University of Cambridge（剑桥大学）

Adversarial Disentanglement by Backpropagation with Physics-Informed Variational Autoencoder

通过物理信息变分自编码器进行对抗性解缠

Ioannis Christoforos Koune, Alice Cicirello

机构 * Department of Civil Engineering and Geosciences（土木工程与地球科学系） ； Technical University of Delft（代尔夫特理工大学） ； Department of Engineering（工程系） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出了一种结合物理信息和数据驱动的变分自编码器，用于解缠输入信号中的物理因素与混杂影响，提升模型的可解释性和泛化能力。

Journal ref DCE 6 (2025) e50

Using Mobile AR for Rapid Feasibility Analysis for Deployment of Robots: A Usability Study with Non-Expert Users

利用移动AR进行机器人部署的快速可行性分析：非专家用户的可用性研究

Krzysztof Zielinski, Slawomir Tadeja, Bruce Blumberg, Mikkel Baun Kjærgaard

机构 * Faculty of Engineering, University of Southern Denmark（南部丹麦大学工程学院） ； Universal Robots A/S（Universal Robots公司） ； Department of Engineering, University of Cambridge（剑桥大学工程学院） 纠错

AI总结 本研究提出了一种基于移动AR的非专家用户可用性工具，用于快速评估机器人部署的可行性，通过实验表明该工具在十分钟内可完成复杂分析，且用户认知负荷低，具有高可用性。

Comments Accepted in IEEE RA-L

Generating crossmodal gene expression from cancer histopathology improves multimodal AI predictions

从癌症组织病理学生成跨模态基因表达以提高多模态AI预测

Samiran Dey, Christopher R. S. Banerji, Partha Basuchowdhuri, Sanjoy K. Saha, Deepak Parashar, Tapabrata Chakraborti

机构 * School of Mathematical & Computational Sciences, Indian Association for the Cultivation of Science（数学与计算科学学院，印度科学培养协会） ； The Alan Turing Institute（艾伦·图灵研究所） ； Comprehensive Cancer Center, King’s College London（国王学院综合癌症中心） ； Department of Computer Science and Engineering, Jadavpur University（计算机科学与工程系，贾瓦德pur大学） ； MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计学单位） ； Department of Biostatistics, Bioinformatics and Biomathematics, Georgetown University（生物统计学、生物信息学与生物数学系，杰斐逊大学） ； UCL Cancer Institute, Dept of Medical Physics & Biomedical Engineering, University College London（伦敦大学学院癌症研究所，医学物理与生物医学工程系） 纠错

AI总结 PathGen通过生成跨模态基因表达提升癌症分级和生存风险预测的多模态AI性能

Attacks on fairness in Federated Learning

对联邦学习中公平性的攻击

Joseph Rance, Filip Svoboda

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文提出了一种针对联邦学习中公平性的攻击方法，通过控制少量客户端影响模型的属性层面表现分布，强调了在可能使用户受益的情况下，防御此类攻击的重要性。