University of Michigan（密歇根大学安娜堡分校）

Prompt Less, Smile More: MTP with Semantic Engineering in Lieu of Prompt Engineering

无需提示，微笑更多：通过语义工程替代提示工程的MTP

Jayanaka L. Dantanarayana, Savini Kashmira, Thakee Nathees, Zichen Zhang, Krisztian Flautner, Lingjia Tang, Jason Mars

机构 * University of Michigan（密歇根大学） ； Jaseci Labs（Jaseci实验室） 纠错

AI总结 通过语义工程替代提示工程，提升AI集成编程中提示的准确性与开发者效率。

Mitigating Participation Imbalance Bias in Asynchronous Federated Learning

缓解异步联邦学习中的参与不平衡偏差

Xiangyu Chang, Manyi Yao, Srikanth V. Krishnamurthy, Christian R. Shelton, Anirban Chakraborty, Ananthram Swami, Samet Oymak, Amit Roy-Chowdhury

机构 * University of California, Riverside（加州大学河滨分校） ； Indian Institute of Science（印度科学研究院） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； DEVCOM Army Research Laboratory（陆军研究实验室） 纠错

AI总结 本文提出ACE和ACED方法，通过立即非缓冲更新缓解异步联邦学习中的参与不平衡偏差，提升模型鲁棒性。

Health system learning achieves generalist neuroimaging models

健康系统学习实现通用神经影像模型

Akhil Kondepudi, Akshay Rao, Chenhui Zhao, Yiwei Lyu, Samir Harake, Soumyanil Banerjee, Rushikesh Joshi, Anna-Katharina Meissner, Renly Hou, Cheng Jiang, Asadur Chowdury, Ashok Srinivasan, Brian Athey, Vikas Gulani, Aditya Pandey, Honglak Lee, Todd Hollon

机构 * Machine Learning in Neurosurgery Lab University of Michigan（密歇根大学机器学习神经外科实验室） ； University of Michigan Computational Medicine and Bioinformatics（密歇根大学计算医学与生物信息学） ； University of Michigan Computer Science and Engineering（密歇根大学计算机科学与工程） ； University of Michigan Radiology（密歇根大学放射学） 纠错

AI总结 NeuroVFM通过健康系统学习范式，在临床MRI和CT影像上训练，实现高性能通用神经影像模型，提升放射学诊断和报告生成的准确性与临床实用性。

Comments 53 pages, 4 main figures, 10 extended data figures

RGBSQGrasp: Inferring Local Superquadric Primitives from Single RGB Image for Graspability-Aware Bin Picking

RGBSQGrasp: 从单张RGB图像推断局部超二次曲面原语以实现抓取感知的托盘拾取

Yifeng Xu, Fan Zhu, Ye Li, Sebastian Ren, Xiaonan Huang, Yuhao Chen

机构 * University of Michigan（密歇根大学） ； University of Waterloo（滑铁卢大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； University College London（伦敦大学学院） 纠错

AI总结 RGBSQGrasp通过单目RGB图像推断抓取姿态，利用超二次曲面原语提升托盘拾取任务的抓取稳定性和适应性。

Comments 8 pages, 6 figures, IROS2025 RGMCW Best Workshop Paper

Learning to Admit Optimally in an $M/M/k/k+N$ Queueing System with Unknown Service Rate

在具有未知服务速率的$M/M/k/k+N$排队系统中学习最优接纳

Saghar Adler, Mehrdad Moharrami, Vijay Subramanian

机构 * TikTok ； University of Iowa（爱荷华大学） ； University of Michigan（密歇根大学） 纠错

AI总结 在具有未知服务速率的$M/M/k/k+N$排队系统中，通过参数学习方法设计最优调度策略以最大化长期平均奖励。