University of Michigan（密歇根大学安娜堡分校）

A Physics-Informed Loss Function for Boundary-Consistent and Robust Artery Segmentation in DSA Sequences

一种用于DSA序列中边界一致且鲁棒动脉分割的物理信息损失函数

Muhammad Irfan, Nasir Rahim, Khalid Mahmood Malik

机构 * College of Innovation and Technology（创新与技术学院） ； University of Michigan-Flint（密歇根大学弗林特分校） 纠错

AI总结 本文提出了一种基于物理的损失函数，用于提高DSA序列中动脉分割的边界一致性和鲁棒性。

Power-Efficient Autonomous Mobile Robots

低功耗自主移动机器人

Liangkai Liu, Weisong Shi, Kang G. Shin

机构 * Department of Computer Science and Engineering, University of Michigan, USA（计算机科学与工程系，密歇根大学） ； Department of Computer and Information Sciences, University of Delaware, USA（计算机与信息科学系，特拉华大学） 纠错

AI总结 本文提出pNav系统，通过联合优化自主移动机器人物理和网络子系统，显著提升其功率效率，实测显示功率消耗降低38.1%。

Comments 13 pages, 16 figures

Rethinking Message Passing Neural Networks with Diffusion Distance-guided Stress Majorization

重新思考基于扩散距离引导的压力主要化的消息传递神经网络

Haoran Zheng, Renchi Yang, Yubo Zhou, Jianliang Xu

机构 * Hong Kong Baptist University（香港 Baptist 大学） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出DDSM模型，通过引入扩散距离和压力主要化技术，解决MPNNs中的过度平滑和相关性问题，并在多种图结构上取得优异性能。

Comments Accepted by SIGKDD 2026. The code is available at https://github.com/HaoranZ99/DDSM

SLOFetch: Compressed-Hierarchical Instruction Prefetching for Cloud Microservices

SLOFetch：面向云微服务的压缩分层指令预取

Zerui Bao, Di Zhu, Liu Jiang, Shiqi Sheng, Ziwei Wang, Haoyun Zhang

机构 * University of Michigan（密歇根大学） ； Santa Clara University（圣克拉拉大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 SLOFetch通过压缩分层指令预取技术，优化云微服务的指令预取效率，减少芯片状态并提升网络化服务的性能。

LoRA-based methods on Unet for transfer learning in Subarachnoid Hematoma Segmentation

基于LoRA的方法在Unet上的应用用于亚急性硬膜下出血的迁移学习

Cristian Minoccheri, Matthew Hodgman, Haoyuan Ma, Rameez Merchant, Emily Wittrup, Craig Williamson, Kayvan Najarian

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本研究提出基于LoRA的Unet方法，用于亚急性硬膜下出血的迁移学习，通过参数高效的方法提升分割性能。

LiHi-GS: LiDAR-Supervised Gaussian Splatting for Highway Driving Scene Reconstruction

LiHi-GS：基于LiDAR监督的高斯点云法用于高速公路场景重建

Pou-Chun Kung, Xianling Zhang, Katherine A. Skinner, Nikita Jaipuria

机构 * Latitude AI ； Department of Robotics, University of Michigan（机器人学系，密歇根大学） 纠错

AI总结 LiHi-GS通过LiDAR监督提升高速公路场景重建与合成，解决传统方法在高速场景和LiDAR利用上的不足。

Comments RA-L 2025

The Traveling Bandit: A Framework for Bayesian Optimization with Movement Costs

旅行窃贼：具有移动成本的贝叶斯优化框架

Qiyuan Chen, Raed Al Kontar

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文提出了一种具有移动成本的贝叶斯优化框架，通过整合旅行商问题解决方法，有效降低移动成本并保持与传统方法相当的性能。

Rethinking Fine-Tuning when Scaling Test-Time Compute: Limiting Confidence Improves Mathematical Reasoning

重新思考扩展测试时间计算时的微调：限制置信度可提升数学推理

Feng Chen, Allan Raventos, Nan Cheng, Surya Ganguli, Shaul Druckmann

机构 * Stanford University（斯坦福大学） ； University of Michigan（密歇根大学） 纠错

AI总结 通过限制模型置信度改进数学推理，研究发现传统交叉熵损失与测试时间策略pass@N存在不一致，提出改进的训练损失以提升性能。