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

ProDM: Synthetic Reality-driven Property-aware Progressive Diffusion Model for Coronary Calcium Motion Correction in Non-gated Chest CT

ProDM：合成现实驱动的属性感知渐进扩散模型用于非门控胸部CT中的冠状动脉钙运动校正

Xinran Gong, Gorkem Durak, Halil Ertugrul Aktas, Vedat Cicek, Jinkui Hao, Ulas Bagci, Nilay S. Shah, Bo Zhou

机构 * Department of Radiology, Northwestern University, Chicago, IL, USA ； College of Computing, Georgia Institute of Technology, Atlanta, GA, USA ； Department of Biomedical Engineering, Northwestern University, Evanston, IL, USA ； Department of Cardiology, Northwestern University, Chicago, IL, USA ； Department of Preventive Medicine, Northwestern University, Chicago, IL, USA 纠错

AI总结 ProDM通过属性感知渐进校正扩散模型，有效校正非门控胸部CT中的运动伪影，提升冠状动脉钙评分的准确性与临床实用性。

Comments 21 pages, 8 figures

SoundnessBench: A Soundness Benchmark for Neural Network Verifiers

SoundnessBench: 一种用于神经网络验证器的声学基准

Xingjian Zhou, Keyi Shen, Andy Xu, Hongji Xu, Cho-Jui Hsieh, Huan Zhang, Zhouxing Shi

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Duke University（杜克大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Riverside（加州大学河滨分校） 纠错

AI总结 SoundnessBench通过构建包含隐藏反例的基准，用于评估神经网络验证器的正确性。

Comments TMLR (December 2025)

MM-SpuBench: Towards Better Understanding of Spurious Biases in Multimodal LLMs

MM-SpuBench：迈向更好地理解多模态大语言模型中伪偏差的深入研究

Wenqian Ye, Bohan Liu, Guangtao Zheng, Di Wang, Yunsheng Ma, Xu Cao, Bolin Lai, James M. Rehg, Aidong Zhang

机构 * University of Virginia（弗吉尼亚大学） ； Purdue University（普渡大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 MM-SpuBench通过分析多模态大语言模型中的伪偏差，揭示其存在与缓解的挑战，提供公开基准以促进相关技术发展。

Comments Accepted at KDD 2026 (Dataset and Benchmark Track)

Jacobian-Enhanced Neural Networks

雅可比增强神经网络

Steven H. Berguin

机构 * Georgia Tech Research Institute（佐治亚理工学院研究机构） 纠错

AI总结 雅可比增强神经网络通过提高偏导数预测精度，在基于代理的优化中实现更高效的模型替代

Comments 34 pages, 9 figures

Max-Entropy Reinforcement Learning with Flow Matching and A Case Study on LQR

最大熵强化学习与流匹配及LQR问题的案例研究

Yuyang Zhang, Yang Hu, Bo Dai, Na Li

机构 * School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） ； Harvard University（哈佛大学） ； College of Computing, Georgia Institute of Technology（佐治亚理工学院计算机学院） 纠错

AI总结 本文提出了一种基于流模型的SAC变体，通过重要性采样流匹配技术提升策略更新效率，并在LQR问题中验证了其学习最优动作分布的能力。