高校专区
SEVA: 具有过程奖励的自进化验证代理用于事实归因
机构 * University of Southern California, Los Angeles, USA（美国南加州大学，洛杉矶） ； University of Michigan, Ann Arbor, USA（美国密歇根大学，安娜堡）
AI总结 提出SEVA，一种结构化验证代理，通过过程奖励解决多组件输出中的优势崩溃问题，实现自我进化循环，在7B模型上验证了奖励粒度必须匹配输出粒度的原则。
Comments Accepted at AI4GOOD@ICML 2026 and FAGEN@ICML 2026. Code: https://github.com/Justin0504/Verifiable_agent
一场景，两深度：探究单目基础模型中的几何歧义性
机构 * University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； Vanderbilt University（范德比大学）
AI总结 本文提出稀疏双层序数基准MD-3k，用于测量单目深度基础模型的深度层偏好和多层空间关系准确性，发现不同模型对同一分层几何结构有不同解析，且拉普拉斯视觉提示可改变冻结模型的输出层。
Comments 49 pages, 25 figures; Accepted by European Conference on Computer Vision (ECCV) 2026
AI 如何解决了最古老 SGD 算法的复杂度问题
机构 * University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文利用现代 AI 模型（如 ChatGPT 和 Gemini）协作，发现了 Kaczmarz 算法（最早 SGD 算法）的最坏情况复杂度。
TAP-VLA：面向视觉语言动作模型的触觉标注提示
机构 * Robotics Department, University of Michigan（密歇根大学机器人系） ； Computer Science and Engineering Department, University of Michigan（密歇根大学计算机科学与工程系）
AI总结 提出TAP-VLA框架，通过将触觉剪切场叠加到RGB图像上作为视觉增强，无需修改架构或触觉预训练，即可将触觉反馈融入VLA模型，在接触丰富任务中成功率78%，显著优于基线。
Comments 8 pages + references
弱主导平衡：用于鲁棒识别动态一致流体流动结构
机构 * Department of Mechanical Engineering, University of Washington, Seattle, WA, USA（华盛顿大学机械工程系） ； AI Institute in Dynamic Systems, University of Washington, Seattle, WA, USA（动态系统人工智能研究所） ； Lynn Booth and Kent Kresa Department of Aerospace, California Institute of Technology, Pasadena, CA, USA（加州理工学院航空航天系） ； Department of Mechanical and Aerospace Engineering, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校机械与航空航天工程系） ； Department of Aerospace Engineering, University of Michigan, Ann Arbor, MI, USA（密歇根大学航空航天工程系）
AI总结 提出弱主导平衡框架，通过弱形式投影避免数值微分噪声，实现从高噪声数据中识别物理机制，并成功应用于湍流管道流动的三阶偏微分方程分解。
用于开发和评估因果AI的神经影像模拟框架
机构 * Biomedical Engineering Graduate Program, University of Calgary（卡莱尔大学生物医学工程研究生项目） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算机系） ； Department of Radiology, University of Michigan（密歇根大学放射科）
AI总结 提出一种生成具有已知因果结构的合成神经影像框架，通过模拟T1加权MRI中的体积变化实现因果控制，为因果AI方法提供基准测试数据。
Comments 10 pages, 5 figures, submitted to the Journal of Biomedical and Health Informatics, Code available at https://github.com/erynl-s/SCAR
抗干扰的PRB预留用于延迟关键型O-RAN网络切片
机构 * Department of Electrical and Computer Engineering, University of Michigan-Dearborn（密歇根大学迪尔伯恩分校电气与计算机工程系）
AI总结 针对O-RAN下行链路中的恶意干扰导致PRB容量降低和延迟违规问题，提出一种基于预留的弹性框架，通过近实时RIC xApp控制预留PRB池，结合主动清除积压和被动分配预留容量，并采用掩蔽深度Q网络学习非平稳干扰下的最优策略，显著降低URLLC延迟违规并提高预留效率。
Comments Accepted at ML-Spec Workshop in IEEE DySPAN 2026
Journal ref Proc. 2026 IEEE International Symposium on Spectrum Innovation (DySPAN), Washington, DC, USA, May 11--14, 2026
在拜占庭故障下鲁棒的多智能体大语言模型
机构 * Department of Robotics, University of Michigan, Ann Arbor, USA（密歇根大学机器人系，安娜堡，美国） ； Thomas Lord Department of Computer Science, University of Southern California, USA（南加州大学计算机科学托马斯·劳德系，美国）
AI总结 本文提出Self-Anchored Consensus算法，通过去中心化迭代过滤和优化协议提升多智能体系统在拜占庭故障下的鲁棒性，实验表明其在数学和常识推理任务中表现优异。
通过非适应性子集查询进行聚类
机构 * CUNY Baruch College（纽约市立大学巴鲁克学院） ； UC San Diego（加州大学圣迭戈分校） ； University of Michigan（密歇根大学）
AI总结 本文提出首个非适应性子集查询聚类算法，通过O(n log k·(log k + log log n)^2)次查询实现改进，同时考虑查询规模限制和平衡聚类情况。
Comments Minor fixes
LLM 生成的 VeriFast 规范实证研究
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）
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。
AI采纳与能力的开源经济指数
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
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。
误差条件神经求解器
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）
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。
平均场 PhiBE：基于离散时间数据的连续时间平均场强化学习
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）
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：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
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）
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。
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
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）
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。
学习触发：大型强子对撞机的强化学习
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）
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: 智能体模型的数据配方
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）
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: 行为科学任务的基础模型基准测试
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）
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。
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
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）
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
数据强制蒸馏：恢复少步视频生成中的多样性和保真度
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）
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。
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
连接语言与行动：语言引导的机器人操作综述
机构 * Technical University of Munich（慕尼黑技术大学） ； Corporate Research, Robert Bosch GmbH（罗伯特·博世集团企业研究部） ； University of California Berkeley（加州大学伯克利分校） ； Microsoft（微软） ； Google DeepMind（谷歌DeepMind） ； Carnegie Mellon University（卡内基梅隆大学） ； Imperial College London（伦敦帝国理工学院） ； Princeton University（普林斯顿大学） ； University of Southern California（南加州大学） ； Sun Yat-sen University（中山大学） ； University of Michigan（密歇根大学） ； Institute for Artificial Intelligence, University of Stuttgart（斯图加特大学人工智能研究所） ； The State Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室）
AI总结 本文综述了语言引导的机器人操作领域，探讨了语言如何与机器人系统整合，分析了现有方法的分类及最新进展，指出关键争议和未来研究方向。
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
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)
神经网络作为线性回归：统计学家的入门介绍
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）
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。
非语言发声中的说话人身份：条件蒸馏与专家混合方法
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）
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
编织系统中涌现力学的降阶模型
机构 * Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系） ； Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系） ； Department of Robotics, University of Michigan（密歇根大学机器人学系） ； Department of Ecology and Evolutionary Biology, Museum of Zoology, University of Michigan（密歇根大学动物学博物馆生态与进化生物学系）
AI总结 提出一种降阶模型，通过节点和四个物理可解释的刚度单元捕捉编织结构中的各向异性刚度、剪切锁定等涌现力学行为，校准后与实验误差在5%以内，并展示了连续模型无法实现的能力。
PIVOTSBench：评估多模态大语言模型中的细粒度人际关系推理
机构 * Sun Yat-sen University（中山大学） ； University of Michigan（密歇根大学） ； Tsinghua University（清华大学）
AI总结 提出PIVOTS基准，基于Social-IQ 2.0和YouTube数据，评估多模态大语言模型在心理学研究基础上预测双向人际关系维度的能力，并包含辅助任务分析关键视觉线索。
Foresight: 基于动作条件世界模型潜在变量的长时程机器人操作故障检测
机构 * University of Michigan（密歇根大学） ； Princeton University（普林斯顿大学） ； University of Virginia（弗吉尼亚大学）
AI总结 提出Foresight框架，利用动作条件世界模型的潜在表征监测操作轨迹，仅用最终任务级标签训练，结合函数共形预测自适应校准阈值，在仿真和真实机器人长时程任务中实现高效故障检测。
理解后训练中的知识蒸馏：何时有效与何时失败
机构 * University of Michigan（密歇根大学） ； Zoom Video Communications（Zoom视频通信公司）
AI总结 本文系统研究后训练阶段的知识蒸馏，发现低数据场景下KD优于SFT，但数据充足时优势减弱；从更强教师蒸馏可恢复增益，并提出两阶段KD策略提升数据稀缺环境下的学生模型性能。
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