University of Michigan（密歇根大学安娜堡分校）

Linking Faces and Voices Across Languages: Insights from the FAME 2026 Challenge

跨语言关联面孔与声音：来自FAME 2026挑战的见解

Marta Moscati, Ahmed Abdullah, Muhammad Saad Saeed, Shah Nawaz, Rohan Kumar Das, Muhammad Zaigham Zaheer, Junaid Mir, Muhammad Haroon Yousaf, Khalid Mahmood Malik, Markus Schedl

机构 * Johannes Kepler University Linz（约翰·凯普勒大学林茨） ； National University of Computer and Emerging Sciences（国家计算机与新兴科学大学） ； University of Michigan（密歇根大学） ； Fortemedia Singapore（Fortemedia新加坡） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Engineering and Technology Taxila（塔希尔工程与技术大学） ； Linz Institute of Technology（林茨技术学院） 纠错

AI总结 FAME 2026挑战旨在解决多语言环境下面孔与声音关联问题，通过开发适应不同语言的算法提升跨语言识别性能。

Comments Accepted at ICASSP 2026

Cost-TrustFL: Cost-Aware Hierarchical Federated Learning with Lightweight Reputation Evaluation across Multi-Cloud

跨多云环境的成本感知联邦学习：轻量级声誉评估的分层联邦学习

Jixiao Yang, Jinyu Chen, Zixiao Huang, Chengda Xu, Chi Zhang, Sijia Li

机构 * Westcliff University（韦斯特克莱夫大学） ； University of Virginia（弗吉尼亚大学） ； University of Washington（华盛顿大学） ； Northeastern University（东北大学） ； University of Michigan（密歇根大学） 纠错

AI总结 Cost-TrustFL通过轻量级声誉评估和成本感知聚合策略，在多云环境中实现模型性能与通信成本的联合优化，有效防御中毒攻击。

Optimal Anytime-Valid Tests for Composite Nulls

复合零假设下的最优任意时间检验

Shubhanshu Shekhar

机构 * EECS Department University of Michigan, Ann Arbor（密歇根大学电子工程与计算机科学系） 纠错

AI总结 本文提出了一种基于e过程的构造性方法，用于设计复合零假设下的最优任意时间检验，该方法在α趋近于0时达到理论下限。

Comments 24 pages, 1 figure

Counterfactual LLM-based Framework for Measuring Rhetorical Style

反事实LLM框架用于测量修辞风格

Jingyi Qiu, Hong Chen, Zongyi Li

机构 * School of Information University of Michigan（信息学院密歇根大学） ； CSAIL MIT（MIT计算机科学与人工智能实验室） 纠错

AI总结 本文提出基于LLM的反事实框架，用于量化机器学习论文中的修辞风格，并发现修辞风格显著影响后续关注度，且2023年后修辞强度因LLM写作辅助而显著上升。

GenEnv: Difficulty-Aligned Co-Evolution Between LLM Agents and Environment Simulators

GenEnv：LLM代理与环境模拟器之间的难度对齐共进化

Jiacheng Guo, Ling Yang, Peter Chen, Qixin Xiao, Yinjie Wang, Xinzhe Juan, Jiahao Qiu, Ke Shen, Mengdi Wang

机构 * Princeton University（普林斯顿大学） ； Columbia University（哥伦比亚大学） ； University of Michigan（密歇根大学） ； University of Chicago（芝加哥大学） 纠错

AI总结 GenEnv通过动态生成任务与代理能力对齐的共进化机制，在减少数据使用量的同时显著提升代理性能。

Comments Our codes are available at https://github.com/Gen-Verse/GenEnv

Next-Embedding Prediction Makes Strong Vision Learners

下一步嵌入预测使视觉学习更强

Sihan Xu, Ziqiao Ma, Wenhao Chai, Xuweiyi Chen, Weiyang Jin, Joyce Chai, Saining Xie, Stella X. Yu

机构 * University of Michigan（密歇根大学） ； New York University（纽约大学） ； Princeton University（普林斯顿大学） ； University of Virginia（弗吉尼亚大学） 纠错

AI总结 本文提出NEPA方法，通过生成嵌入进行预测任务，实现强大的视觉自监督学习效果。

Comments Project Page: https://sihanxu.me/nepa

Improving Local Training in Federated Learning via Temperature Scaling

通过温度缩放改进联邦学习中的本地训练

Kichang Lee, Pei Zhang, Songkuk Kim, JeongGil Ko

机构 * School of Integrated Technology, Yonsei University（燕尼大学整合技术学院） ； BK21 Graduate Program in Intelligent Semiconductor Technology, Yonsei University（燕尼大学智能半导体技术研究生项目） ； Department of Electrical Engineering and Computer Science, University of Michigan（密歇根大学电气工程与计算机科学系） 纠错

AI总结 FLex&Chill通过温度缩放方法提升联邦学习中本地训练的收敛速度和推理精度。

Comments 56 pages