Carnegie Mellon University（卡内基梅隆大学）

Domain-invariant Mixed-domain Semi-supervised Medical Image Segmentation with Clustered Maximum Mean Discrepancy Alignment

领域不变的混合域半监督医学图像分割与聚类最大均值差异对齐

Ba-Thinh Lam, Thanh-Huy Nguyen, Hoang-Thien Nguyen, Quang-Khai Bui-Tran, Nguyen Lan Vi Vu, Phat K. Huynh, Ulas Bagci, Min Xu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Ho Chi Minh University of Science（胡志明科学大学） ； Northwestern University（西北大学） ； University of North Carolina at Charlotte（北卡罗来纳州夏洛特大学） 纠错

AI总结 本文提出一种领域不变的混合域半监督分割框架，通过Copy-Paste机制和聚类最大均值差异对齐，提升数据多样性并缓解域偏移，实现高精度分割。

Comments accepted in ICASSP 2026

Orbitopal Fixing in SAT

SAT中的轨道固定

Markus Anders, Cayden Codel, Marijn J. H. Heule

机构 * RPTU Kaiserslautern-Landau（科隆-拉乌恩大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出基于轨道固定的静态对称性打破方法，通过添加单位子句实现快速且非干扰的对称性处理，提升SAT求解器性能。

Comments to appear at TACAS 2026

The CMU-AIST submission for the ICME 2025 Audio Encoder Challenge

ICME 2025音频编码挑战赛CMU-AIST参赛方案

Shikhar Bharadwaj, Samuele Cornell, Kwanghee Choi, Hye-jin Shim, Soham Deshmukh, Satoru Fukayama, Shinji Watanabe

机构 * Carnegie Mellon University, USA（卡内基梅隆大学） ； National Institute of Advanced Industrial Science and Technology (AIST), Japan（国家工业科学与技术研究院（AIST）） 纠错

AI总结 基于BEATs模型扩展并集成Dasheng 1.2B，通过预训练混合物优化音频编码性能，公开发布模型参数以促进开放科学研究。

Pre-Generating Multi-Difficulty PDE Data for Few-Shot Neural PDE Solvers

预生成多难度的PDE数据以用于少样本神经PDE求解器

Naman Choudhary, Vedant Singh, Ameet Talwalkar, Nicholas Matthew Boffi, Mikhail Khodak, Tanya Marwah

机构 * Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； Department of Computer Sciences, UW-Madison（威斯康星大学麦迪逊分校计算机科学系） 纠错

AI总结 通过预生成多难度的PDE数据，提升少样本神经PDE求解器的性能与效率。

Comments 10 Pages, 11 Figures

Systematizing LLM Persona Design: A Four-Quadrant Technical Taxonomy for AI Companion Applications

对LLM人设设计的系统化：面向AI陪伴应用的四象限技术分类

Esther Sun, Zichu Wu

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

AI总结 本文提出四象限技术分类系统，系统化LLM人设设计，涵盖虚拟与具身、情感与功能增强，分析不同应用场景的技术挑战与核心问题。

Comments Accepted to Neurips 2025 workshop: LLM Persona Workshop

MapAnything: Universal Feed-Forward Metric 3D Reconstruction

MapAnything: 通用前馈度量3D重建

Nikhil Keetha, Norman Müller, Johannes Schönberger, Lorenzo Porzi, Yuchen Zhang, Tobias Fischer, Arno Knapitsch, Duncan Zauss, Ethan Weber, Nelson Antunes, Jonathon Luiten, Manuel Lopez-Antequera, Samuel Rota Bulò, Christian Richardt, Deva Ramanan, Sebastian Scherer, Peter Kontschieder

机构 * Meta Reality Labs（Meta现实实验室） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 Map Anything是一种统一的前馈模型，通过输入图像和几何信息，直接回归度量3D场景几何，适用于多种3D视觉任务。

Comments 3DV 2026. Project Page: https://map-anything.github.io/

A Survey on Human-Centered Evaluation of Explainable AI Methods in Clinical Decision Support Systems

可解释人工智能在临床决策支持系统中的人本评估综述

Alessandro Gambetti, Qiwei Han, Hong Shen, Claudia Soares

机构 * Nova School of Science and Technology, Universidade NOVA de Lisboa（诺瓦科学与技术学院，诺瓦里斯本大学） ； Nova School of Business and Economics, Universidade NOVA de Lisboa（诺瓦商学院与经济学院，诺瓦里斯本大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文综述了XAI在临床决策支持系统中的人本评估，指出多数研究采用事后方法，提出以利益相关者为中心的评估框架以提升XAI的临床可信度。

Comments 19 pages, 2 tables, 4 figures

Dynamic Pricing with Adversarially-Censored Demands

动态定价与对抗性被截断的需求

Jianyu Xu, Yining Wang, Xi Chen, Yu-Xiang Wang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； New York University（纽约大学） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文提出了一种基于导数乐观估计的动态定价算法，在对抗性库存条件下实现O(√T)最优遗憾，解决了具有截断反馈的在线决策问题。

Comments 28 pages, 1 figure