University of Michigan（密歇根大学安娜堡分校）

Generative and Nonparametric Approaches for Conditional Distribution Estimation: Methods, Perspectives, and Comparative Evaluations

生成与非参数方法在条件分布估计中的应用：方法、视角与比较评估

Yen-Shiu Chin, Zhi-Yu Jou, Toshinari Morimoto, Chia-Tse Wang, Ming-Chung Chang, Tso-Jung Yen, Su-Yun Huang, Tailen Hsing

机构 * Institute of Statistical Science, Academia Sinica（学术院统计科学研究所） ； Department of Mathematics, National Taiwan University（台湾大学数学系） ； Data Science Degree Program, National Taiwan University and Academia Sinica（台湾大学数据科学学士学位计划） ； Department of Statistics, University of Michigan（密歇根大学统计学系） 纠错

AI总结 本文比较了生成与非参数方法在条件分布估计中的应用，评估了不同方法的性能和适用性。

Comments 22 pages, 2 figures, 2 tables

SHED Light on Segmentation for Dense Prediction

SHED：用于密集预测的分割光照

Seung Hyun Lee, Sangwoo Mo, Stella X. Yu

机构 * University of Michigan（密歇根大学） 纠错

AI总结 SHED通过整合分割到密集预测中，提出了一种新的编码器-解码器架构，以提升深度边界锐度、分割连贯性和3D重建质量。

ReloPush-BOSS: Optimization-guided Nonmonotone Rearrangement Planning for a Car-like Robot Pusher

ReloPush-BOSS: 基于优化的非单调重排规划用于车式机器人推手

Jeeho Ahn, Christoforos Mavrogiannis

机构 * Department of Robotics, University of Michigan（机器人系，密歇根大学） 纠错

AI总结 ReloPush-BOSS通过优化预重排和深度优先搜索，实现高效非单调重排规划，适用于密集障碍环境中的车式机器人推手任务。

Comments Preprint of final version, accepted to RA-L 2026

Where Do the Joules Go? Diagnosing Inference Energy Consumption

焦耳去哪儿了？诊断推理能耗

Jae-Won Chung, Ruofan Wu, Jeff J. Ma, Mosharaf Chowdhury

机构 * University of Michigan \& The ML.ENERGY Initiative 纠错

AI总结 研究通过大规模测量发现生成式AI中不同任务和硬件配置对能耗的影响差异，并提出框架解释能耗与利用率等隐含指标的关系，为优化数据中心能耗提供依据。

Comments The ML ENERGY Leaderboard v3.0 is open at https://ml.energy/leaderboard

Antithetic Noise in Diffusion Models

扩散模型中的反向噪声

Jing Jia, Sifan Liu, Bowen Song, Wei Yuan, Liyue Shen, Guanyang Wang

机构 * Department of Computer Science, Rutgers University（罗格斯大学计算机科学系） ； Department of Statistical Science, Duke University（杜克大学统计科学系） ； Department of EECS, University of Michigan（密歇根大学电子工程与计算机科学系） ； Department of Statistics, Rutgers University（罗格斯大学统计系） 纠错

AI总结 扩散模型中反向噪声产生强负相关，提升不确定性量化可靠性，适用于图像编辑和生成多样性改进。

Comments Code: https://github.com/jjia131/Antithetic-Noise-in-Diffusion-Models-page, Project Page: https://jjia131.github.io/Antithetic-Noise-in-Diffusion-Models-page/, Blog: https://jjia131.github.io/Antithetic-Noise-in-Diffusion-Models-page/static/blog/blog.html