University of Michigan（密歇根大学安娜堡分校）

Triple-Phase Multimodal Knowledge Aggregation Framework for Microbial Keratitis Subtype Diagnosis on Slit-Lamp Photography

基于裂隙灯摄影的微生物性角膜炎亚型诊断三相多模态知识聚合框架

Yiqing Wang, Maria A. Woodward, Ziyun Yang, N. Venkatesh Prajna, Chunming He, Leslie M. Niziol, Mercy Pawar, Ming-Chen Lu, Guillermo Amescua, Rachel Wozniak, Sejal Amin, Abinaya Krishnan, Prabhleen Kochar, Sina Farsiu

机构 * Department of Biomedical Engineering, Duke University（杜克大学生物医学工程系） ； Kellogg Eye Center, Department of Ophthalmology and Visual Sciences, University of Michigan（密歇根大学凯洛格眼科中心，眼科学与视觉科学系） ； Department of Cornea and Refractive Surgery Services, Aravind Eye Care System（阿瓦因眼科医疗系统角膜与屈光手术部） ； Bascom Palmer Eye Institute, Department of Ophthalmology, University of Miami Miller School of Medicine（迈阿密大学米勒医学院巴斯科姆·帕勒眼科研究所，眼科学系） ； Flaum Eye Institute, Department of Ophthalmology, University of Rochester Medical Center（罗切斯特大学医学中心弗劳姆眼科研究所，眼科学系） ； Department of Ophthalmology, Henry Ford Hospital（亨利福特医院眼科部） ； Duke Eye Center, Duke University School of Medicine（杜克大学医学院杜克眼科中心） 纠错

AI总结 针对传统微生物性角膜炎病原体鉴定慢、成本高的问题，提出融合多模态信息的三相框架实现角膜炎亚型分类，经多中心验证性能优异，跨站点泛化评估更具参考性。

Evaluating and Understanding Model Editing for Medical Vision Language Models

医学视觉语言模型的模型编辑评估与理解

Guli Zhu, Chenwei Wu, Liyue Shen

机构 * EECS, University of Michigan（密歇根大学电子工程与计算机科学系） 纠错

AI总结 针对现有多模态编辑基准不适配临床需求的问题，提出临床基准M3Bench，测试多类编辑方法的性能短板，为医学VLM部署后安全适配提供支撑。

Comments Accepted to the European Conference on Computer Vision (ECCV) 2026. Code and benchmark are available at https://github.com/BioMed-AI-Lab-U-Michgan/M3Bench

WinTA-GIL: Windowed Trajectory Alignment for GNSS-IMU-LiDAR Heading Refinement in Intermittent Signal Environments

WinTA-GIL：间歇信号环境下用于GNSS-IMU-LiDAR航向精化的窗口轨迹对齐

Kaixin Feng, Zhichao Wen, Zhaohong Liao, Xin Xia, You Li

机构 * State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (LIESMARS), Wuhan University（武汉大学测绘遥感信息工程国家重点实验室） ； School of Remote Sensing and Information Engineering, Wuhan University（武汉大学遥感信息工程学院） ； College of Engineering and Computer Science, University of Michigan-Dearborn（美国密歇根大学迪尔伯恩分校工程与计算机科学学院） 纠错

AI总结 针对多源融合定位系统中航向估计难题，提出WinTA-GIL框架，通过基于时间窗口的优化策略融合GNSS、IMU和LiDAR信息，将航向估计转化为轨迹一致性优化问题，实验证明其性能优越。

Comments Accepted to IROS 2026.8 pages,10 figures

Integrated Forward-Inverse Network for Lensless Image Reconstruction

用于无透镜图像重建的集成正反网络

Donggeon Bae, Jaewoo Jung, Yong Guk Kang, Kyung Chul Lee, Taeyoung Kim, Jongho Kim, Sangjun Byun, Joonsik Park, Seung Ah Lee

机构 * Department of Mechanical Engineering, Seoul National University（韩国首尔国立大学机械工程系） ； School of Mechanical and Aerospace Engineering/SNU-IAMD, Seoul National University（韩国首尔国立大学机械与航空航天工程学院/SNU-IAMD） ； Department of Electrical and Electronic Engineering, Yonsei University（韩国延世大学电气与电子工程系） ； Department of Biomedical Engineering, University of Michigan（美国密歇根大学安娜堡分校生物医学工程系） 纠错

AI总结 研究无透镜成像重建难题，提出集成正反网络，通过在各尺度交错可微正向投影与可学习反向更新，利用互补线索，实现渐进、物理一致的细化及PSF内核自适应，达最优重建质量。

Comments Accepted to ECCV 2026

CRISP: A Spatiotemporal Camera-Radar Backbone for Driving via Forecasting-Based World-Model Pretraining

CRISP：一种通过基于预测的世界模型预训练实现驾驶的时空相机-雷达主干网络

Jingyu Song, Yi Liu, Katherine A. Skinner

机构 * Department of Robotics, University of Michigan（密歇根大学机器人系） 纠错

AI总结 研究通过基于预测的表示学习预训练时空相机-雷达主干网络CRISP，利用历史多视图图像和雷达扫描，通过预测未来激光雷达点云学习统一鸟瞰图表示，介绍相关组件，实验表明其能提升点云预测并有效迁移至下游任务。

Comments 17 pages, under review

The Future of NLP may not be at NLP Conferences: Scholarly Migration Patterns in Natural Language Processing

NLP的未来可能不在NLP会议上：自然语言处理领域的学术迁移模式

David Jurgens

机构 * School of Information, University of Michigan（信息学院，密歇根大学） 纠错

AI总结 研究通过分析2010-2026年NLP论文发表数据，发现NLP研究正从传统ACL会议向通用ML会议迁移，新作者在ML会议发表比例从5%升至21%，且ML会议带来显著引用优势。

From Reasoning Traces to Reusable Modules: Understanding Compositional Generalization in Language Model Reasoning

从推理轨迹到可复用模块：理解语言模型推理中的组合泛化

Lingjing Kong, Xin Liu, Guangyi Chen, Martin Q. Ma, Xiangchen Song, Yuekai Sun, Mikhail Yurochkin, Taylor W. Killian, Ruslan Salakhutdinov, Kun Zhang, Eric P. Xing, Zhengzhong Liu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Institute of Foundation Models（基础模型研究院） ； University of Michigan（密歇根大学） 纠错

AI总结 本文通过层次化潜在选择模型形式化组合泛化，理论证明SFT提供原子模块，RL分解轨迹实现组合泛化，实验验证RL能从复合轨迹中提取原子模块并重组解决新配置。

Comments ICML2026

Path-level Hindsight Instructions for Semantic Exploration in Vision-Language Navigation

路径级事后指令用于视觉语言导航中的语义探索

Sung June Kim, Sangpil Kim, Honglak Lee

机构 * Korea University（高丽大学） ； University of Michigan（密歇根大学） 纠错

AI总结 提出Phi-Nav框架，通过事后推理将指令与智能体实际探索轨迹对齐，利用三阶段双监督循环将语义未标记的运动转化为密集训练信号，在R2R-CE和RxR-CE基准上以少量专家演示取得竞争性能。

Comments Accepted to ECCV 2026

Evolutionary Feature Engineering for Structured Data

结构化数据的进化特征工程

Ege Onur Taga, Yilin Zhuang, M. Emrullah Ildiz, Petros Mol, Abhimanyu Das, Karthik Duraisamy, Samet Oymak

机构 * University of Michigan（密歇根大学） ； Google Research（谷歌研究院） 纠错

AI总结 提出基于LLM进化的特征工程框架EFE，通过Python程序表示变换，利用数据集上下文和验证集性能反馈优化，在时间序列和表格预测任务中提升准确性和可解释性。

Comments 9 page main content, 41 pages in total

AMBUSH: Collaborative Capture in Complex Environments with Neural Acceleration

AMBUSH：复杂环境下的协作捕获与神经加速

Junfeng Chen, YinHang Luo, Xinyi Wang, Junrui Li, Meng Guo

机构 * School of Advanced Manufacturing and Robotics, Peking University（北京大学先进制造与机器人学院） ； Distributed Autonomous Systems and Control Lab, University of Michigan（密歇根大学分布式自主系统与控制实验室） 纠错

AI总结 提出基于“伏击”策略的参数化方法，结合混合蒙特卡洛树搜索与神经加速，实现多个慢速追捕者在复杂环境中高效捕获快速逃逸者。

What's a Credit Worth? A Market Framework for Attribution-Aware Compensation in Generative Music

信用值多少钱？生成音乐中归因感知补偿的市场框架

Luyang Zhang, Xirui Jiang, Junwei Deng, Beibei Li, Jiaqi W. Ma, Chris Donahue

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 针对生成式AI音乐训练中创作者补偿问题，提出基于数据归因评分的支付框架，考虑目录级归因和信噪比，分析福利最优合同形式，实验表明噪声归因降低福利。

Typography-Based Monocular Distance Estimation for Advanced Driver-Assistance Systems

基于印刷字体的单目距离估计用于高级驾驶辅助系统

Manognya Lokesh Reddy, Zheng Liu

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

AI总结 提出利用后车牌字符高度等标准尺寸，通过单目相机检测车牌并测量字符高度、笔画宽度等，结合状态识别和相机投影，实现低成本、高精度的前车距离估计，误差小于0.13米。

Comments 23 pages, 11 figures

ASPIRE: Agentic /Skills Discovery for Robotics

ASPIRE: 面向机器人的智能体技能发现

Runyu Lu, Yubo Wu, Ethan Kou, Letian Fu, Wenli Xiao, Ajay Mandlekar, Yinzhen Xu, Guanya Shi, Ken Goldberg, Ang Chen, Mosharaf Chowdhury, Yuke Zhu, Linxi "Jim" Fan, Guanzhi Wang

机构 * NVIDIA（英伟达） ； UMich（密歇根大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； UC Berkeley（加州大学伯克利分校） ； CMU（卡内基梅隆大学） 纠错

AI总结 提出ASPIRE系统，通过闭环执行、技能库积累和进化搜索，自主编写和优化机器人控制程序，在扰动、多机器人协作和长时域任务上显著超越现有方法，并实现零样本泛化与仿真到现实的技能迁移。

Comments 43 pages, 12 figures, 9 tables. Project page: https://research.nvidia.com/labs/gear/aspire/

From Personas to Plot: Character-Grounded Multi-Agent Story Generation for Long-Form Narratives

从角色到情节：基于角色的多智能体长篇小说生成

Aayush Aluru, Chloe Ho, Muhammad Hammouri, Kerry Luo, Myra Malik, Ryan Lagasse, Arjun Bahuguna, Vasu Sharma

机构 * Pocket FM ； Princeton University（普林斯顿大学） ； University of Michigan（密歇根大学） ； University of Maryland（马里兰大学） ； Universitat Pompeu Fabra（庞培法布拉大学） 纠错

AI总结 提出MAGNET多智能体叙事引擎和ATLAS幻觉检测管线，通过角色代理和世界状态追踪，在100页故事中减少41%注释和50%幻觉，实现连贯长篇小说生成。

Dynamic Prediction of Alternating Recurrent Events via Neural Network

通过神经网络动态预测交替复发事件

Abigail Loe, Susan Murry, Zhenke Wu

机构 * Macalester College（马卡莱斯特学院） ； University of Michigan（密歇根大学） 纠错

AI总结 提出基于神经网络和逆概率加权伪观测的动态预测框架，用于预测交替复发事件，在模拟和医学住院医师情绪低落预测中表现良好。

Revising RVL-CDIP: Quantifying Errors and Test-Train Overlap

修订RVL-CDIP：量化错误与测试-训练重叠

Stefan Larson, Attila Nagy, Sam Desai, Cyrus Desai, Nicole C. Lima, Yixin Yuan, Siddharth Betala, Kaushal K. Prajapati, Jamiu T. Suleiman, Sharad Duwal, Kevin Leach

机构 * Vanderbilt University（范德堡大学） ； ML Collective ； University of Michigan（密歇根大学） ； IIT Madras（印度理工学院马德拉斯分校） 纠错

AI总结 针对RVL-CDIP数据集中的标签错误（12%）和测试-训练重叠（35%）问题，通过修正错误和去除重叠，评估对文档分类性能的影响，发现修正错误提升准确率，而去除重叠降低准确率，但修正错误显著提升OOD泛化能力。

Comments DocEng 2026

Wait, am I Being Fair? Characterizing Deductive Stereotyping and Mitigating It with Fair-GCG

等等，我公平吗？刻画演绎刻板印象并用 Fair-GCG 缓解它

Naihao Deng, Yilun Zhu, Joan Nwatu, Clayton Scott, Rada Mihalcea

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文识别出大语言模型中的演绎刻板印象失败模式，提供统计解释，并提出推理时注入框架 Fair-GCG 以发现有效短语，提升多个公平性基准的性能。

An Empirical Study of LLM-Generated Specifications for VeriFast

LLM 生成的 VeriFast 规范实证研究

Wen Fan, Minh Tran, Sanya Dod, Xin Hu, Marilyn Rego, Danning Xie, Jenna DiVincenzo, Lin Tan

机构 * Purdue University（普渡大学） ； University of Michigan（密歇根大学） ； Meta ； Ann Arbor, Michigan, USA（美国密歇根州安阿伯） ； Menlo Park, California, USA（美国加州Menlo Park） ； West Lafayette, Indiana, USA（美国印第安纳州西拉法叶） 纠错

AI总结 本研究评估了大型语言模型为分离逻辑验证器 VeriFast 生成规范的能力，发现虽然功能保持良好（>91%），但验证成功率仅31.4%，主要错误源于领域知识不足。

The Open Source Economic Index of AI Adoption and Capability

AI采纳与能力的开源经济指数

Seamus Somerstep, Aritra Guha, Divesh Srivastava, Yuekai Sun

机构 * University of Michigan（密歇根大学） ； AT&T Chief Data Office（AT&T首席数据办公室） ； IFM-MBZUAI 纠错

AI总结 通过公开聊天数据和O*NET任务构建开源经济指数，衡量AI在各职业的采纳率与任务执行能力，发现金融、计算机和艺术行业采纳率最高。

Error-Conditioned Neural Solvers

误差条件神经求解器

Haina Jiang, Liam Wang, Peng-Chen Chen, Min Seop Kwak, Seungryong Kim, Brian Bell, Jeong Joon Park

机构 * University of Michigan（密歇根大学） ； KAIST AI（韩国科学技术院人工智能） ； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室） 纠错

AI总结 提出误差条件神经求解器（ENS），通过将PDE残差场作为网络输入，学习迭代校正策略，在多个PDE族上实现高精度预测，尤其适用于病态系统。

Mean-Field PhiBE: Continuous-Time Mean-Field Reinforcement Learning from Discrete-Time Data

平均场 PhiBE：基于离散时间数据的连续时间平均场强化学习

Erhan Bayraktar, Martin Hernandez, Qinxin Yan, Yuhua Zhu

机构 * Department of Mathematics, University of Michigan, Ann Arbor, MI, USA（密歇根大学数学系，安阿伯，密歇根州，美国） ； Department of Statistics and Data Science, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校统计与数据科学系，加利福尼亚州，美国） ； Program in Applied and Computational Mathematics, Princeton University, Princeton, NJ, USA（普林斯顿大学应用与计算数学项目，普林斯顿，新泽西州，美国） 纠错

AI总结 针对仅离散时间数据可用但种群连续演化的模型无关连续时间平均场控制问题，提出平均场PhiBE方法，将离散时间信息融入Wasserstein空间上的连续时间PDE，并推导策略梯度定理，实现模型无关的演员-评论家算法，证明一阶一致性估计。

SurgAtlas: A Large-Scale Surgical Video-Language Dataset with 2,391 Hours of Open and Minimally Invasive Surgery

SurgAtlas：一个包含2,391小时开放和微创手术的大规模手术视频-语言数据集

Filippos Bellos, Andre S. Gala-Garza, Miaowei Wang, Alyssa M. Hardin, Ahmad M. Hider, Yayuan Li, Jing Bi, Susan Liang, Chenliang Xu, Donald S. Likosky, Jason J. Corso

机构 * University of Michigan（密歇根大学） ； University of Edinburgh（爱丁堡大学） ； Vanderbilt University Medical Center（范德比尔特大学医学中心） ； University of Colorado（科罗拉多大学） ； University of Rochester（罗切斯特大学） ； Michigan Medicine（密歇根医学） 纠错

AI总结 提出SurgAtlas，最大手术视频-语言数据集（15,291视频，2,391小时，18专科，5,000+术式），首次大规模纳入开放手术并建立基准，通过多层级自动标注管道生成丰富注释，微调Qwen3-VL-8B在多个基准上达到领先。

Low-Cost High-Order Singular Value Decomposition for Tensor-Based Reconstruction from Sparse Sensor Measurements: Urban Flow and Air-Quality Applications

低成本高阶奇异值分解用于基于稀疏传感器测量的张量重建：城市流动与空气质量应用

Arindam Sengupta, Paul Jeanney, Ricardo Vinuesa, Jose Miguel Perez, Soledad Le Clainche

机构 * ETSI Aeronáutica y del Espacio, Universidad Politécnica de Madrid（马德里理工大学航空与航天工程学院） ； Ove Arup（奥雅纳） ； Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系） 纠错

AI总结 提出低成本高阶奇异值分解（lcHOSVD），一种基于张量的稀疏传感重建框架，用于高维环境场重建，在保持多维结构的同时降低计算成本，在城市流动和空气质量数据中仅用1-4%空间位置实现低误差重建。

Learning to Trigger: Reinforcement Learning at the Large Hadron Collider

学习触发：大型强子对撞机的强化学习

Zixin Ding, Shaghayegh Emami, Giovanna Salvi, Cecilia Tosciri, Abhijith Gandrakota, Jennifer Ngadiuba, Nhan Tran, Christian Herwig, David W. Miller, Yuxin Chen

机构 * University of Chicago（芝加哥大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） 纠错

AI总结 针对大型强子对撞机实时触发系统在带宽、延迟和存储约束下的阈值调优问题，提出基于强化学习的在线阈值控制方法，在模拟和真实数据上分别提升48%和56%的容忍时间比例。

OpenThoughts-Agent: Data Recipes for Agentic Models

OpenThoughts-Agent: 智能体模型的数据配方

Negin Raoof, Richard Zhuang, Marianna Nezhurina, Etash Guha, Atula Tejaswi, Ryan Marten, Charlie F. Ruan, Tyler Griggs, Alexander Glenn Shaw, Hritik Bansal, E. Kelly Buchanan, Artem Gazizov, Reinhard Heckel, Chinmay Hegde, Sankalp Jajee, Daanish Khazi, Emmanouil Koukoumidis, Xiangyi Li, Hange Liu, Shlok Natarajan, Harsh Raj, Nicholas Roberts, Ethan Shen, Nishad Singhi, Michael Siu, Ashima Suvarna, Hanwen Xing, Patrick Yubeaton, Robert Zhang, Leon Liangyu Chen, Xiaokun Chen, Steven Dillmann, Saadia Gabriel, Xunyi Jiang, Anurag Kashyap, Boxuan Li, Yein Park, Minh Pham, Sujay Sanghavi, Lin Shi, Ke Sun, Yixin Wang, Zhiwei Xu, Erica Zhang, Siyan Zhao, Wanjia Zhao, Jenia Jitsev, Alex Dimakis, Benjamin Feuer, Ludwig Schmidt

机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； JSC（于利希超级计算中心） ； LAION ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Bespoke Labs ； Laude Institute ； UCLA（加州大学洛杉矶分校） ； Harvard University & Harvard Medical School（哈佛大学与哈佛医学院） ； TU Munich & Munich Center for Machine Learning（慕尼黑工业大学与慕尼黑机器学习中心） ； New York University（纽约大学） ； Medical University of South Carolina（南卡罗来纳医科大学） ； The LLM Data Company ； BenchFlow ； Independent Researcher（独立研究员） ； Northeastern University（东北大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Washington（华盛顿大学） ； TU Darmstadt（达姆施塔特工业大学） ； University of Southern California（南加州大学） ； UC San Diego（加州大学圣地亚哥分校） ； Amazon（亚马逊） ； Microsoft（微软） ； Korea University（高丽大学） ； Cornell Tech（康奈尔科技） ； University of Michigan（密歇根大学） 纠错

AI总结 提出全开放数据筛选流水线，通过100多次消融实验研究任务来源与多样性，构建10万样本训练集，在7个智能体基准上平均44.8%准确率，较最强开源模型提升3.9个百分点。

BehaviorBench: Benchmarking Foundation Models for Behavioral Science Tasks

BehaviorBench: 行为科学任务的基础模型基准测试

Jin Huang, Yutong Xie, Wanli Song, Xingjian Zhang, Walter Yuan, Matthew O. Jackson, Qiaozhu Mei

机构 * University of Michigan（密歇根大学） ； MobLab ； Stanford University（斯坦福大学） ； Santa Fe Institute（圣塔菲研究所） 纠错

AI总结 提出BehaviorBench基准，评估基础模型在行为预测、战略决策、特质推断和行为知识应用四类任务上的个体与分布级表现，发现通用模型个体预测强，而微调的行为模型分布对齐更优。

A Geometry-Informed Computer Vision Method for Detecting and Examining Overtaking Vehicles From A Bicycle

一种用于从自行车检测和检查超车车辆的几何信息计算机视觉方法

Gandhimathi Padmanaban, Rayane Moustafa, Fred Feng

机构 * Department of Industrial Manufacturing and Systems Engineering, University of Michigan-Dearborn, Michigan, USA, 48128（密歇根大学迪尔伯恩分校工业制造与系统工程系） 纠错

AI总结 提出一种基于几何信息的计算机视觉流程，利用单摄像头自动检测自行车超车事件，无需多传感器或标定，在315个真实事件中实现97.8%召回率和零误报，并初步实现无标定横向距离估计。

Comments 18 pages, 6 figures, in preparation for journal submission

Data-Forcing Distillation: Restoring Diversity and Fidelity in Few-Step Video Generation

数据强制蒸馏：恢复少步视频生成中的多样性和保真度

Siyi Chen, Shaowei Liu, Yixuan Jia, Zian Wang, Huan Ling, Qing Qu, Jun Gao

机构 * University of Michigan（密歇根大学） ； NVIDIA（英伟达） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 针对分布匹配蒸馏（DMD）在少步视频生成中出现的模式坍塌和过饱和问题，提出数据强制蒸馏（DFD）框架，通过教师评分差异引导学生接近真实数据分布，仅需一行代码修改即可恢复多样性和保真度。

Neural Networks as Linear Regression: An Introduction for Statisticians

神经网络作为线性回归：统计学家的入门介绍

Abigail Loe, Susan Murray, Zhenke Wu

机构 * Department of Mathematics Statistics and Computer Science（数学统计与计算机科学系） ； Macalester College（麦克莱斯特学院） ； Department of Biostatistics（生物统计学系） ； University of Michigan（密歇根大学） 纠错

AI总结 本文从频率学派统计学视角，通过将神经网络近似为线性回归来降低入门门槛，并介绍常见定制化方法作为进一步学习的基础。

Speaker Identity in Non-Verbal Vocalizations: Conditional Distillation and Mixture of Experts Approach

非语言发声中的说话人身份：条件蒸馏与专家混合方法

Tzu-Chieh Wei, Yi-Cheng Lin, Huang-Cheng Chou, Kuan-Yu Chen, Hsin-Yen Sung, Shrikanth Narayanan, Hung-yi Lee

机构 * University of Michigan（密歇根大学） ； National Taiwan University（国立台湾大学） ； Signal Analysis and Interpretation Laboratory (SAIL)（信号分析与解释实验室） ； University of Southern California（南加州大学） ； National Taiwan University Artificial Intelligence Center of Research Excellence（国立台湾大学人工智能研究中心） 纠错

AI总结 针对非语言发声的说话人验证难题，提出结合冻结Data2Vec自监督特征、ECAPA-TDNN和专家混合模块的框架，通过条件蒸馏和对比损失，将等错误率从38.93%降至22.66%。

Comments Accepted by INTERSPEECH 2026