USA）
AI总结 LJ-Spoof 是一个生成多样化的语料库，用于提升音频反伪装和合成源追踪的鲁棒性和精度。
深度价值基准：衡量模型是泛化深度价值还是浅层偏好
机构 * University of Michigan Ann Arbor（密歇根大学安娜堡分校） ； New York University Shanghai（纽约大学上海）
AI总结 深度价值基准通过测试模型泛化深度价值还是浅层偏好，评估AI对齐的核心能力。
Comments NeurIPS 2025 (Spotlight)
LongEmotion: 测量大语言模型在长上下文交互中的情感智能
机构 * Shenzhen MSU-BIT University（深圳MSU-BIT大学） ； The University of Hong Kong（香港大学） ； City University of Hong Kong（香港城市大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究所） ； Beijing Normal University（北京师范大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 LongEmotion是一个评估大语言模型在长上下文交互中情感智能的基准，通过多任务和协作框架提升模型在情绪识别与共情生成中的表现。
Comments Technical Report
可塑性与刚性：低秩适配器对微预算推理的影响
机构 * University of Michigan（密歇根大学）
AI总结 研究通过低秩适配器在微预算下提升小型模型推理能力，发现高秩适配器能显著增强模型可塑性，但数学对齐模型性能下降，揭示了预算限制对模型优化的复杂影响。
Comments 9 pages, 4 figures, 2 tables
mHC-lite: 你不需要20次Sinkhorn-Knopp迭代
机构 * CSE, University of Michigan, Ann Arbor, USA（计算机科学与工程系，密歇根大学，安娜堡，美国） ； CCDS, Nanyang Technological University, Singapore（计算机科学与数据科学系，南洋理工大学，新加坡） ； CBS-NTT Physics of Intelligence Program, Harvard University, Cambridge, USA（哈佛大学剑桥分校人工智能物理计划） ； Physics of Artificial Intelligence Group, NTT Research Inc, USA（人工智能物理研究组，NTT研究公司，美国）
AI总结 mHC-lite通过构造双随机矩阵消除残差不稳定性，实现更高训练吞吐量。
RoboVIP: 多视角视频生成与视觉身份提示增强机器人操作
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Michigan（密歇根大学）
AI总结 RoboVIP通过引入视觉身份提示和可扩展的视觉身份池，提升机器人操控数据的质量与多样性，从而增强视觉语言-动作和视觉-运动政策模型的性能。
突破生成模型的采样瓶颈：通过扩散语言模型实现可证明的加速
机构 * Department of Statistics and Data Science, Chinese University of Hong Kong, Hong Kong（统计与数据科学系，香港中文大学） ； Department of Industrial and Operations Engineering, University of Michigan, Ann Arbor, USA（工业与运营管理系，密歇根大学）
AI总结 本文从信息论角度为扩散语言模型提供收敛保证，证明采样误差随迭代次数减少而降低，从而突破自回归模型所需的L步瓶颈，为生成高质量样本提供理论支持。
Comments This is the full version of a paper published at NeurIPS 2025
大模型的推理：推理时的指令检索
机构 * School of Information University of Michigan（信息学院 华盛顿大学）
AI总结 本文提出一种在推理时通过检索结构化指令来增强小型模型推理能力的方法，通过领域背景与分步程序的配对，提升模型在医学、法律和数学等领域的准确性。
ADEPT: 用于Transformer的自适应动态早退出过程
机构 * University of Michigan Ann Arbor（密歇根大学安阿伯分校） ； Samsung Semiconductor（三星半导体）
AI总结 ADEPT通过自适应动态早退出机制提升Transformer模型的推理效率，实现生成和预填充阶段的高效计算优化。
Comments 11 figures, 8 tables, 22 pages
DeepLeak: 通过模型解释增强隐私保护以对抗成员泄露
机构 * Department of Computer and Information Science（计算机与信息科学系） ； University of Michigan-Dearborn（密歇根大学-迪尔伯恩分校）
AI总结 DeepLeak通过系统化方法减少模型解释中的成员泄露，提升隐私保护与可解释性的平衡。
Comments 17 pages, 6 figures, 8 tables. This work has been accepted for publication at the IEEE Conference on Secure and Trustworthy Machine Learning (IEEE SaTML 2026)
表格作为大语言模型的一种模态
机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； University of Michigan（密歇根大学）
AI总结 TAMO通过将表格视为独立模态，结合文本令牌，提升大语言模型对表格数据的推理能力。
Comments Accepted to NeurIPS 2025
一种基于卷积和注意力机制的新型模型用于6D物体姿态估计
机构 * California Institute of Technology（加州理工学院） ； University of Michigan（密歇根大学）
AI总结 本文提出了一种结合Legendre卷积和注意力机制的新型模型，用于提高单目RGB图像中6D物体姿态估计的性能。
Comments 6 pages, 2 figures, 3 tables
PET-TURTLE：深度无监督支持向量机用于不平衡数据簇
机构 * University of Michigan（密歇根大学）
AI总结 PET-TURTLE通过引入幂律先验和稀疏logits，改进了传统TURTLE在处理不平衡数据时的聚类性能。
Journal ref IEEE Signal Processing Letters, vol. 33, pp. 91-95, 2026
MMFormalizer: 多模态自动形式化
机构 * The University of Hong Kong（香港大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； University of Edinburgh（爱丁堡大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Ohio State University（俄亥俄州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 MMFormalizer通过整合适应性定位与现实世界数学物理领域实体，实现多模态自动形式化，首次处理经典力学、相对论、量子力学和热力学等复杂领域。
Comments Technical Report
DoPE: 去噪旋转位置嵌入
机构 * The University of Hong Kong（香港大学） ； University of Michigan, Ann Arbor（密歇根大学安阿伯分校） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究所）
AI总结 DoPE通过去噪旋转位置嵌入提升大型语言模型在长上下文外推和鲁棒性方面的性能。
Comments Technical Report
顿悟时刻再审视：VLMs在推理时间缩放中真的能自我验证吗？
机构 * University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan Ann Arbor（密歇根大学安娜堡分校） ； Meta
AI总结 本研究发现VLMs在推理时间缩放中自我验证效果有限，生成能力优于验证策略，且视觉信息整合不足。
Comments Neurips 2025 Multimodal Algorithmic Reasoning Workshop Oral. In submission
PID自整定初始状态与探索-利用策略的系统评估：一种框架驱动方法应用于移动机器人
机构 * Department of Computer Information Systems, Collage of Engineering and Computer Science, University of Michigan-Dearborn（计算机信息系统系，工程与计算机科学学院，密歇根大学迪尔伯恩分校） ； Department of Electrical and Computer Engineering, Collage of Engineering and Computer Science, University of Michigan-Dearborn（电气与计算机工程系，工程与计算机科学学院，密歇根大学迪尔伯恩分校）
AI总结 本文提出一种框架驱动方法，系统评估PID自整定中初始状态和探索-利用策略的影响，通过移动机器人实验验证其对收敛性能的影响。
从球员到冠军：一种通用的机器学习方法用于比赛结果预测，基于国际足联世界杯的洞察
机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； University of Michigan-Dearborn（密歇根大学-迪尔伯恩分校） ； Department of Computer and Information Science（计算机与信息科学系）
AI总结 本文提出了一种基于球员和球队数据的机器学习方法，用于预测国际足联世界杯比赛结果，通过整合历史数据和球员表现指标，提升预测准确性并提供新的分析洞察。
DriveNetBench: 一种经济实惠且可配置的单摄像头自动驾驶网络基准测试系统
机构 * Department of Electrical and Computer Engineering, University of Michigan-Dearborn（电气与计算机工程系，密歇根大学-德城）
AI总结 DriveNetBench提供了一种经济实惠且可配置的单摄像头系统，用于评估自动驾驶网络的性能，通过开源软件实现标准化测试和可重复的度量标准，提升研究可及性。
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