Carnegie Mellon University（卡内基梅隆大学）

Learning and Editing Universal Graph Prompt Tuning via Reinforcement Learning

通过强化学习学习和编辑通用图提示微调

Jinfeng Xu, Zheyu Chen, Shuo Yang, Jinze Li, Hewei Wang, Yijie Li, Edith C. H. Ngai

机构 * The University of Hong Kong（香港大学） ； Beijing Institute of Technology（北京理工大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出LEAP模型，通过强化学习在保留通用图提示理论基础的同时，优化提示选择与编辑，提升图和节点任务的性能。

Comments Accepted by KDD 2026

Pose-Based Sign Language Spotting via an End-to-End Encoder Architecture

基于姿态的的手势 spotting 通过端到端编码器架构

Samuel Ebimobowei Johnny, Blessed Guda, Emmanuel Enejo Aaron, Assane Gueye

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出了一种基于姿态的端到端编码器架构，用于手语 spotting 任务，通过减少计算成本和视觉噪声，实现了在连续手语序列中检测特定手语的高准确率。

Comments To appear at AACL-IJCNLP 2025 Workshop WSLP

Protein Secondary Structure Prediction Using Transformers

基于变换器的蛋白质二级结构预测

Manzi Kevin Maxime

机构 * Carnegie Mellon University Africa（卡内基梅隆大学非洲分校） 纠错

AI总结 本文提出基于变换器的模型，利用注意力机制预测蛋白质二级结构，通过数据增强提升泛化能力，有效捕捉局部和长距离残基相互作用。

SOFA-FL: Self-Organizing Hierarchical Federated Learning with Adaptive Clustered Data Sharing

SOFA-FL：具有自适应聚类数据共享的自组织分层联邦学习

Yi Ni, Xinkun Wang, Han Zhang

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 SOFA-FL通过自适应聚类数据共享和动态拓扑重构，解决联邦学习中数据异质性和网络拓扑刚性的挑战。

Deep Kernel Aalen-Johansen Estimator: An Interpretable and Flexible Neural Net Framework for Competing Risks

深度核Aalen-Johansen估计器：一种可解释且灵活的神经网络框架用于竞争风险

Xiaobin Shen, George H. Chen

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出了一种基于深度学习的可解释竞争风险模型，通过核函数学习权重来预测累积发病率函数，并在多个数据集上验证了其解释能力。

Comments Machine Learning for Health (ML4H) 2025 Spotlight

Representation Retrieval Learning for Heterogeneous Data Integration

异构数据整合的表示检索学习

Qi Xu, Annie Qu

机构 * Department of Statistics & Data Science, Carnegie Mellon University（统计与数据科学系，卡内基梅隆大学） ； Department of Statistics and Applied Probability, University of California, Santa Barbara（统计与应用概率系，加州大学圣芭芭拉分校） 纠错

AI总结 本文提出了一种表示检索学习框架，通过整合性概念和选择性整合惩罚提升异构数据整合的预测性能。

RaX-Crash: A Resource Efficient and Explainable Small Model Pipeline with an Application to City Scale Injury Severity Prediction

RaX-Crash：一种资源高效且可解释的小模型流水线及其在城市规模伤害严重性预测中的应用

Di Zhu, Chen Xie, Ziwei Wang, Haoyun Zhang

机构 * 1 Department of Computer Science ； Engineering, Santa Clara University, Santa Clara, USA Email ； 2 Manning College of Information \& Computer Sciences, University of Massachusetts Amherst, Amherst, MA, USA Email ； 3 Department of Electrical ； Computer Engineering, Carnegie Mellon University, Pittsburgh, USA Email ； 4 University of Pennsylvania, Philadelphia, USA Email 纠错

AI总结 RaX-Crash通过高效小模型和可解释性方法，在城市规模伤害严重性预测中实现优于小语言模型的性能，同时通过SHAP分析揭示关键影响因素。