高校专区
面向资源受限农村地区多模态临床筛查的云边协同系统
机构 * University of Michigan（密歇根大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard Medical School（哈佛医学院）
AI总结 该研究针对资源受限农村地区的多模态临床筛查问题，提出云边协同架构，经实验验证其诊断性能优异且成本更低，可适配部署约束。
Comments 31 pages, 3 figures. In Proceedings of Machine Learning Research, Volume 340, 2026 (Machine Learning for Healthcare Conference)
EgoCITE：面向长时程自我中心记忆的上下文增强索引与时序感知检索
机构 * University of Michigan（密歇根大学）
AI总结 本研究针对长时程自我中心记忆系统的索引不可靠、忽略时序意图的问题，提出EgoCITE框架，经多数据集评估，其准确率优于基线且成本显著低于长上下文LLM智能体。
基于公共领域电影集的对话感知视频到音乐生成
机构 * University of California San Diego（加利福尼亚大学圣地亚哥分校） ； University of Michigan（密歇根大学）
AI总结 该研究针对视频到音乐生成的可复现性问题，构建了OSSL-v2数据集，提出用对话作为条件信号的方法，在电影上评估后性能优于现有基线。
无权重微调：通过对数几率空间迁移实现大语言模型的个性化
机构 * University of Michigan（密歇根大学） ； University of Chicago（芝加哥大学）
AI总结 针对个性化场景下LLM微调成本过高的问题，提出无需权重更新的WFT方法，在LaMP基准上性能优于多数基线，仅用不到7%计算量接近SFT效果。
CARE：用于可靠医学视觉问答的置信感知推理
机构 * Ant Group（蚂蚁集团） ； University of Michigan（密歇根大学） ； City University of Hong Kong（香港城市大学）
AI总结 该研究针对医学多模态大语言模型的置信度校准问题，提出CARE框架，通过双阶段流程优化准确率与校准度，在三个医学VQA基准上取得最优性能，为临床决策支持提供可信基础。
Comments Accepted by MICCAI 2026
分层构型空间中接触感知不确定性校准的基于粒子的保形预测
机构 * University of Michigan（密歇根大学）
AI总结 针对机器人接触障碍物时运动模型不准确、未来构型分布异常的问题，提出CaPTURe算法，实现了接触与非接触场景下的指定覆盖率要求，任务成功率较最佳基线提升30%。
Comments 31 pages, 10 figures, 5 tables. Accepted at COPA 2026 (Conformal and Probabilistic Prediction with Applications). Project page: https://um-arm-lab.github.io/capture/
LLMVisor：面向多租户大语言模型（LLM）服务的实时延迟归因模型
机构 * University of Michigan（密歇根大学） ； ByteDance（字节跳动）
AI总结 针对多租户LLM服务中联合批处理导致的延迟归因难题，提出基于屋顶线模型的LLMVisor实时延迟归因模型，在微秒级高效运行，相比基线方法大幅降低预填充和解码阶段的相对误差
VOICE：一种融合原位单细胞基因表达直接预测与基于检索预测的视觉-组学基础模型
机构 * University of Michigan（密歇根大学） ； Weill Cornell Medicine（威尔康奈尔医学院）
AI总结 该研究提出多模态基础模型 VOICE，通过对比学习对齐 H&E 形态与单细胞表达嵌入，融合直接回归与参考检索分支，泛化性良好且在七项指标上优于现有方法，可从 H&E 图像预测单细胞基因表达。
PE-Mamba：用于AI生成图像检测的双向选择性层聚合
机构 * College of Innovation & Technology, University of Michigan-Flint（密歇根大学弗林特分校创新与技术学院） ； School of Electronics and Information Engineering, Korea Aerospace University（韩国航空大学电子与信息工程学院）
AI总结 本研究针对AI生成图像检测的挑战，提出基于PE-Core视觉Transformer的PE-Mamba框架，通过双向选择性聚合器等三个组件实现跨层特征聚合，在两个数据集上优于18种检测器且仅训练少量参数。
当GNN失效：量化与克服时间序列中的时间相关性波动性
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； The Hong Kong University of Science and Technology（香港科技大学） ； East China Normal University（华东师范大学） ； University of Michigan（密歇根大学）
AI总结 本研究提出时间相关性波动性（TCV）指标，发现高TCV下GNN等模型泛化差，进而提出GLIDE层，在合成与真实基准上使平均性能最高提升45.6%。
Comments 6 figures, 3 tables, 16 pages
Journal ref European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases, 2026
KV-Skill：在模型的原生语言中锻造专业技能
机构 * University of Michigan（密歇根大学）
AI总结 该研究提出KV-Skill，通过外部因子化算子存储任务知识，在多基准测试中提升了模型在LiveMath等任务上的准确率，且可独立加载多个技能无明显遗忘。
Comments 17 pages, 4 figures, 18 tables. Zhaowei Han and Xiang Zhang contributed equally to this work. Code: https://github.com/shawnzhg/KV-Skill
基于广义分层抽样的随机仿真在结构性能导向风险优化中的应用
机构 * University of São Paulo（圣保罗大学） ； University of Michigan（密歇根大学） ； Federal University of Paraná（巴拉那联邦大学）
AI总结 本研究提出结合广义分层抽样（GSS）与随机多项式混沌展开（SPCE）的框架，用于结构性能导向风险优化，可准确估算结构响应分布尾部并减少非线性模型评估次数。
SP3O：无需奖励建模的分段偏好强化学习
机构 * University of Michigan（密歇根大学）
AI总结 SP3O是一种无需奖励建模的新型PbRL算法，利用分段级偏好反馈，通过PPO型损失函数优化策略，在机器人控制和LLM微调等长视界任务中性能优于现有算法。
GeoID-PINN：考虑地理耦合的可识别性感知区域流行病推断方法
机构 * University of Michigan（密歇根大学）
AI总结 本研究提出GeoID-PINN，一种结合地理耦合与正则化的物理信息神经网络，用于区域流行病SIRD动力学推断，在模拟数据与路易斯安那州64个县COVID-19数据上均提升了预测准确性。
Comments 11 pages, 3 figures. Accepted at the 8th epiDAMIK ACM SIGKDD Workshop on Data-driven Decision Making for Public and Population Health (epiDAMIK @ KDD 2026)
在智能体丛林中通过历史感知的对手意识进化
机构 * University of Edinburgh（爱丁堡大学） ； University of Oklahoma（俄克拉荷马大学） ； Imperial College London（伦敦帝国学院） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Tencent（腾讯） ； Beijing Normal University（北京师范大学） ； Beijing Normal–Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院）
AI总结 针对多智能体环境中对手策略持续进化导致静态技能修改方法失效的问题，提出OASE方法，通过历史快照锚定的配对比较选择有益技能修改，在两类场景中实现更低均衡距离与更少无效策略变更。
能否用视觉-语言模型评估城市衰败：以底特律为例
机构 * School for Environment and Sustainability（环境与可持续发展学院） ； School of Information（信息学院） ； University of Michigan（密歇根大学）
AI总结 本研究以底特律为案例，提出基于开源大视觉-语言模型的多视角住宅衰败评估框架，经实验验证该框架可低成本跟踪住房状况，为传统调查提供补充。
Comments 19 pages, 11 figures
STAR-VLM：基于汽车雷达监督的时空视觉语言模型，用于运动与速度估计
机构 * University of Michigan（密歇根大学）
AI总结 该研究提出STAR-VLM框架，利用汽车雷达监督提升时空视觉语言模型的运动推理与度量速度估计能力，在驾驶场景相关任务上实现了优于特定任务方法的最先进性能。
评分规则！文本评估指标的统计对齐与策略对齐
机构 * University of Michigan（密歇根大学） ； Peking University（北京大学） ； Microsoft Research（微软研究院） ； Northwestern University（西北大学）
AI总结 该研究针对文本评估指标，提出统计与策略对齐概念及三项测试原则，开发基于互信息的指标设计框架，发现 LLM-as-a-Judge 相关性高但易操纵，新指标鲁棒性强且相关性具竞争力。
面向视觉语言赋能的无人机分类与灾害响应的系统工程框架
机构 * University of Arkansas（阿肯色大学） ； University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）
AI总结 该研究提出将视觉语言模型（VLMs）作为协同智能体嵌入人-无人机回路的系统工程框架，经评估可降低人因负担、提升AI信任度，推进了高风险灾害响应的人-自主系统协同。
Comments 10 pages, 8 figures. Author accepted manuscript of AIAA Paper 2026-4010, published in the AIAA AVIATION 2026 Forum
Journal ref AIAA AVIATION 2026 Forum, AIAA Paper 2026-4010, 2026
用于跟踪未知动力学的无遗憾自适应性学习与模型预测控制
机构 * University of Michigan（密歇根大学）
AI总结 该研究针对未知切换动力学的目标跟踪问题，提出自适应性学习结合模型预测控制的方法，经仿真和硬件实验验证其在各类轨迹下的无遗憾跟踪性能优于多种在线学习基线方法。
Comments 20 pages, 14 figures
用于定制产前护理的PATHFinder智能体
机构 * University of Michigan（密歇根大学）
AI总结 研究针对产前护理，提出PATHFinder智能体这一端到端对话系统，通过结构化对话收集信息并制定个性化计划，展示社区资源。经评估前沿大语言模型，GPT-5.2平均分最高，还发现检测建议差距，将开展人体研究和随机对照试验验证。
Comments Accepted as demo at ACM Interactive Health 2026. https://realize-lab.github.io/PATHFinder/
Kernel Forge：用于基于大语言模型的CUDA内核生成与优化的代理框架
机构 * University of Michigan（密歇根大学）
AI总结 研究针对机器学习模型中计算内核优化需专家手写代码的问题，提出开源端到端代理框架Kernel Forge，它支持多种工作负载，用蒙特卡洛树搜索优化路径，经实验评估，优化后的内核性能优于PyTorch即时模式。
Comments The code is available at: https://github.com/TheJoshBrod/KernelForge
基于生成模型和自适应测试的离线到在线创意优化
机构 * University of Michigan（密歇根大学） ； Meta
AI总结 研究如何利用历史A/B测试数据，通过性能驱动的离线到在线工作流程，用预测模型指导生成测试广告位候选创意，经实验验证该方法能有效提升创意参与度，为创意优化提供设计原则。
PRISM：用于交互结构运动控制的多项式表示
机构 * University of Michigan（密歇根大学）
AI总结 研究针对机器人观察中物理变量交互作用问题，提出PRISM策略表示，通过因式分解多项式模块展现高阶交互特征，在强化和模仿学习中应用，提升了人形机器人运动等性能，还能产生无传感器柔顺行为，表明多项式表示应成运动控制标准选择。
用于动力膝盖-脚踝假肢控制器个性化的重放约束模拟框架
机构 * College of Engineering, University of Michigan（密歇根大学工程学院）
AI总结 研究动力假肢腿阻抗控制器个性化难题，提出重放约束模拟框架，通过再现动力学、重放数据绕过复杂人类机制，用深度强化学习策略个性化关节参数，经实验验证有强预测有效性，提升生物模仿奖励。
AXIS：用于可扩展机器人操作的可增长社区驱动数据引擎
机构 * Axis Robotics（轴机器人公司） ； University of California, Berkeley（加州大学伯克利分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Texas A&M University（德州农工大学） ； Johns Hopkins University（约翰·霍普金斯大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学）
AI总结 研究针对机器人操作策略学习中数据管道难扩展的问题，提出AXIS这一可增长社区驱动数据引擎，它能收集、处理数据并组织成任务快照，通过实验表明其能提升模型性能且随数据量增加有一致扩展性。
Comments Project Website: https://axisaiorg.github.io/AXIS-V1/
用于移动健康部署的扩散模型亚群数字孪生：以HeartSteps干预为例
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； The Ohio State University（俄亥俄州立大学） ； Harvard University（哈佛大学） ； University of Michigan（密歇根大学）
AI总结 研究针对移动健康干预算法设计问题，提出基于条件时间序列扩散模型开发“JITAI-Twins”数字孪生的方法，经多步更新，在HeartSteps干预部署预阶段验证，能更好再现目标亚群结构，为算法设计决策提供模拟。
用于可扩展多机器人轨迹优化的基于分布式模型的扩散算法
机构 * Robotics Department, University of Michigan（密歇根大学机器人系）
AI总结 针对多机器人轨迹优化难题，提出分布式基于模型的扩散算法（DMBD），将反向扩散过程分解为局部条件反向扩散过程，使机器人能独立去噪，模拟显示其可扩展性强，能快速解决协调任务且优于现有基线。
Comments 9 pages, 4 figures
深度强化学习引导的模型预测控制在自主赛车中防止超车的应用
机构 * University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学）
AI总结 研究自主赛车防御性阻挡问题，通过分层强化学习引导的模型预测控制框架，将防御转化为空间占用调节问题。在仿真中提升平均超车时间，减少对手前进距离，使车辆有效利用轮胎力，且求解时间短，支持实时高速对抗。
Comments Accepted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026). 8 pages, 7 figures
NavVerse：在连续机器人模拟中对室内到室外的具身导航进行基准测试
机构 * University of Michigan（密歇根大学） ； Tsinghua University（清华大学）
AI总结 研究针对机器人在连续场景中从室内到室外的导航问题，引入NavVerse基准，涵盖多种场景和任务。通过可执行接口用多指标评估智能体，零样本实验显示当前智能体在跨上下文导航上差距大，适应是主要瓶颈。
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