高校专区
可能还是确定？评估临床文本中诊断不确定性保留的基准
机构 * Trine University（特里尼大学） ； University of Michigan（密歇根大学） ； Amazon（亚马逊）
AI总结 构建包含9184个不确定性标注的基准，评估LLM在临床文本中保留诊断不确定性的能力，发现LLM保留原始不确定性线索不足一半，且难以区分相邻级别。
基于学习优化的临时工顺序雇佣
机构 * Department of Industrial and Operations Engineering, University of Michigan（工业与运营工程系，密歇根大学） ； Ross School of Business, University of Michigan（罗斯商学院，密歇根大学）
AI总结 针对临时工场景中工人产能和劳动力供给的不确定性，提出DR-UCB策略，通过学习周期顺序决策替换与雇佣，实现累积利润最大化，并证明其遗憾下界匹配。
形式化并缓解大语言模型注意力中的结构失真以实现零样本图推理
机构 * University of Michigan（密歇根大学） ； Amazon（亚马逊）
AI总结 本文形式化了大语言模型处理文本属性图时因图线性化导致的结构失真机制，并提出轻量级推理时修改方法GaLA，通过校正注意力偏差提升零样本图推理性能。
Comments Accepted to KDD 2026
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。
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)
首次证明第二批
机构 * Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Harvard University（哈佛大学） ； Polish Academy of Sciences（波兰科学院） ； UC Berkeley（加州大学伯克利分校） ； Brown University（布朗大学） ； ETH Zürich（苏黎世联邦理工学院） ； MIT（麻省理工学院） ； Weierstrass Institute（魏尔斯特拉斯研究所） ； Duke University（杜克大学） ； Sorbonne Université（索邦大学） ； Boston College（波士顿学院） ； Université du Québec à Montréal（魁北克大学蒙特利尔分校） ； UCLA（加州大学洛杉矶分校） ； University of Michigan（密歇根大学） ； University of Maryland（马里兰大学）
AI总结 测试多个AI系统在十个数学研究问题上的解题能力，评估当前AI解决研究级数学问题的水平。
AI在跨国劳动力中的采纳：人力资源中GenAI接受的社会技术条件
机构 * Technical University of Munich（慕尼黑技术大学） ； University of Michigan（密歇根大学） ； Princeton University（普林斯顿大学）
AI总结 研究跨国科技公司从传统HR系统转向GenAI系统过程中，员工采纳受情境适配、搜索素养和信任校准等社会技术条件影响，并提出了包容性部署的设计建议。
超越领域：通过可迁移交互模式重用网络技能
机构 * University of Michigan（密歇根大学） ； Alibaba Group（阿里巴巴集团） ； Purdue University（普渡大学） ； McMaster University（麦克马斯特大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 提出SkillMigrator代理，通过学习可迁移交互模式（TIP）匹配布局结构而非元素引用，实现跨站点技能重用，在WebArena和Mind2Web上成功轨迹的LLM动作数减少8-10%。
SierpinskiCam: 基于谢尔宾斯基三角形图案线索的相机控制视频重拍
机构 * University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； VISTEC, Thailand（泰国威斯泰克科学技术研究院）
AI总结 提出SierpinskiCam方法，通过谢尔宾斯基圆顶纹理线索增强几何引导，并引入参考视频条件机制，解决单目视频重拍中相机大角度偏离时的稀疏区域问题，提升相机可控性、几何一致性和视频质量。
Comments 20 pages, 13 figures
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：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%。
Tensor-Coord：用于无冲突多智能体LLM规划的联合计划张量代数分解
机构 * University of Michigan（密歇根大学）
AI总结 提出Tensor-Coord框架，将多智能体联合计划表示为三阶张量，通过CP和Tucker分解识别协调结构，计算协调复杂度并定位冲突，实现无冲突规划。
图对齐凸松弛中的相变
机构 * INRIA, DI/ENS, PSL Research University（INRIA，DI/ENS，PSL研究大学） ； Industrial and Operations Engineering, University of Michigan（工业与运营工程，密歇根大学）
AI总结 研究相关GOE矩阵的图对齐问题，分析凸松弛方法，证明当相关参数σ=o(n^{-1/2}/log^4 n)时解集中到真实排列，并刻画了相变阈值。
Comments Accepted for presentation at the Conference on Learning Theory (COLT) 2026
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)
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：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
课堂环境中的多模态说话人识别
机构 * University of Michigan（密歇根大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Maryland（马里兰大学）
AI总结 针对课堂背景噪声和儿童语音变异性导致纯声学模型准确率低的问题，提出融合声学嵌入与LLM语义上下文的多模态框架，将学生识别准确率从39.0%提升至50.3%，长句准确率达76.9%，角色区分准确率99.3%。
Comments 9 pages, 5 tables, 3 figures
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。
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
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：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
SERF：面向长时域移动操作任务的时空环境与机器人特征地图
机构 * UC San Diego（加州大学圣地亚哥分校） ； Agency for Defense Development（国防发展局） ； SceniX Inc.（SceniX公司） ； University of Michigan（密歇根大学）
AI总结 提出SERF地图，将环境与机器人身体表示为共享潜空间中的神经点，并在线更新，作为VLA模型的状态输入，提升长时域移动操作中的推理能力，在BEHAVIOR-1K上优于纯图像基线。
Comments Project page: https://existentialrobotics.org/serf/
面向开放集射频指纹识别的分布外检测器
机构 * University of Michigan（密歇根大学）
AI总结 针对开放集射频指纹识别中未知发射机与时间漂移引起的分布偏移问题，引入基于信息论的OOD检测统一框架，并采用无需OOD调优数据的方法，在POWDER数据集上验证其性能接近有真实OOD数据的基线。
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：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：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
FreqKD: 面向红外目标检测的频率解耦跨模态知识蒸馏
机构 * University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）
AI总结 针对RGB与红外图像模态差异，提出频率解耦蒸馏框架FreqKD，对低频和高频成分分别施加严格MSE和松弛log-MSE损失，在KAIST数据集上提升DINOv2基线2.4 mAP50。
SceneMiner: 保持身份的多任务微调用于统一BEV场景挖掘
机构 * University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）
AI总结 提出SceneMiner，一种统一的仅相机鸟瞰图管道，通过冻结视觉语言骨干网络在单次前向传播中发出互补的挖掘信号，并发现跨任务干扰问题，通过零初始化新子模块和冻结共享流参数的身份保持多任务微调解决。
PLUME: 多指操作的概率潜在统一世界建模与参数估计
机构 * University of Michigan（密歇根大学） ； Honda Research Institute USA（本田美国研究所）
AI总结 提出PLUME世界模型，联合学习参数信念演化与条件动力学，通过在线参数推断实现零样本迁移，在螺丝刀旋转等任务中优于现有方法。
Comments 16 pages, 5 figures
每个行为都有代价：前沿大语言模型中的压缩道德组合
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Tokyo（东京大学）
AI总结 针对现有道德基准仅评估孤立行为偏好的不足，提出Moral Trolley Arena两阶段盲ELO基准，通过校准个体道德行为并组合为双行为项，发现前沿LLM的道德判断呈压缩而非简单加性关系。
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