University of Michigan（密歇根大学安娜堡分校）

DIASENTINEL: An Auditable Multi-Agent System for Guideline-Grounded Diabetes Risk Screening

DIASENTINEL：一种可审计的多智能体系统，用于基于指南的糖尿病风险筛查

Yung Wei Shueh, Zhi-Jie Chen, Chia-Hsuan Hsu, Hsin-Ling Hsu, Donghua Zhang, Chenwei Wu, Jun-En Ding, Tongze Zhang, Shihao Yang, Pengfei Hu, Fang-Ming Hung, Feng Liu

机构 * Far Eastern Memorial Hospital（远东纪念医院） ； University of Michigan（密歇根大学） ； Rutgers University（罗格斯大学） ； Stevens Institute of Technology（史蒂文斯理工学院） 纠错

AI总结 该研究提出DIASENTINEL多智能体系统，用于基于EHR和ADA指南的2型糖尿病风险筛查与报告，整合多种技术实现可靠可审计的临床决策支持，解决LLM临床应用的幻觉等问题。

Co-Evolving Actor-Conditioned Critics for Non-Verifiable Generation

针对不可验证生成的演员条件评论家的协同进化

Jinyoung Kim, Muhammad Khalifa, Lajanugen Logeswaran, Jaekyeom Kim, Moontae Lee, Honglak Lee, Lu Wang

机构 * University of Michigan（密歇根大学） ； LG AI Research（LG AI研究院） ； University of Illinois at Chicago（芝加哥大学伊利诺伊分校） 纠错

AI总结 针对不可验证生成的批评监督问题，引入TAIScore奖励和GRPO训练的演员定制评论家，构建评论家-演员协同进化循环，其性能优于现有方法，证明批评监督应随演员变化调整。

AtlasNLP: A Country-Aware Atlas of Dataset Representation in NLP

AtlasNLP：NLP中数据集表示的国家感知图集

Joan Nwatu, Tsedeniya Solomon Amare, Longju Bai, Bontu Fufa Balcha, Zayd Bashir, Angana Borah, Zara Burzo, Yubin Choi, Naihao Deng, Samika Gupta, Michel Faloughi, Claude Kwizera, Ziqiao Ma, Cynthia Yacel Fuertes Panizo, Ellie Seehorn, Hui Shen, Jiayi Tang, Zesen Zhao, Boyuan Zheng, Rada Mihalcea

机构 * University of Michigan（密歇根大学） ； Addis Ababa University（亚的斯亚贝巴大学） ； San Jose State University（圣何塞州立大学） ； Skyline High School（斯凯莱恩高中） ； University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本研究推出AtlasNLP国家感知图集，含13000余条NLP数据集记录及两个子数据集，发现各国各任务数据集覆盖不均等问题，推动NLP评估补充地理元数据。

Comments Proceedings of the 2026 Conference on Empirical Methods in Natural Language Processing

Can LLM Agents Discover? Evaluating Creativity on ML Engineering Tasks

大语言模型智能体能进行发现吗？在机器学习工程任务上评估创造力

Shitanshu Bhushan, Yunxiang Zhang, Lu Wang

机构 * University of Michigan（密歇根大学） ； Computer Science and Engineering（计算机科学与工程学院） 纠错

AI总结 本研究提出评估LLM智能体创造力的框架，以10个ML工程任务测试AIDE等智能体，发现其P-Creativity随探索转利用下降、H-Creativity高于人类但性能更低，明确其能探索新颖方案却难转化为性能提升。

Comments COLM 2026

MedCache: Efficient and Temporally Valid Memory for Longitudinal Clinical Agents

MedCache：面向纵向临床智能体的高效且具备时间有效性的记忆机制

Hei Ting, Chan, Chenwei Wu, Xueshen Liu, Boyuan Zheng, Liyue Shen, Jiasi Chen, Z. Morley Mao

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文针对纵向临床智能体的记忆设计问题，提出MedCache混合框架，经实验验证其可提升临床推理准确率与记忆效率，且具备跨模型骨干及外部数据集的泛化能力。

On the Plasticity Collapse in Continual Machine Unlearning

持续机器遗忘中的可塑性崩溃

Yingdan Shi, Xiang Xu, Kaize Ding, Alfred O. Hero, Ren Wang

机构 * Illinois Institute of Technology（伊利诺伊理工学院） ； Amazon（亚马逊公司） ； Northwestern University（西北大学） ； University of Michigan（密歇根大学） 纠错

AI总结 本研究发现持续机器遗忘场景存在可塑性崩溃的固有问题，通过理论分析和多组实验证实其普遍性，为开发保可塑性遗忘算法提供了依据。

Agentic AI uncovers conserved cross-tissue protein co-abundance programs inaccessible to single-dataset analysis

智能体AI揭示跨组织保守蛋白质共丰度程序，这类程序是单数据集分析无法获取的

Runyu Guan, Dehao Wu, Qiqi Xie, Yang Li, Haohan Wang

机构 * School of Information Sciences, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校信息科学学院） ； Department of Ecology and Evolutionary Biology, University of Michigan（密歇根大学生态与进化生物学系） 纠错

AI总结 该研究提出LLM智能体框架，分析41种人体组织与体液的820种成对组合，识别出大量跨组织保守蛋白质共丰度簇，为疾病机制与治疗探索提供资源。

Comments 16 pages, 6 figures

Adversarial Calibration Attack on Autonomous Vehicles

针对自动驾驶汽车的对抗性校准攻击

Liangkai Liu, Qingzhao Zhang, Kang G. Shin

机构 * Texas Tech University（德克萨斯理工大学） ； University of Arizona（亚利桑那大学） ； University of Michigan（密歇根大学） 纠错

AI总结 该研究提出针对自动驾驶汽车相机-激光雷达在线校准的对抗性校准攻击（ACA），通过对抗性海报可诱导校准误差，引发感知等系统错误，在仿真和物理实验中均验证了其有效性。

Comments 19 pages, 8 figures