高校专区
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：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
通过校准视角看人机协作
机构 * Department of Computer Science, Johns Hopkins University（计算机科学系，约翰霍普金斯大学） ； Department of Statistics, University of Michigan（统计学系，密歇根大学）
AI总结 研究通过统计校准视角分析人机协作模型，发现组合方法不保留人类校准度，而委托方法将校准负担转移给拒绝器元模型，且当人类依赖系统不可观测信息时无法实现。
Comments 19 pages, 5 figures (including appendix)
动态线性注意力
机构 * The Ohio State University（俄亥俄州立大学） ； University of Michigan（密歇根大学） ； ByteDance Seed（字节跳动Seed）
AI总结 提出DLA框架，通过信息感知动态状态合并和容量受限内存建模，解决多状态线性注意力中固定合并策略导致的错误累积问题，在16个数据集上超越现有方法。
Comments Accepted by ICML 2026
将混合系统嵌入连续潜在向量场
机构 * University of California, Berkeley, CA, USA（加州大学伯克利分校） ； University of Michigan, Ann Arbor, MI, USA（密歇根大学安娜堡分校）
AI总结 证明当m>2n时，n维混合系统可嵌入m维欧氏空间中的连续向量场，并基于此提出一种潜在神经ODE方法，从时间序列数据中准确恢复混合系统流，优于现有方法。
Comments Accepted to ICML 2026
LieIPM：用于刚体直接轨迹优化的李群内点法
机构 * University of California, Berkeley（加州大学伯克利分校） ； MIT（麻省理工学院） ； Ohio University（俄亥俄大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 提出一种基于李群结构的约束轨迹优化框架LieIPM，利用二阶刚体模型和变分积分器，实现无奇异、快速收敛的牛顿型更新。
Prefilling-dLLM: 扩散语言模型中长上下文推理的预测性预填充
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） ； LMSYS Org（LMSYS组织）
AI总结 针对扩散语言模型在长上下文中因重复编码前缀导致计算量二次增长的问题，提出Prefilling-dLLM框架，通过分块缓存KV表示并基于稀疏性选择相关块，实现高效解码，在LongBench等基准上达到最先进加速效果。
Comments Technical Report
双分支门控融合用于开放集音频深度伪造源追踪
机构 * College of Innovation and Technology, University of Michigan, Flint, MI, USA（创新与技术学院，密歇根大学弗林特分校） ； ProbeTruth Inc.（ProbeTruth公司）
AI总结 针对开放集音频深度伪造源追踪问题，提出双分支门控融合框架，结合XLSR-53和CORES描述符，通过输入条件门控自适应加权，实现域内高精度和域外鲁棒泛化。
草图到布局：面向约束感知的模块化光生物反应器合成的人本计算代理
机构 * Qrafty Technology Inc.（Qrafty技术公司） ； University of Michigan（密歇根大学）
AI总结 提出一种计算框架，将用户草图转化为模块化光生物反应器立面布局，通过约束满足问题（CSP）求解器实现近实时合成，并引入弱监督藻类健康监测管道，实现碳中性和自主维护。
Comments 13 pages, 6 figures
流式数据的结构化自适应张量预测
机构 * Michigan Institute for Computational Discovery and Engineering, Department of Statistics, Department of Electrical Engineering and Computer Science, University of Michigan（密歇根大学计算发现与工程研究所、统计系、电气工程与计算机科学系） ； Department of Statistics, University of Michigan（密歇根大学统计系）
AI总结 针对矩阵值时间序列的流式预测，提出自适应张量回归框架，包含矩阵-矩阵和张量-矩阵两种形式，并开发在线SGD算法，张量-矩阵模型在稳态误差和去噪方面更优，同时建立了低维结构下的恢复保证。
基于管状播种的费曼积分高效类脑约化
机构 * Leinweber Institute for Theoretical Physics, Randall Laboratory of Physics, University of Michigan, Ann Arbor, 450 Church St, Ann Arbor, MI 48109-1040, USA（莱因韦伯理论物理研究所，物理系拉尔登实验室，密歇根大学安娜堡分校） ； Axiom Math, 124 University Avenue, Palo Alto, California, 94301, United States（Axiom数学公司，帕洛阿尔托，加利福尼亚州，94301，美国） ； Niels Bohr International Academy, Niels Bohr Institute, University of Copenhagen, Blegdamsvej 17, 2100 Copenhagen , Denmark（尼尔斯·波尔国际学院，尼尔斯·波尔研究所，哥本哈根大学） ； Center for Quantum Mathematics, Department of Mathematics and Computer Science, University of Southern Denmark, Campusvej 55, 5230 Odense M, Denmark（量子数学中心，数学与计算机科学系，丹麦南部大学） ； Higgs Centre for Theoretical Physics, University of Edinburgh, Edinburgh, EH9 3FD, United Kingdom（希格斯理论物理中心，爱丁堡大学）
AI总结 利用机器学习发现一种新的种子选择策略，通过稀疏种子线性增长实现高幂次多圈积分的约化，显著降低计算时间和内存占用，适用于唯象应用。
Comments 61 pages, 25 figures, 11 tables
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。
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。
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
NüshuVoice：利用音高感知文本到语音技术复兴濒危女书的声音
机构 * Ocean University of China（中国海洋大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Cornell University（康奈尔大学） ； Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Michigan–Ann Arbor（密歇根大学安娜堡分校） ； University of Science and Technology of China（中国科学技术大学） ； Harbin Institute of Technology（哈尔滨工业大学）
AI总结 针对女书语音数据稀缺问题，提出NüshuVoice基准和F0条件VITS框架Nüshu-PitchVITS，利用五级音高标注作为韵律先验，在频谱保真度、音高重建和可懂度上优于强基线。
Comments 12 pages, 3 figures
IR-SIM：一种用于导航、学习和基准测试的轻量级技能原生模拟器
机构 * The University of Hong Kong（香港大学） ； Shenzhen Institutes of Advanced Technology（深圳先进技术研究院） ； Southern University of Science and Technology（南方科技大学） ； University of Michigan（密歇根大学） ； University of Macau（澳门大学）
AI总结 提出轻量级技能原生导航模拟器IR-SIM，通过YAML配置完全定义场景，支持文本提示生成与修改，用于导航算法基准测试和训练数据自动生成，并桥接高保真模拟器和真实部署。
Comments 12 pages, 6 figures, project website: https://github.com/hanruihua/ir-sim
稀疏自编码器引导副作用的干预前预测
机构 * University of Michigan（密歇根大学）
AI总结 提出一种干预前筛选框架，利用特征统计预测SAE引导的副作用（效果不稳定和附带扩散），在多个模型和字典上验证了解码器几何等信号优于基线，但预测效果因模型而异。
AI认知顺从指数：谄媚行为的连续度量
机构 * Independent（独立研究者） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； Transluce
AI总结 提出AI认知顺从指数（AEDI），通过从自然语言输出中估计概率来连续度量模型对用户态度的顺从程度，测试8个模型发现显著差异，Claude顺从最少，Grok和Gemini最多。
谁的规范？解开大语言模型中的文化与个人对齐
机构 * University of Michigan - Ann Arbor（密歇根大学安娜堡分校） ； University of Copenhagen（哥本哈根大学）
AI总结 提出PACT框架评估大语言模型在文化规范与个人偏好间的权衡，发现模型受国家背景影响大于年龄和性别，且人类对齐未能捕捉文化多元性。
Comments Preprint under review
VoLo: 面向开放词汇长时程操控的物理编排器
机构 * NVIDIA（英伟达） ； University of Michigan（密歇根大学）
AI总结 提出VoLoAgent，利用VLM将VLA/WAM作为可中断工具进行物理编排，实现开放词汇长时程操控，并在新基准RoboVoLo上显著优于现有系统。
通过扩散强迫实现统一且稳健的数据同化：ForcingDAS
机构 * University of Michigan（密歇根大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出ForcingDAS，一种基于扩散强迫的统一数据同化框架，能够捕捉长时序依赖并减少误差积累，同时在推理时无需重新训练即可实现滤波到平滑的全谱应用。
可学习总变分与Lambda映射用于低剂量CT去噪
机构 * University of Michigan（密歇根大学）
AI总结 本文提出可学习总变分框架，通过结合展开的总变分求解器与LambdaNet预测像素级正则化图，实现空间自适应平滑，实验显示在低剂量CT去噪中优于传统TV和FBP+U-Net。
Journal ref 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI)
车道变更轨迹规划：个性化驾驶舒适性与移动效率
机构 * Department of Mechanical Engineering（机械工程系） ； Department of Electrical Engineering（电气工程系） ； National University of Singapore（新加坡国立大学） ； Computer Science（计算机科学） ； University of Michigan（密歇根大学）
AI总结 提出一种神经网络驱动的轨迹规划器，结合三阶多项式轨迹生成与学习模块，通过双头共享骨干和基于误差胜者逻辑回归的统计门控机制，实现个性化舒适性与移动效率的平衡。
Comments Accepted by the IEEE Intelligent Vehicles Symposium (IEEE IV 2026), Detroit, MI, United States, June 22_25, 2026
AxisGuide: 在RGB观测中接地机器人动作坐标系以实现鲁棒的视觉运动操控
机构 * Korea University（韩国大学） ； University of Michigan（密歇根大学） ； KT R&D Center（KT研发中心） ； Kakao Mobility（Kakao移动）
AI总结 针对视觉运动策略在分布偏移下动作执行失败的问题，提出AxisGuide方法，通过渲染机器人基座坐标系轴并叠加提示通道，增强动作坐标理解，显著提升泛化性能。
Comments Accepted to Robotics: Science and Systems (RSS) 2026
NTILC: 通过学习的压缩实现神经工具调用
机构 * Department of Robotics, University of Michigan（机器人学系，密歇根大学） ； Department of ECE, University of Michigan（电子工程与计算机科学系，密歇根大学）
AI总结 提出NTILC框架，用学习的潜在检索替代上下文工具查找，将工具选择与参数生成解耦，通过签名感知复合损失函数提升选择精度，相比基线减少95%上下文消耗和74%延迟。
Comments 10 Pages, 4 Figures, 5 Tables, 1 Algorithm
量化如何改变可解释特征：语言模型的稀疏自编码器分析
机构 * University of Michigan（密歇根大学）
AI总结 通过稀疏自编码器分析，发现量化导致语言模型中的可解释特征逐渐退化，且任务指标无法完全反映这种损伤，量化与幅度剪枝共享相似的损伤模式。
Comments 12 Pages of Content, Submitted to TMLR
利用场景图扩展机器人模仿学习的时空上下文
机构 * University of Pennsylvania（宾夕法尼亚大学） ； RAI Institute（RAI研究院） ； University of Michigan（密歇根大学）
AI总结 提出使用场景图作为显式结构化记忆机制，通过动态维护对象中心关系及其时间演化，解决机器人模仿学习中的部分可观测性和长时推理问题。
超越搜索的潜在几何：在世界模型中摊销规划
机构 * Department of Robotics, University of Michigan, Ann Arbor（密歇根大学机器人系，安阿伯）
AI总结 提出在正则化潜在几何下，将规划摊销为潜在逆动力学映射，以轻量级GC-IDM替代在线搜索，在七个环境协议中匹配或超越CEM，决策成本降低100-130倍。
Comments 31 pages
Transformer中的注意力汇聚：利用、解释与缓解综述
机构 * Tsinghua University（清华大学） ； Meituan LongCat Team（美团LongCat团队） ； The University of Hong Kong（香港大学） ； University of Michigan（密歇根大学） ； Xiamen University（厦门大学） ； The Ohio State University（俄亥俄州立大学） ； Columbia University（哥伦比亚大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 本文首次系统综述Transformer中的注意力汇聚现象，从基础利用、机制解释和策略缓解三个维度梳理研究现状，为未来研究提供指导。
MACD：基于反事实数据的模型感知对比解码
机构 * University of Michigan, Ann Arbor, MI, USA（密歇根大学，安娜堡分校） ； University of California San Diego, La Jolla, CA, USA（加州大学圣地亚哥分校）
AI总结 提出MACD方法，利用视频语言模型自身反馈识别导致幻觉的目标区域，生成目标级反事实输入，结合对比解码减少幻觉，提升多模型在复杂场景下的准确性。
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