GraphMend: Code Transformations for Fixing Graph Breaks in PyTorch 2
GraphMend: 用于修复PyTorch 2中图打破的代码转换
机构 * University of Michigan（密歇根大学） ； Jaseci Labs（Jaseci实验室）
AI总结 GraphMend通过代码转换消除PyTorch 2中的图打破问题，提升编译效率和性能，减少延迟并提高吞吐量。
高校专区
University of Michigan（密歇根大学安娜堡分校）
The HydroGym Reinforcement Learning Platform for Fluid Dynamics
HydroGym：流体动力学的强化学习平台
机构 * University of Washington（华盛顿大学） ； AI Institute in Dynamic Systems, University of Washington（华盛顿大学人工智能研究所） ； RWTH Aachen University（亚琛工业大学） ； Inha University（仁荷大学） ； University of Michigan（密歇根大学） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Technical University of Munich（慕尼黑工业大学） ； Arts et Métiers Institute of Technology（国立高等工程技术学校） ； CNAM（法国国立工艺学院） ； DynFluid, HESAM Université（HESAM大学流体动力学实验室） ； Munich Institute of Integrated Materials, Energy and Process Engineering, Technical University of Munich（慕尼黑工业大学综合材料、能源与工艺工程研究所） ； JARA Center for Simulation and Data Science, RWTH Aachen University（亚琛工业大学JARA模拟与数据中心） ； MediaTek Research（联发科技研究中心） ； German Center for Neurodegenerative Diseases（德国神经退行性疾病中心）
AI总结 提出HydroGym，一个求解器无关的强化学习平台，提供61+个已验证的流场环境，支持多种后端，RL智能体发现鲁棒控制原理，并实现零样本迁移，显著降低探索成本。
Academic Text-to-Music Grand Challenge: Datasets, Baselines, and Evaluation Methods
学术文本到音乐大奖赛：数据集、基线和评估方法
机构 * Artificial Intelligence Center of Research Excellence, National Taiwan University, Taipei, Taiwan（台湾大学人工智能研究中心） ； Department of Performing Arts Technology, University of Michigan, Ann Arbor, MI, United States（密歇根大学表演艺术技术系）
AI总结 本文介绍了ICME 2026学术文本到音乐生成大奖赛（ATTM）的概述和技术框架。尽管文本到音乐生成（TTM）系统取得了快速进展，但该领域目前主要由在大规模专有数据集上训练的模型主导，这些模型使用工业级计算资源，给学术研究带来了显著障碍。为此，ATTM挑战赛建立了一个公平的基准，要求参赛者使用标准化的、采用CC许可的MTG-Jamendo数据集子集（仅包含纯音乐）从头开始训练生成模型。该挑战分为两个赛道：效率赛道（限制在5亿参数以内）和性能赛道（无参数限制）。提交将通过多阶段评估过程进行评估，包括客观指标，如Fréchet音频距离、CLAP分数和新的概念覆盖分数（CCS），随后进行主观听觉测试。通过提供开源基线、预处理管道、参考标题和公开计算FAD和CLAP的评估代码，该挑战旨在促进学术环境中的TTM研究。
Comments Accepted to IEEE ICME 2026 Grand Challenge Paper. v2: Updated Table II to report A100-equivalent GPU hours instead of raw self-reported values for a normalized and fair compute comparison
Understanding Deep Representation Learning via Layerwise Feature Compression and Discrimination
通过逐层特征压缩与判别理解深度表示学习
机构 * University of Michigan（密歇根大学） ； Ohio State University（俄亥俄州立大学）
AI总结 本文通过定义层内压缩和层间判别指标，理论证明深度线性网络在近正交输入和最小范数平衡低秩权重下，特征以几何率压缩、线性率判别，首次定量刻画深度线性网络的分层特征演化，并在非线性网络和迁移学习中验证。
Comments This paper has been accepted for publication in the Journal of Machine Learning Research
When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments
当AI遇见金融（StockAgent）：基于大语言模型的模拟真实环境股票交易
机构 * University of Liverpool（利物浦大学） ； Peking University（北京大学） ； Shanghai University of Finance（上海金融学院） ； Rutgers University（罗格斯大学） ； University of Michigan（密歇根大学） ； Northwestern University（西北大学） ； New York University（纽约大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； New Jersey Institute of Technology（新泽西理工学院）
AI总结 提出基于大语言模型的多智能体系统StockAgent，模拟真实股票交易环境，评估外部因素对交易行为的影响，并避免测试集泄露问题。
Comments 33 pages, 10 figures. Published in ACM Transactions on Intelligent Systems and Technology (TIST)
Unmixing The Crowd: Learning Persistent Speaker Representations from Mixture-Derived Multi-Speaker Embeddings
解混人群：从混合衍生多说话人嵌入中学习持久说话人表示
机构 * University of Michigan Ann Arbor, MI, USA ； Oregon Health \& Science University Portland, OR, USA
AI总结 提出教师-学生框架，仅使用短重叠片段和置换不变潜在监督学习混合衍生多说话人嵌入，结合轻量在线记忆机制实现长时说话人重识别。
Comments Submitted to IEEE SLT 2026
ASC-SW: A Lightweight Atrous Strip Convolution Network for DLOs Segmentation on Edge mobile Robots
ASC-SW：面向边缘移动机器人的轻量级空洞条带卷积DLOs分割网络
机构 * School of Robotics, Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学机器人学院） ； Department of Robotics, University of Michigan（密歇根大学机器人系） ； Department of Artificial Intelligence, University of Liverpool（利物浦大学人工智能系）
AI总结 针对移动机器人视角下细长可变形线性物体分割的挑战，提出轻量级几何感知框架ASC-SW，通过空洞条带卷积和滑动窗口优化，在边缘设备上实现74.1% mIoU和261 FPS。
Comments paper update: Rejected by IROS2026 on June 17th
Enhancing Symbolic Regression and Universal Physics-Informed Neural Networks with Dimensional Analysis
利用量纲分析增强符号回归和通用物理信息神经网络
机构 * Cheriton School of Computer Science（切尔顿计算机科学学院） ； Department of Electrical and Computer Engineering（电气与计算机工程系） ； University of Waterloo（滑铁卢大学） ； Electrical Engineering and Computer Science Department（电气工程与计算机科学系） ； Department of Applied Mathematics（应用数学系） ； University of Michigan（密歇根大学）
AI总结 提出结合量纲分析（Buckingham Π定理和Ipsen方法）与符号回归及通用物理信息神经网络，通过无量纲化降低输入维度、减少过拟合，提高微分方程未知项恢复的准确性和计算效率。
Integrated Exploration-Aware UAV Route Optimization and Path Planning
集成探索感知的无人机路径优化与轨迹规划
机构 * Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系） ； Department of Electrical Engineering, Brigham Young University（BYU 电子工程系） ； Department of Aerospace Engineering, Department of Civil and Environmental Engineering, and Department of Industrial and Operations Engineering, University of Michigan（密歇根大学航空航天工程系、土木与环境工程系和工业与运营管理工程系）
AI总结 提出一种集成探索感知的无人机路径优化与轨迹规划框架，通过风险地图、不确定兴趣区域建模、B样条轨迹优化和在线重规划，在灾害监测中平衡报告点访问与新信息探索，实现平均KL散度降低15.9%。
TetriServe: Efficiently Serving Mixed DiT Workloads
TetriServe: 高效服务混合DiT工作负载
机构 * University of Michigan（密歇根大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Nanyang Technological University（南洋理工大学）
AI总结 针对混合分辨率与截止时间的异构DiT工作负载，提出基于步骤级序列并行的TetriServe系统，通过轮次调度与自适应并行度，在保证图像质量下将SLO达成率提升32%。
Environment-Adaptive Covariate Selection: Learning When to Use Spurious Correlations for Out-of-Distribution Prediction
环境自适应协变量选择：学习何时利用虚假相关进行分布外预测
机构 * Department of Statistics, University of Michigan, Ann Arbor（统计系，密歇根大学，安阿伯分校）
AI总结 针对分布外预测中协变量选择问题，提出环境自适应算法，根据环境特征动态选择协变量集，在模拟和实际数据中优于静态方法。
Would you still call this Dax? Novel Visual References in VLMs and Humans
你还会称它为Dax吗？VLM与人类中的新颖视觉参照
机构 * McGill University（麦吉尔大学） ； Mila Quebec AI Institute（魁北克人工智能研究所） ； University of Michigan - Ann Arbor（密歇根大学安娜堡分校） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席）
AI总结 提出新颖视觉参照数据集（NVRD），通过对比VLM和人类对新颖视觉概念的泛化能力，发现模型在矛盾先验知识时难以习得新概念，且过度泛化。
Detecting High-Potential SMEs with Heterogeneous Graph Neural Networks
使用异构图神经网络检测高潜力中小企业
机构 * University of Michigan（密歇根大学） ； The University of Hong Kong（香港大学）
AI总结 提出SME-HGT异构图Transformer框架，利用公开数据构建包含公司、研究主题和政府机构的异构图，预测SBIR第一阶段获奖者能否进入第二阶段，AUPRC达0.621，优于基线模型。
Comments accepted by (ICIIS 2026)
Maximin Relative Improvement: Fair Learning as a Bargaining Problem
最大化相对改进：将公平学习视为讨价还价问题
机构 * Department of Statistics, University of Michigan, Ann Arbor, USA（密歇根大学统计学系，安阿伯，美国）
AI总结 提出将群体公平解释为子群体间的讨价还价问题，通过相对改进指标恢复Kalai-Smorodinsky解，并给出公理化和有限样本收敛保证。
Comments Accepted at ICML 2026
Branch-and-Browse: Efficient and Controllable Web Exploration with Tree-Structured Reasoning and Action Memory
Branch-and-Browse：具有树状推理与动作记忆的高效可控网页探索
机构 * University of Michigan（密歇根大学） ； Alibaba Group（阿里巴巴集团） ； McMaster University（麦马斯特大学）
AI总结 提出Branch-and-Browse框架，通过树状结构化推理、网页状态重放和页面动作记忆，实现LLM网页代理的高效可控多分支探索，在WebArena上成功率35.8%，执行时间降低40.4%。
Benchmarking Counterfactual Prediction in Epidemic Time Series with Time-Varying Interventions
具有时变干预的流行病时间序列中的反事实预测基准测试
机构 * University of Michigan Computer Science and Engineering（密歇根大学计算机科学与工程系） ； University of Michigan Epidemiology & Complex Systems（密歇根大学流行病学与复杂系统）
AI总结 为解决缺乏可观测反事实结果的真实基准问题，基于校准的基于智能体的模型生成大规模流行病时间序列反事实预测基准，支持静态/时变治疗和单/多策略干预，评估多种因果推断方法。
Comments To appear in Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)
Artists' Views on Robotics Involvement in Painting Productions
艺术家对机器人参与绘画创作的看法
机构 * CONTACT Unit, Italian Institute of Technology（意大利理工学院联络单位） ； University of Michigan（密歇根大学）
AI总结 通过八位抽象艺术家与机器人合作绘画的实证研究，发现人机协作更富趣味性和反思性，提供更大自主性，并激发克服系统限制的新策略。
Comments 10 pages, 9 figures, submitted to RAM special issue: Arts and Robotics
AC-LIO: Towards Asymptotic Compensation for Distortion in LiDAR-Inertial Odometry via Selective Intra-Frame Smoothing
AC-LIO：通过选择性帧内平滑实现激光雷达-惯性里程计中畸变的渐近补偿
机构 * State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (LIESMARS), Wuhan University, China（信息工程测绘遥感国家重点实验室（LIESMARS），武汉大学，中国） ； Department of Mechanical Engineering, University of Michigan-Dearborn（密歇根大学迪尔伯恩分校机械工程系） ； Electronic Information School, Wuhan University, China（武汉大学电子信息学院，中国） ； School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（南洋理工大学电子电气工程学院，新加坡）
AI总结 提出AC-LIO框架，通过渐近反向传播更新项并在收敛准则指导下补偿残余运动畸变，以最小计算开销提升离散状态LIO系统精度，在长期大尺度定位中平均RMSE降低30.4%。
Comments 11 pages, 9 figures
The Curse and Blessing of Mean Bias in FP4-Quantized LLM Training
FP4量化LLM训练中均值偏差的诅咒与祝福
机构 * Fudan University（复旦大学） ； University of Bath（巴斯大学） ； Shanghai Innovation Institute（上海创新研究院） ； University of Oxford（牛津大学） ； Oxford Suzhou Centre for Advanced Research（牛津苏浙研究中心） ； University of Colorado Boulder（科罗拉多大学波德格分校） ； University of Michigan（密歇根大学） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 发现FP4训练失败源于激活异常值由秩一均值偏差主导，提出Averis均值残差分离量化法，在Qwen3模型上实现鲁棒W4A4G4训练，损失差距低于NVIDIA的Hadamard方法。
Asymmetric Friction in Geometric Locomotion
几何运动中的非对称摩擦
机构 * Robotics program at Oregon State University（俄勒冈州立大学机器人项目） ； Department of Electrical Engineering and Computer Science at the University of Michigan（密歇根大学电气工程与计算机科学系）
AI总结 本文提出将非对称摩擦引入几何运动模型，用Finsler度量替代Riemannian度量，并扩展子Riemannian方法为子Finsler方法，以表征系统运动能力。
Comments 23 pages, 15 figures
From Small to Large: A Graph Convolutional Network Approach for Solving Assortment Optimization Problems
从小到大：一种用于解决分类优化问题的图卷积网络方法
机构 * Smith School of Business, Queen’s University（女王大学商学院） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） ； Stephen M. Ross School of Business, University of Michigan（密歇根大学罗斯商学院）
AI总结 提出图卷积网络（GCN）框架高效求解约束分类优化问题，通过图表示学习参数到最优分类的映射，小样本训练可泛化至大规模问题，数值实验显示20产品训练模型在2000产品问题上达到85%以上最优收益。
Comments Journal version updated
MASLab: A Unified and Comprehensive Codebase for LLM-based Multi-Agent Systems
MASLab：基于LLM的多智能体系统的统一全面代码库
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； University of Oxford（牛津大学） ； Princeton University（普林斯顿大学） ； Meta ； University of Michigan（密歇根大学） ； The University of Sydney（悉尼大学） ； Beihang University（北航） ； Nanyang Technological University（南洋理工大学） ； Nanjing University（南京大学）
AI总结 提出MASLab代码库，集成20余种方法，提供统一环境与标准化评估，降低研究门槛，覆盖10+基准测试和8种模型。
Comments 18 pages, 11 figures
Kareus: Joint Reduction of Dynamic and Static Energy in Large Model Training
Kareus：大型模型训练中动态与静态能量的联合降低
机构 * University of Michigan（密歇根大学）
AI总结 针对AI训练能耗高昂问题，提出Kareus系统，通过联合优化细粒度内核调度与频率缩放，协同降低动态和静态能耗，在相同训练时间下节能28.3%，或相同能耗下提速27.5%。
Comments OSDI '26 | Open-source at https://github.com/ml-energy/kareus
MoReBench: Evaluating Procedural and Pluralistic Moral Reasoning in Language Models, More than Outcomes
MoReBench：评估语言模型中的程序性和多元道德推理，超越结果
机构 * University of Washington（华盛顿大学） ； New York University（纽约大学） ； Scale AI ； Harvard University（哈佛大学） ； University of Michigan（密歇根大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Center for AI Safety（人工智能安全中心） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； University of Oxford（牛津大学）
AI总结 提出MoReBench基准，包含1000个道德场景和超过2.3万条标准，用于评估语言模型在道德推理中的程序性推理能力，发现现有基准无法预测模型表现，且模型对特定道德框架存在偏好。
Comments 46 pages, 8 figures, 10 tables. Published in ICLR 2026. Accepted at CHAI workshop and SPP 2026 (non-archival)
ExPLAIND: Unifying Model, Data, and Training Attribution to Study Model Behavior
ExPLAIND：统一模型、数据和训练归因以研究模型行为
机构 * University of Michigan（密歇根大学）
AI总结 提出ExPLAIND框架，统一归因于模型组件、数据和训练轨迹，支持跨粒度解释，通过梯度路径核和AdamW核机器推导参数级和步骤级影响分数，验证了Transformer的Grokking和EuroLLM预训练中的两阶段动态。
Comments published at ICML 2026, code at https://github.com/mainlp/explaind
FOCUS on Contamination: Hydrology-Informed Noise-Aware Learning for Geospatial PFAS Mapping
聚焦污染：基于水文信息与噪声感知的地理空间PFAS测绘学习
机构 * University of Michigan（密歇根大学） ； Environmental Working Group（环保工作组） ； University of California, Davis（加州大学戴维斯分校）
AI总结 提出FOCUS框架，结合稀疏PFAS观测与水文连通性等环境先验，通过噪声感知损失实现鲁棒训练，在PFAS污染测绘中优于传统方法。
Comments Best Paper Award at ICLR 2026 Machine Learning for Remote Sensing Workshop
MPK: A Compiler and Runtime for Mega-Kernelizing Tensor Programs
MPK：一种用于将张量程序转化为巨型内核的编译器和运行时系统
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Tsinghua University（清华大学） ； NVIDIA ； University of Michigan（密歇根大学） ； Independent Researcher（独立研究者） ； Peking University（北京大学）
AI总结 提出MPK，首个自动将多GPU模型推理转化为单个高性能巨型内核的编译器和运行时系统，通过SM级图表示实现跨算子软件流水线和细粒度计算通信重叠，显著降低推理延迟。
Comments 14 pages
Data-Constrained Language Model Pretraining: Improved Regularization and Scaling Laws
数据受限的语言模型预训练：改进的正则化与缩放定律
机构 * University of Michigan（密歇根大学） ； KAIST AI（韩国科学技术院人工智能研究所）
AI总结 研究数据受限下语言模型预训练的正则化与缩放，提出掩码输入正则化（MIR）改善验证损失，并设计SoftQ缩放定律更准确拟合重复数据下的模型与数据规模交互。
The hyper-scaled NLP bound for maximum-entropy remote sampling
最大熵远程采样的超缩放NLP界
机构 * University of Michigan（密歇根大学） ； Universidade Federal do Rio de Janeiro（里约热内卢联邦大学）
AI总结 针对最大熵远程采样问题，提出基于凸松弛的超缩放NLP界，理论上优于传统互补NLP界，并适用于秩亏协方差矩阵，通过数值实验验证了算法先进性。
What Really Matters for Table LLMs? A Meta-Evaluation of Model and Data Effects
表格LLM真正重要的是什么？模型与数据影响的元评估
机构 * University of Michigan（密歇根大学） ； AWS AI Labs（AWS人工智能实验室） ； Figma ； OKX ； Google（谷歌）
AI总结 通过指令微调12个模型并在16个基准上评估，发现基座模型选择比训练数据对性能影响更大，泛化与推理仍是挑战。
Comments EACL 2026 Findings
