医学 AI

GFPL: Generative Federated Prototype Learning for Resource-Constrained and Data-Imbalanced Vision Task

GFPL: 生成式联邦原型学习用于资源受限和数据不平衡的视觉任务

Shiwei Lu, Yuhang He, Jiashuo Li, Qiang Wang, Yihong Gong

机构 * Xi’an Jiaotong University（西安交通大学） ； Air Force Engineering University（空军工程大学） 纠错

专题命中 医学数据与评测 ：medical image(abstract)；分类 cs.CV、cs.LG

AI总结 GFPL通过生成式联邦原型学习方法，解决联邦学习中因多数类特征偏见导致的知识融合效率低下和通信开销过大的问题，提升模型准确率并降低通信成本。

Private and Robust Contribution Evaluation in Federated Learning

联邦学习中的隐私与鲁棒贡献评估

Delio Jaramillo Velez, Gergely Biczok, Alexandre Graell i Amat, Johan Ostman, Balazs Pejo

机构 * University of La Laguna（拉拉加大学） ； HUN-REN Hungarian Research Network（HUN-REN匈牙利研究网络） ； Chalmers University（查尔姆斯大学） ； Budapest University of Technology and Economics（布达佩斯技术经济大学） 纠错

专题命中 医学数据与评测 ：medical image(abstract)；分类 cs.LG

AI总结 本文提出两种与安全聚合兼容的边际差异贡献评分，兼顾公平性、隐私和鲁棒性，提升联邦学习中的贡献评估效果。

Overconfident Errors Need Stronger Correction: Asymmetric Confidence Penalties for Reinforcement Learning

过度自信的错误需要更强的纠正：强化学习中的非对称置信度惩罚

Yuanda Xu, Hejian Sang, Zhengze Zhou, Ran He, Zhipeng Wang

机构 * LinkedIn Corporation（领英公司） 纠错

专题命中 医学数据与评测 ：pathology(abstract)；分类 cs.LG

AI总结 本文提出非对称置信度感知错误惩罚（ACE）以解决强化学习中过度自信错误的问题，通过动态调节负优势提升模型推理能力与生成多样性。

A Multi-faceted Analysis of Cognitive Abilities: Evaluating Prompt Methods with Large Language Models on the CONSORT Checklist

对认知能力的多维度分析：利用大型语言模型在CONSORT清单上评估提示方法

Sohyeon Jeon, Hyung-Chul Lee

专题命中 医学数据与评测 ：medical AI(abstract)

AI总结 本研究通过比较通用和领域专用LLM在三种提示策略下的表现，揭示了其在评估临床试验报告时存在显著的校准错误和过度自信问题，强调了改进校准和提示工程的重要性。

Comments We have decided to withdraw this manuscript because we believe it requires further revision and substantial improvement before it is suitable for dissemination to the academic community