Carnegie Mellon University（卡内基梅隆大学）

KinyaEmbed: Contrastive Sentence Embeddings for Kinyarwanda via Multi-Stage Curriculum Training

KinyaEmbed：基于多阶段课程训练的卢旺达语（Kinyarwanda）对比句嵌入模型

Ireddi Rakshitha, Devavarapu Yashwanth, Ntakirutimana Pierre

机构 * Barclays（巴克莱银行） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 针对卢旺达语预训练嵌入不足的问题，提出基于KinyaBERT-large的KinyaEmbed模型，经四阶段课程训练后，在SemRel2024-rw等基准上超越现有多语言模型，效果显著且相关资源公开。

Comments 14 pages, 3 figures, 5 tables

TabuLM: Morphology-Aware Tabular Pre-training for Low-Resource Languages

TabuLM：面向低资源语言的形态感知表格预训练模型

Ireddi Rakshitha, Devavarapu Yashwanth, Ntakirutimana Pierre

机构 * Barclays（巴克莱银行） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 研究针对低资源语言卢旺达语，提出形态感知表格预训练模型TabuLM，在自研的卢旺达语表格问答基准TabQA-kin上，其精确匹配率显著优于基线模型。

Comments 18 pages, 4 figures, 7 tables

Rapid On-Robot Learning for Dynamic Manipulation Skills: Robot Juggling

面向动态操作技能的机器人快速在线学习：机器人杂耍

Taeyoon Lee, Chunpeng Wang, Christopher G. Atkeson, Alfred A. Rizzi, Nicolas Rojas

机构 * Robotics and AI Institute (RAI)（机器人与人工智能研究所（RAI）） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） 纠错

AI总结 本研究提出基于正则化记忆的在线学习框架，使双臂机器人在不到5分钟内安全掌握五种三球杂耍模式，核心是利用不完美先验知识实现高效稳定的真实世界动态操作技能学习。

Generative Semantic Scene Completion

生成式语义场景补全

Shi Chen, Weifeng Ge

机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） 纠错

AI总结 该研究针对户外激光雷达语义场景补全的类别不平衡问题，提出生成式语义场景补全框架，通过PS³、SGSC、S²D²方法提升性能，在SemanticKITTI测试集取得当前最佳单扫描单样本结果。

Comments 18 pages, 12 figures, 4 tables. Supplementary material (29 pages) is included as an ancillary file. Project page: this https URL (https://shichen.world/GSSC-project-page/) - Code, models and the PS$^3$ dataset: this https URL (https://github.com/BillyChern/GSSC-S2D2)

Standalone LLM and a Pre-specified Agentic Pipeline for Explaining ICU Mortality Predictions: a Feasibility Study on the eICU Demo Dataset

独立大型语言模型（LLM）与预定义智能体管道用于解释ICU死亡率预测：基于eICU演示数据集的可行性研究

Di Zhu, Chen Xie, Haoyun Zhang, Zihan Wei, Ziwei Wang, Jiazhao Shi, Ziyu Wang, Qiyang Xie

机构 * Santa Clara University（圣克拉拉大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； Wake Forest University（维克森林大学） ； Northeastern University（东北大学） 纠错

AI总结 本研究基于eICU演示数据集对比独立LLM与四步智能体管道解释ICU死亡率预测，发现智能体管道在指南依据性等方面更优，但需搭配归因核查。