University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

V-SEAM: Visual Semantic Editing and Attention Modulating for Causal Interpretability of Vision-Language Models

V-SEAM：视觉语义编辑与注意力调节用于视觉-语言模型的因果可解释性

Qidong Wang, Junjie Hu, Ming Jiang

机构 * Tongji University（同济大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出V-SEAM框架，结合视觉语义编辑和注意力调节，提升视觉-语言模型的因果可解释性，通过多级语义分析增强模型性能。

Comments EMNLP 2025 Main

Supporting Family-School Partnerships with Robot-Facilitated Home-Based Activities

通过机器人辅助的居家活动支持家庭-学校合作

Michael F Xu, Qiyao Yang, Heather Kirkorian, Bilge Mutlu

机构 * University of Wisconsin--Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文探讨了通过社交机器人促进家庭-学校合作的新方法，设计并开发了支持家庭沟通的机器人系统，通过实验证明了机器人在家庭日常生活中的整合效果及使用挑战。

Comments Proceedings of the 25th Interaction Design and Children Conference (IDC '26)

Designing Robots to Support Parent-Child Connections: Opportunities Through Robot-Mediated Communication

设计支持亲子关系的机器人：通过机器人中介交流的机会

Michael F Xu, Bengisu Cagiltay, Yaxin Hu, Anjun Zhu, Bilge Mutlu

机构 * University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； Koç University（科克大学） ； Simon Fraser University（西蒙弗雷泽大学） 纠错

AI总结 研究探讨机器人中介交流如何促进家庭连接，通过家庭互动设计维度分析亲子交流中的挑战与机遇。

Comments Proceedings of the 25th Interaction Design and Children Conference (IDC '26)

Robust Least-Squares Optimization for Data-Driven Predictive Control: A Geometric Approach

数据驱动预测控制中鲁棒最小二乘优化：一种几何方法

Shreyas Bharadwaj, Bamdev Mishra, Cyrus Mostajeran, Alberto Padoan, Jeremy Coulson, Ravi N. Banavar

机构 * Indian Institute of Technology Bombay, India（印度班加罗尔印度理工学院） ； Microsoft India（微软印度） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） ； University of British Columbia, Vancouver, Canada（加拿大不列颠哥伦比亚大学） ； University of Wisconsin-Madison, USA（美国威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出一种几何鲁棒最小二乘方法，通过近似子空间包含关系建模数据与真实空间的不确定性，改进了现有鲁棒最小二乘方法，实现更强的鲁棒性和更优的缩放性能。

Comments Accepted to the 8th Annual Learning for Dynamics & Control Conference June 17-19 2026, USC, Los Angeles, USA

TEMPO: Transformers for Temporal Disease Progression from Cross-Sectional Data

TEMPO：从横断面数据中基于变换器的疾病进展模型

Hongtao Hao, Joseph L. Austerweil

机构 * University of Wisconsin—Madison（威斯康星大学麦迪逊分校） ； Chiba Institute of Technology（千叶技术大学） 纠错

AI总结 TEMPO通过基于模拟的监督学习，从横断面数据中学习有序和连续事件序列，显著提高了疾病阶段预测的准确性，适用于高维数据和ADNI数据集。

Comments 31 pages; Published at Conference on Health, Inference, and Learning (CHIL) 2026

Journal ref Proceedings of Machine Learning Research, 333, 2026

Vision-Language-Action in Robotics: A Survey of Datasets, Benchmarks, and Data Engines

机器人中的视觉-语言-动作：数据集、基准和数据引擎的综述

Ziyao Wang, Bingying Wang, Hanrong Zhang, Tingting Du, Tianyang Chen, Guoheng Sun, Yexiao He, Zheyu Shen, Wanghao Ye, Ang Li

机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； University of Utah（犹他大学） ； Northeastern University（东北大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文综述了视觉-语言-动作研究中数据基础设施的关键挑战，指出未来进展依赖于数据引擎与评估协议的协同设计，揭示了数据集、基准和数据引擎的四大开放挑战。

Comments This is a survey paper. The survey is already accepted by TMLR after peer-review. The OpenReview link is here: https://openreview.net/forum?id=tAaWFpvnmm

Rethinking Trust Region Bayesian Optimization in High Dimensions

重新思考高维中的信任区域贝叶斯优化

Wei-Ting Tang, Joel A. Paulson

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出AdaScale-TuRBO方法，通过动态调整GP长度尺度以解决高维优化中局部GP模型退化问题，提升性能。

On the Peril of (Even a Little) Nonstationarity in Satisficing Regret Minimization

关于在满足满意遗憾最小化中即使少量非平稳性的危险

Yixuan Zhang, Ruihao Zhu, Qiaomin Xie

机构 * Department of Industrial & Systems Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校工业与系统工程系） ； SC Johnson College of Business, Cornell University（康奈尔大学SC约翰逊商学院） 纠错

AI总结 研究非平稳K臂老虎机的满足满意遗憾保证，发现当L≥2时最优遗憾为Θ(L log T)，而L=1时可实现T无关的Θ(1)遗憾。

Comments 20 pages

Bayesian Event-Based Model for Disease Subtype and Stage Inference

基于贝叶斯的疾病亚型和分期事件模型

Hongtao Hao, Joseph L. Austerweil

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Chiba Institute of Technology（千叶技术大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出贝叶斯事件基于模型(BEBMS)，在合成数据实验中优于SuStaIn，在阿尔茨海默病真实数据集上结果更符合科学共识。

Comments 32 pages; machine learning for health symposium (2025); Proceedings of the 5th Machine Learning for Health Symposium in PMLR

Journal ref Proceedings of Machine Learning Research (PMLR), vol. 297: Machine Learning for Health (ML4H), 2025

MLorc: Momentum Low-rank Compression for Memory Efficient Large Language Model Adaptation

MLorc: 动量低秩压缩用于内存高效的大型语言模型适应

Wei Shen, Zhang Yaxiang, Minhui Huang, Mengfan Xu, Jiawei Zhang, Cong Shen

机构 * University of Virginia（弗吉尼亚大学） ； National University of Singapore（新加坡国立大学） ； Meta ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出MLorc方法，通过压缩和重建矩阵参数动量以降低内存消耗，相比LoRA和GaLore在内存效率和训练动态保留方面更优，理论和实验均验证其有效性。

Comments AISTATS 2026