University of Michigan（密歇根大学安娜堡分校）

Sample Efficient Learning of Body-Environment Interaction of an Under-Actuated System

欠驱动系统身体-环境交互的样本高效学习

Zvi Chapnik, Yizhar Or, Shai Revzen

机构 * Mechanical Engineering, Technion, Haifa, Israel（技术学院机械工程系，海法，以色列） ； Electrical Engineering and Computer Science, Ecology and Evolutionary Biology, University of Michigan, Ann Arbor, MI USA（密歇根大学电气工程与计算机科学系、生态与进化生物学系，安娜堡，密歇根州，美国） 纠错

AI总结 本文研究了欠驱动系统身体-环境交互的样本高效学习方法，比较了四种建模方法在不同训练数据量下的表现，发现简单方法在小数据集上更优，复杂方法在大数据集上更优。

ALPCAHUS: Subspace Clustering for Heteroscedastic Data

ALPCAHUS：异方差数据的子空间聚类

Javier Salazar Cavazos, Jeffrey A Fessler, Laura Balzano

机构 * University of Michigan（密歇根大学） 纠错

AI总结 ALPCAHUS是一种用于异方差数据的子空间聚类方法，通过估计样本级噪声方差来改进子空间基的估计，提升聚类效果。

Comments Manuscript submitted to IEEE Transactions on Signal Processing (TSP), revised, and pending acceptance

MMDeepResearch-Bench: A Benchmark for Multimodal Deep Research Agents

MMDeepResearch-Bench: 一个多模态深度研究代理的基准

Peizhou Huang, Zixuan Zhong, Zhongwei Wan, Donghao Zhou, Samiul Alam, Xin Wang, Zexin Li, Zhihao Dou, Li Zhu, Jing Xiong, Chaofan Tao, Yan Xu, Dimitrios Dimitriadis, Tuo Zhang, Mi Zhang

机构 * OSU（俄亥俄州立大学） ； Amazon（亚马逊公司） ； UMich（密歇根大学） ； UCL（伦敦大学学院） ； CUHK（香港中文大学） ； UCR（加州大学尔湾分校） ； CWRU（克里夫兰医学中心） ； HKU（香港大学） 纠错

AI总结 MMDeepResearch-Bench提出一个多模态深度研究代理的基准，强调报告式合成与引用证据的结合，揭示多模态完整性对深度研究代理的重要性。

U-learning for Prediction Inference via Combinatory Multi-Subsampling: With Applications to LASSO and Neural Networks

通过组合多子采样进行预测推断的U学习：应用于LASSO和神经网络

Zhe Fei, Yi Li

机构 * Department of Statistics, UC Riverside（统计系，加州大学河滨分校） ； Department of Biostatistics, University of Michigan（生物统计学系，密歇根大学） 纠错

AI总结 本文提出了一种基于组合多子采样的U学习方法，用于高维输入预测的集成推断和置信区间构建，应用于LASSO和神经网络，以提高预测的准确性与可靠性。

On the Global Convergence of Risk-Averse Natural Policy Gradient Methods with Expected Conditional Risk Measures

关于具有预期条件风险度量的风险规避自然策略梯度方法的全局收敛性

Xian Yu, Lei Ying

机构 * Department of Integrated Systems Engineering, The Ohio State University（俄亥俄州立大学整合系统工程系） ； 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 本文提出了一种基于预期条件风险度量的风险规避自然策略梯度方法，证明其在随机环境中的全局收敛性并验证了其有效性。

Beyond Consensus: Perspectivist Modeling and Evaluation of Annotator Disagreement in NLP

超越共识：自然语言处理中注释者分歧的透视主义建模与评估

Yinuo Xu, David Jurgens

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文探讨了自然语言处理中注释者分歧的建模与评估，提出了一种统一的方法框架，强调从共识学习向显式建模分歧的转变，并指出公平性评估的不足及未来研究方向。

A Survey of Self-Evolving Agents: What, When, How, and Where to Evolve on the Path to Artificial Super Intelligence

自我进化代理的综述：何时、何地、如何进化以实现人工超级智能

Huan-ang Gao, Jiayi Geng, Wenyue Hua, Mengkang Hu, Xinzhe Juan, Hongzhang Liu, Shilong Liu, Jiahao Qiu, Xuan Qi, Yiran Wu, Hongru Wang, Han Xiao, Yuhang Zhou, Shaokun Zhang, Jiayi Zhang, Jinyu Xiang, Yixiong Fang, Qiwen Zhao, Dongrui Liu, Qihan Ren, Cheng Qian, Zhenhailong Wang, Minda Hu, Huazheng Wang, Qingyun Wu, Heng Ji, Mengdi Wang

机构 * Princeton University（普林斯顿大学） ； Princeton AI Lab（普林斯顿人工智能实验室） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Sydney（悉尼大学） ； Shanghai Jiao Tong University（上海交通大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of Michigan（密歇根大学） ； Oregon State University（俄勒冈州立大学） ； The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The University of Hong Kong（香港大学） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Edinburgh（爱丁堡大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文综述了自我进化代理的现状，探讨了进化机制、适应方法及挑战，为实现人工超级智能提供路线图。

Comments 77 pages, 9 figures, Transactions on Machine Learning Research (01/2026)