Georgia Institute of Technology（佐治亚理工学院）

Comprehensive Evaluation of Rule-Based, Machine Learning, and Deep Learning in Human Estimation Using Radio Wave Sensing: Accuracy, Spatial Generalization, and Output Granularity Trade-offs

基于无线电波传感的人类估计的综合评估：规则-based、机器学习与深度学习的准确性、空间泛化与输出粒度的权衡

Tomoya Tanaka, Tomonori Ikeda, Ryo Yonemoto

机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology（电气与计算机工程学院，佐治亚理工学院） ； SoftBank Corp.（软银公司） 纠错

AI总结 本研究比较了规则-based、机器学习和深度学习在无线电波传感中的人类估计性能，发现高容量模型在准确性上表现优异但易受领域转移影响，而规则-based方法则更稳健但输出粒度较低。

Comments 10 pages, 5 figures. A comprehensive comparison of rule-based, machine learning, and deep learning approaches for human estimation using FMCW MIMO radar, focusing on accuracy, spatial generalization, and output granularity

Comprehensive Deployment-Oriented Assessment for Cross-Environment Generalization in Deep Learning-Based mmWave Radar Sensing

面向深度学习毫米波雷达感知的跨环境泛化综合评估

Tomoya Tanaka, Tomonori Ikeda, Ryo Yonemoto

机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology（电气与计算机工程学院，佐治亚理工学院） ； SoftBank Corp.（软银公司） 纠错

AI总结 本文提出了一种综合评估方法，通过Sigmoid加权和迁移学习提升毫米波雷达在不同环境下的泛化能力，实验证明其在误差减少方面具有显著优势。

Comments 8 pages, 6 figures. Comprehensive evaluation of preprocessing, data augmentation, and transfer learning for cross-environment generalization in deep learning-based mmWave radar sensing

Optimal Labeler Assignment and Sampling for Active Learning in the Presence of Imperfect Labels

最优标签分配与采样用于存在不完美标签的主动学习

Pouya Ahadi, Blair Winograd, Camille Zaug, Karunesh Arora, Lijun Wang, Kamran Paynabar

机构 * School of Industrial and Systems Engineering Georgia Institute of Technology Atlanta, GA 30332, USA（工业与系统工程学院 佐治亚理工学院 阿拉巴马州亚特兰大 30332, 美国） ； Ford Motor Company（福特汽车公司） 纠错

AI总结 本文提出了一种新的主动学习框架，通过优化标签分配和采样方法，减少噪声影响以提高分类性能。

Comments 22 pages, 6 figures. Preprint under review

CoDA: A Context-Decoupled Hierarchical Agent with Reinforcement Learning

CoDA：一种解耦的层次代理

Xuanzhang Liu, Jianglun Feng, Zhuoran Zhuang, Junzhe Zhao, Maofei Que, Jieting Li, Dianlei Wang, Hao Tong, Ye Chen, Pan Li

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 CoDA通过解耦的层次代理设计，利用强化学习有效缓解上下文爆炸问题，在复杂任务中实现性能提升。

Comments Accepted to WSDM '26 Oral

ORIBA: Exploring LLM-Driven Role-Play Chatbot as a Creativity Support Tool for Original Character Artists

ORIBA：探索基于大语言模型的对话机器人作为原创角色艺术家创造力支持工具

Yuqian Sun, Xingyu Li, Shunyu Yao, Noura Howell, Tristan Braud, Chang Hee Lee, Ali Asadipour

机构 * Computer Science Research Centre, Royal College of Art（皇家艺术学院计算机科学研究中心） ； Digital Media, School of Literature, Media, and Communication, Georgia Institute of Technology（佐治亚理工学院数字媒体系） ； Princeton University（普林斯顿大学） ； Digital Media, Georgia Institute of Technology（佐治亚理工学院数字媒体系） ； Division of Integrative Systems and Design, The Hong Kong University of Science and Technology（香港科学大学整合系统与设计 division） ； Industrial Design Department, College of Engineering, KAIST（韩国科学技术院工程学院工业设计系） 纠错

AI总结 ORIBA通过大语言模型支持原创角色艺术家的创意过程，平衡AI辅助与创意自主权。

Patch-Based Diffusion for Data-Efficient, Radiologist-Preferred MRI Reconstruction

基于补丁的扩散模型用于数据高效、放射科医师偏好的MRI重建

Rohan Sanda, Asad Aali, Andrew Johnston, Eduardo Reis, Gordon Wetzstein, Sara Fridovich-Keil

机构 * Stanford University（斯坦福大学） ； Stanford University School of Medicine（斯坦福大学医学院） ； Stanford Center for Artificial Intelligence in Medicine and Imaging（斯坦福大学医学与成像人工智能中心） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出基于补丁的扩散模型用于高效MRI重建，在小数据集上表现优于现有方法，且被放射科医师认为诊断效果更优。

Comments Code is available at: https://github.com/voilalab/PaDIS-MRI

Is GPT-OSS Good? A Comprehensive Evaluation of OpenAI's Latest Open Source Models

GPT-OSS好吗？对OpenAI最新开源模型的综合评估

Ziqian Bi, Keyu Chen, Chiung-Yi Tseng, Danyang Zhang, Tianyang Wang, Hongying Luo, Lu Chen, Junming Huang, Jibin Guan, Junfeng Hao, Xinyuan Song, Junhao Song

机构 * AI Agent Lab, Vokram Group（AI代理实验室，Vokram集团） ； Purdue University（普渡大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Minnesota（明尼苏达大学） ； Emory University（埃默里大学） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 GPT-OSS在代码生成方面表现优异，但在多语言任务上存在不足，研究发现稀疏架构扩展未必能带来性能提升。

Keep the Lights On, Keep the Lengths in Check: Plug-In Adversarial Detection for Time-Series LLMs in Energy Forecasting

保持灯光亮起，保持长度在控制中：用于能源预测时间序列LLM的插件对抗检测

Hua Ma, Ruoxi Sun, Minhui Xue, Xingliang Yuan, Carsten Rudolph, Surya Nepal, Ling Liu

机构 * The University of Melbourne, Australia（墨尔本大学） ； Monash University, Australia（莫纳什大学） ； Georgia Institute of Technology, United States（佐治亚理工学院） 纠错

AI总结 本文提出一种用于时间序列LLM的插件对抗检测方法，通过采样诱导的分歧检测对抗性示例，提升能源预测的鲁棒性。

EchoVLM: Measurement-Grounded Multimodal Learning for Echocardiography

EchoVLM：基于测量的多模态学习用于超声心动图

Yuheng Li, Yue Zhang, Abdoul Aziz Amadou, Yuxiang Lai, Jike Zhong, Tiziano Passerini, Dorin Comaniciu, Puneet Sharma

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Siemens Healthineers（西门子医疗） ； Siemens Healthcare Limited（西门子医疗有限公司） ； Emory University（埃默里大学） ； University of Southern California（南加州大学） 纠错

AI总结 EchoVLM通过引入基于测量的多模态学习方法，实现了超声心动图的端到端解读，提升了疾病分类和视图识别的性能。

EnviroLLM: Resource Tracking and Optimization for Local AI

EnviroLLM：本地AI的资源追踪与优化

Troy Allen

机构 * Georgia Institute of Technology, College of Computing（佐治亚理工学院计算机学院） 纠错

AI总结 EnviroLLM通过提供本地AI资源追踪、性能评估和能耗优化工具，帮助用户更有效地管理和评估AI模型的效率与环境影响。

Comments 8 pages, 3 tables