高校专区
分布式在线子模优化在通信延迟下的研究：一种同时决策方法
机构 * University of Michigan（密歇根大学）
AI总结 本文提出分布式在线贪心算法DOG，解决通信延迟下的子模优化问题，通过结合对抗性带宽学习与延迟反馈，在任意网络拓扑中实现同时决策，分析协调性能与收敛时间的权衡。
Comments Accepted to ACC 2026
几何注意力：一种针对Transformer注意力的显式操作语义
机构 * University of Michigan（密歇根大学）
AI总结 几何注意力提出了一种显式操作语义，通过四个独立输入定义注意力层，支持多头、混合核和计划锚等显式领域选择，实现注意力机制的原理性比较与扩展。
Comments 34 pages. Major reconstruction and retitling of the withdrawn previous version. The incorrect non-completability theorem and all dependent claims have been removed. The present version replaces the earlier operator-first development with an analysis of neural-architecture individuation and architecture under composition. Submitted to JMLR
DREAMS：基于密度泛函理论的智能体材料模拟研究引擎
机构 * Department of Mechanical Engineering, University of Michigan, Ann Arbor, Michigan, USA（机械工程系，密歇根大学，安阿伯，密歇根州，美国） ； Max-Planck-Institute for Sustainable Materials, Materials Informatics, Düsseldorf, Germany（可持续材料研究所，材料信息学，杜塞尔多夫，德国） ； Mechanical Engineering, University of Michigan, Ann Arbor, Michigan, USA（机械工程，密歇根大学，安阿伯，密歇根州，美国）
AI总结 本文提出基于DFT的分层多智能体框架DREAMS，通过多层安全防护提升LLM智能体材料模拟的可信度，在Sol27LC基准等任务中表现优异，可平衡可信度与成本，推动自主材料模拟发展。
Comments 47 pages, 44 pages of Supporting Information
多源人机协同数字孪生测试平台用于混合交通流中的连接与自动驾驶车辆
机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动性学院） ； Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系）
AI总结 本文提出了一种多源人机协同混合云控制测试平台（MSH-MCCT），用于在混合交通环境中测试连接与自动驾驶车辆（CAVs）与人类驾驶车辆（HDVs）之间的复杂交互，通过混合数字孪生概念结合混合现实与数字孪生，提升实验灵活性和可扩展性。
Journal ref 2026 in Journal of Intelligent and Connected Vehicles
超越截图：评估VLMs对UI动画的理解
机构 * University of Michigan（密歇根大学）
AI总结 本文提出AniMINT数据集，评估VLMs对动态UI动画的理解能力，发现其在基础运动检测上可靠，但高阶解释仍不一致，揭示了模型性能的关键瓶颈。
Comments Published in ACL 2026 Findings
拉格朗日扰动扩散引导：用于生成策略的潜在强化学习
机构 * University of Michigan（密歇根大学）
AI总结 提出拉格朗日扰动扩散引导（LP-DS），通过学习紧凑的噪声空间扰动来微调冻结的生成策略，利用拉格朗日信任区域目标优化，在保持潜在先验约束的同时提升下游价值，在多个基准上实现样本效率和回报提升。
Comments Accepted as a regular paper at ICML 2026
逐词进行：增量完成分解打破LLM安全
机构 * University of Michigan（密歇根大学） ； University of Toronto（多伦多大学）
AI总结 本文提出增量完成分解（ICD）策略，通过逐词生成恶意请求相关词来突破LLM安全机制，评估多种变体在多个基准测试中表现优异，并理论解释其有效性。
差分隐私加权经验风险最小化过程及其在结果加权学习中的应用
机构 * University of Notre Dame（诺特大学） ； St. Jude Children’s Research Hospital（圣犹大儿童研究医院） ； University of Michigan（密歇根大学）
AI总结 提出首个差分隐私加权经验风险最小化算法，推导经验与总体超额风险界，并应用于结果加权学习，实验证明在强隐私保护下保持鲁棒性能。
Journal ref IEEE Transactions on Information Forensics & Security, 2026
LoCA：基于局部信用分配的一次性校准后仅前向的大语言模型调优
机构 * 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） ； Tencent（腾讯） ； University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； 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 本文提出LoCA方法，通过一次性校准替换大语言模型调优的重复反向传播，在多个基准上优于LoRA，降低了GPU峰值内存、CPU稳态内存与前向传递时间。
Skill-RAG: 通过隐藏状态探测与技能路由实现故障状态感知的检索增强
机构 * University of Michigan（密歇根大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Rutgers University（罗格斯大学） ； University of Pennsylvania（宾夕法尼亚大学） ； New Jersey Institute of Technology（新泽西理工学院） ； TU Darmstadt（图腾斯大学） ； Wake Forest University（威克森林大学）
AI总结 提出Skill-RAG框架，通过轻量级隐藏状态探测器和基于提示的技能路由器，在检索失败时诊断原因并选择四种技能（查询重写、问题分解、证据聚焦、退出）纠正查询-证据错位，显著提升多轮检索后困难案例的准确性。
基于优化的在线共形预测用于多步预测
机构 * University of Michigan（密歇根大学）
AI总结 提出O2CP框架，通过双层优化结构建模多步误差依赖，在保证边际覆盖有效性的同时生成更窄的预测区间，实验表明在自动驾驶、气候预测等领域优于现有方法。
NavTrust：体感导航的可信度基准测试
机构 * Trustworthy Autonomous Systems Laboratory at the University of California, Riverside（加州大学河滨分校可信自主系统实验室） ； University of Michigan（密歇根大学） ； Workday ； University of Southern California（南加州大学） ； Texas A&M University（德克萨斯A&M大学） ； Lehigh University（莱斯大学）
AI总结 NavTrust通过系统性地对输入模态进行腐蚀，评估体感导航性能的鲁棒性，揭示了现有方法在真实环境中的性能缺陷，并提出改进策略。
Comments IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026); Project Website: https://navtrust.github.io
当AI基准测试达到平台期：基准饱和的系统性研究
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本研究定义并分析了60个语言模型基准的饱和现象，发现近半数基准出现饱和，且专家策划而非公开测试数据影响抗饱和能力，为延长基准寿命提供了设计建议。
Comments Published at ICML 2026 (Forty-Third International Conference on Machine Learning)
能量- Tweedie：分数与分数，能量与能量
机构 * Department of Statistics, University of Michigan（统计学系，密歇根大学）
AI总结 本文提出能量- Tweedie方法，通过推导能量分数与噪声边缘分数的关系，扩展了Tweedie公式，用于改进去噪和分数估计。
Comments 54 pages, 17 figures
LiveXiv —— 基于 arXiv 论文内容的多模态实时基准测试集
机构 * Faculty of Engineering Tel-Aviv University（特拉维夫大学工程学院） ； IBM Research（IBM研究院） ； Department of Statistics, University of Michigan（密歇根大学统计学系） ； JKU Linz, Austria（林茨大学，奥地利） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT-IBM（麻省理工学院-IBM）
AI总结 针对多模态模型训练中测试数据污染问题，提出基于 arXiv 论文的 LiveXiv 实时基准，自动生成 VQA 对，用部分模型评估降低成本，验证了其性能差异极小，数据集已在 HuggingFace 公开。
通过固定基空间中的系数映射学习算子
机构 * Department of Mathematics（数学系） ； University of Michigan（密歇根大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Algorithms of Machine Learning and Autonomous Driving Research Lab（机器学习与自动驾驶算法研究实验室） ； HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科技大学深圳-香港协同创新研究机构）
AI总结 FB-C2CNet通过固定基空间中的系数映射学习算子，有效降低计算复杂度并提升训练效率。
生成式人工智能充斥并稀释了图书市场
机构 * Stony Brook University（纽约州立大学石溪分校） ； Columbia Law School（哥伦比亚法学院） ； University of Michigan（密歇根大学） ； MIT Initiative on the Digital Economy（麻省理工学院数字经济倡议）
AI总结 研究通过对亚马逊上自出版小说检测，发现含大量AI文本书籍占书目比重大但销售占比小，其达商业规模且重塑市场，单本销售收入下降，还影响不同类型书籍及畅销书语言借鉴情况，结果关乎版权侵权合理使用抗辩的市场效应问题。
Comments Working Paper Under Review
多层级策略分类：通过晋升与降级动态激励改进
机构 * Electrical and Computer Engineering Department, University of Michigan, Ann Arbor, MI 48109, USA（密歇根大学电气与计算机工程系，安阿伯，MI 48109，美国）
AI总结 本文提出一种多层级晋升-降级框架，通过设计分类器阈值和难度递进来激励代理人诚实努力，并证明在温和条件下代理人可通过真实改进达到任意高水平。
Comments 9 pages, 4 figures, ICML 2026
MorphQuad：具有超人机动性、操纵性和弹性的可变形四旋翼飞行器
机构 * University of Michigan（密歇根大学）
AI总结 研究旨在实现具有高机动性、操纵性和弹性的飞行器。核心方法是硬件与控制协同设计，让四旋翼飞行器各旋翼系统独立铰接并采用全局稳定控制等。主要贡献是展示了MorphQuad在多方面的优异性能。
可自我配置的网格网络用于可扩展的分布式子模带提优化
机构 * Department of Aerospace Engineering, University of Michigan（航空航天工程系，密歇根大学）
AI总结 本文提出了一种可自我配置的网格网络方法，通过限制信息中继和消息大小，实现分布式子模带提优化的可扩展性和接近最优性。
对前沿视觉-语言模型进行审计以实现可信的医学视觉问答：定位失败、格式崩溃和领域适应
机构 * New York University, New York, USA（纽约大学） ； Tsinghua University, Beijing, China（清华大学） ； Columbia University, New York, USA（哥伦比亚大学） ； University of Michigan, Ann Arbor, USA（密歇根大学）
AI总结 本文审计了五种前沿视觉-语言模型在医学视觉问答中的表现，发现定位失败和格式崩溃是信任瓶颈，通过领域适应可提升性能。
PRIMA：通过大语言模型进行风险集成图像-元数据对齐的医学诊断预训练
机构 * Department of Biomedical Engineering, Duke University（杜克大学生物医学工程系） ； Department of Ophthalmology and Visual Sciences, University of Michigan（密歇根大学眼科与视觉科学系）
AI总结 提出PRIMA框架，通过检索增强生成策展风险-疾病关联专家语料库优化文本编码器，用双编码器预训练策略及四个互补损失函数弥合模态差距，融合特征用于疾病分类，性能优于其他方法。
COMPOL：用于可扩展多物理场模拟的统一神经算子框架
机构 * School of Information, University of Michigan–Ann Arbor（信息学院，密歇根大学安娜堡分校） ； Hildebrand Department of Petroleum and Geosystems Engineering, The University of Texas at Austin（石油与地质系统工程系，德克萨斯大学奥斯汀分校） ； Department of Computer Science, Florida State University（计算机科学系，佛罗里达州立大学）
AI总结 研究针对多物理场模拟中神经算子难以捕捉复杂相关性的问题，提出COMPOL框架，通过循环和注意力聚合机制扩展传统算子架构，实验表明该框架与现有方法相比能实现更高预测精度。
基于核表示的高效域自适应策略学习及其在非平稳扰动下四旋翼控制中的应用
机构 * University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
AI总结 提出一种基于核表示的高效域自适应策略学习算法，通过随机傅里叶特征建模未知扰动，离线训练仅需50秒，在线通过最小二乘估计实时更新参数，在四旋翼轨迹跟踪任务中有效应对非平稳扰动。
真实场景中的逼真幻影道路：从物理几何中解构3D幻觉
机构 * University of Michigan（密歇根大学）
AI总结 本文提出首个端到端框架，用于探测、量化和抑制单目深度模型中因几何平面输入而产生的3D幻觉现象，通过引入3D-幻影基准和基于拉普拉斯的评估框架，提升深度模型的结构和上下文鲁棒性。
Comments Accepted to ECCV 2026
当伦理与收益相悖时：道德两难情境下的大语言模型智能体
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学） ； Max Planck Institute for Intelligent Systems, Tübingen（图宾根人工智能研究所） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 研究道德要求与利润激励冲突时LLMs在道德两难博弈中的行为，引入\msim评估九个模型，通过ATEs估计因果效应、分析推理轨迹，发现模型道德行为有情境脆弱性，揭示了部署风险。
你的安全控制器真的安全吗？CBF永真式和隐藏假设的批判性审查
机构 * Department of Robotics, University of Michigan（机器人学系，密歇根大学）
AI总结 本文批判性地审查了CBF在机器人安全中的应用，揭示了安全控制器理论与实际实现之间的差距，并提供了构建实际安全论证的实用指南。
Comments Technical Report. Interactive web demo: https://cbf.taekyung.me
跨度内学习：利用自身预测调整降阶模型
机构 * Department of Aerospace Engineering（航空航天工程系） ； Department of Electrical Engineering and Computer Science（电气工程与计算机科学系） ； Michigan Institute for Computational Discovery and Engineering, University of Michigan, Ann Arbor, MI, USA（美国密歇根大学安娜堡分校计算发现与工程研究所）
AI总结 研究降阶模型在线动力学偏离训练数据时精度下降的问题，提出通过在当前降子空间内利用模型自身预测，经增量奇异值分解获得轨迹 informed 谱预处理器，使模型更有效吸收未来跨度外校正。
XCOMPS：概念最小对的多语言基准测试
机构 * Columbia University（哥伦比亚大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； LMU Munich（慕尼黑大学） ； University of Michigan（密歇根大学） ； KU Leuven（根特大学）
AI总结 介绍多语言概念最小对数据集XCOMPS，通过多种方式评估LLMs多语言概念理解，比较不同模型发现LLMs对低资源语言概念理解弱，指令微调与知识蒸馏有不同效果，形态复杂语言理解分数低。
Comments Accepted at SIGTYP 2025: https://aclanthology.org/2025.sigtyp-1.9/
Q-VGM: 基于Q引导的值梯度匹配的流匹配VLA策略
机构 * 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 Electronic Science and Technology of China（电子科技大学）
AI总结 提出Q-VGM离线强化学习方法，通过将值梯度转化为去噪时间上的值梯度场，避免反向传播去噪链，高效微调流匹配VLA策略，在LIBERO等任务上显著提升成功率。
Comments 13 pages, 3 figures, 4 tables
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